analyze-feedback — команда для Claude Code: обзор и установка
Команда analyze-feedback разбирает отзывы, тикеты техподдержки и опросы NPS на тональность и темы. Команда строит markdown-отчёт со срезами по сегментам и выгружает обогащённый CSV.
MIT ★ 28 211 обновлён 2026-10-16
/plugin marketplace add phuryn/pm-skills
/plugin install pm-market-research@pm-skillsЧто делает analyze-feedback
Команда обрабатывает неструктурированный фидбек из файлов CSV, Excel или скопированного текста. Сначала агент уточняет тип данных, срезы пользователей и задачу анализа. Затем классифицирует тональность каждой записи, группирует жалобы и пожелания в темы и считает частоту упоминаний.
Итоговый отчёт содержит общую сводку настроений, таблицу ключевых тем с цитатами пользователей и разбор первопричин. При наличии дат инструмент выявляет динамику во времени, а для NPS отдельно группирует детракторов, нейтралов и промоутеров.
Анализ тональности даёт приближённую оценку и спотыкается на сарказме или смешанных отзывах. Если исходные данные были в таблице, команда сохранит рядом дополненный CSV с оценками настроений.
Какие задачи решает
- сгруппировать отзывы пользователей и тикеты поддержки по темам
- оценить баланс позитивных, нейтральных и негативных откликов
- разобрать результаты NPS-опроса по категориям клиентов
- выгрузить таблицу с проставленными оценками тональности
Примеры запросов агенту
- /analyze-feedback nps_q3_export.csv
- /analyze-feedback проанализируй отзывы из App Store за прошлую неделю
- /analyze-feedback выгрузка тикетов поддержки по тарифу Enterprise
Как установить analyze-feedback
1Через маркетплейс плагинов
/plugin marketplace add phuryn/pm-skills/plugin install pm-market-research@pm-skills2Вручную: положить файлы
.claude/commands/analyze-feedback.mdВызов — /analyze-feedback. Для всех проектов — ~/.claude/commands/
Вручную: положить файлы
~/.codex/prompts/analyze-feedback.mdВызов — /prompts:analyze-feedback. В Codex этот формат помечен устаревшим, замена — скиллы
Вручную: положить файлы
.github/prompts/analyze-feedback.prompt.mdВручную: положить файлы
.gemini/commands/analyze-feedback.tomlGemini хранит команды в TOML: текст запроса — в поле prompt
Вопросы об analyze-feedback
Как установить analyze-feedback в Claude Code?
Подключите каталог командой /plugin marketplace add phuryn/pm-skills, затем установите плагин через /plugin install pm-market-research@pm-skills. Также можно сохранить файл команды в проект по пути .claude/commands/analyze-feedback.md.
Что делает команда analyze-feedback?
Она агрегирует пользовательский фидбек из текста или таблиц. Команда выделяет повторяющиеся проблемы, оценивает общую тональность и формирует отчёт со списком рекомендаций.
Какие форматы данных принимает команда?
На вход подходят файлы CSV и Excel, выгрузки из систем тикетов или простой скопированный текст отзывов.
Исходный текст
analyze-feedback.md · MIT
--- description: Analyze user feedback at scale — sentiment analysis, theme extraction, and segment-level insights argument-hint: "<feedback data as CSV, text, or file>" --- # /analyze-feedback -- User Feedback Analysis Process large volumes of user feedback (reviews, surveys, support tickets, NPS responses) into structured insights with sentiment analysis and segment-level patterns. ## Invocation ``` /analyze-feedback [upload a CSV of NPS responses] /analyze-feedback [paste app store reviews or survey responses] /analyze-feedback [upload support ticket export] ``` ## Workflow ### Step 1: Accept Feedback Data Accept in any format: - CSV/Excel with feedback text (and optional metadata: date, segment, rating) - Pasted text (reviews, survey responses, Slack messages) - Uploaded documents or exports from feedback tools Ask: - What kind of feedback is this? (NPS, reviews, support tickets, survey, etc.) - Any segments to analyze separately? (user tier, plan, geography) - What are you looking for? (general themes, specific issues, trends over time) ### Step 2: Analyze Apply the **sentiment-analysis** skill: - **Sentiment scoring**: Classify each piece of feedback (positive, neutral, negative) - **Theme extraction**: Identify recurring topics and cluster related feedback - **Frequency analysis**: Count how often each theme appears - **Segment analysis**: Break down sentiment and themes by user segment (if data available) - **Trend detection**: If dates are available, identify sentiment shifts over time ### Step 3: Generate Analysis Report ``` ## Feedback Analysis Report **Date**: [today] **Feedback analyzed**: [count] responses **Source**: [NPS survey / app reviews / support tickets / etc.] **Period**: [date range if available] ### Overall Sentiment - Positive: [X%] | Neutral: [Y%] | Negative: [Z%] - Average sentiment score: [X/10] - Trend: [improving / stable / declining] ### Top Themes | # | Theme | Mentions | Sentiment | Segments Most Affected | |---|-------|----------|-----------|----------------------| ### Theme Deep-Dive #### Theme 1: [Name] — [X] mentions, [sentiment] - **What users are saying**: [summary with representative quotes] - **Root cause**: [what's driving this feedback] - **Impact**: [how this affects retention, satisfaction, or revenue] - **Recommendation**: [what to do about it] [Repeat for top 5-8 themes] ### Segment Analysis | Segment | Volume | Avg Sentiment | Top Theme | Key Difference | |---------|--------|-------------|-----------|---------------| ### Notable Quotes > "[quote]" — [segment, sentiment] ### Trends Over Time [If date data available: chart-ready data showing sentiment shifts] ### Actionable Insights 1. [Insight + recommended action] 2. ... ### Gaps [What this feedback doesn't tell you — suggested follow-up research] ``` Save as markdown. If input was structured data (CSV), also save enriched data with sentiment scores as CSV. ### Step 4: Offer Next Steps - "Want me to **create user personas** from these feedback patterns?" - "Should I **triage the top themes as feature requests**?" - "Want me to **design an interview script** to go deeper on a specific theme?" ## Notes - Sentiment analysis is approximate — flag edge cases (sarcasm, mixed sentiment, non-English text) - Theme extraction should look for needs behind requests, not just surface-level topics - If sample sizes are small per segment, note limited confidence - For NPS data specifically, analyze Detractors (0-6), Passives (7-8), and Promoters (9-10) separately - Output enriched CSV when input is structured, so the user can use it in their own tools
© Paweł Huryn · MIT · phuryn/pm-skills