客訴根因彙整：抱怨轉內部改善清單

用途

把一段時間累積的客訴彙整成主題分類，找出根因並轉成內部流程改善清單——讓抱怨不只是被「處理掉」，而是成為改善產品與流程的燃料。

何時用

• 適合：累積一批客訴（通常 ≥ 10 筆）想找系統性問題時；季度/月度客服檢討時；準備向管理層報告客服問題根因時。
• 不要用：單筆客訴的即時回覆請用抱怨回覆器；這個 Prompt 是內部分析用，產出不對外。

Prompt

你是一位客戶體驗分析師，請幫我分析以下客訴記錄，找出系統性問題並產出改善清單。

【客訴記錄（貼入原始文字或摘要，每條用換行分隔）】
{{一批客訴記錄}}

請依以下步驟產出分析報告：

第一步：主題分群
- 把客訴歸類為 3–7 個主題群
- 每群標注：出現頻率（次數或 %）＋最具代表性的 1–2 句引述

第二步：根因假設
- 對每個主題群，提出根因假設（從以下四個面向選擇或組合）
  - 流程問題（內部 SOP、交接、反應速度）
  - 產品問題（功能缺失、設計不直覺）
  - 溝通問題（說明不清、期望設定錯誤）
  - 期望落差（行銷宣傳 vs 實際體驗）

第三步：影響評估
- 標注哪些根因影響客戶最多、改動難度最低（高影響低難度優先）

第四步：內部改善清單
- 列出具體改善行動（格式：行動 | 負責方向 | 估計難度 | 建議優先序）
- 標注哪些可「立即執行」（無需開發或大量資源）

最後用一句話總結：這批客訴最核心的系統性問題是什麼。

範例 / 變體

• 填好變數：客訴記錄＝貼入近一個月 15 筆客服信件摘要；產出後用於下週客服檢討會議。
• 變體（只看高頻問題）：在 Prompt 加「只分析出現 3 次以上的主題，低頻個案略過」。
• 變體（加入 CSAT 分數）：如果你有滿意度評分資料，加上「每條客訴後附有 CSAT 分數，請在分群時標注平均 CSAT，找出最影響滿意度的主題」。

🎯 範例輸出（實測）

在 Claude.ai 跑這句、把 {{變數}} 填成「一個月 12 筆客訴摘要：帳號無法登入×3、課程影片無法播放×3、發票遲未收到×2、課程內容與宣傳不符×2、客服回覆慢×2」的結果：

點開看 AI 實際輸出

第一步：主題分群

主題	出現次數	代表引述
技術穩定性（登入/播放）	6（50%）	「帳號登入一直失敗，重設密碼也沒用」
行政流程（發票/帳單）	2（17%）	「購買兩週了還沒收到發票，申報期快到了」
期望落差（宣傳vs實際）	2（17%）	「課程說有 Live Q&A，買了才知道已結束」
客服回應速度	2（17%）	「等了三天沒有回音，我只好又寄一次」

第二步：根因假設

• 技術穩定性 → 產品問題（登入/CDN 播放穩定度不足）+ 流程問題（無主動異常通知機制）
• 行政流程 → 流程問題（發票系統未自動觸發或人工延遲）
• 期望落差 → 溝通問題（銷售頁資訊未隨課程更新，Q&A 場次已過期但頁面未更新）
• 客服回應速度 → 流程問題（無 SLA 規範，無自動確認信）

第三步：影響評估

• 高影響低難度（優先處理）：發票自動化、銷售頁資訊更新、自動確認信
• 高影響高難度（列入規劃）：技術穩定性根本修復

第四步：內部改善清單

行動	負責方向	估計難度	優先序
加入購買後自動發票觸發	電商/財務	低	P0
建立客服 SLA + 自動確認信	客服/系統	低	P0
定期審查銷售頁活動資訊	行銷	低	P1
登入/播放穩定性監控告警	技術	高	P2

核心系統性問題：技術層穩定性不足加上缺乏主動溝通機制，導致客戶遇到問題時感覺「消失在黑洞裡」。

💡 實測心得：客訴記錄不用整理得很完整，摘要貼進去就夠用；AI 最有效的地方是「分群 + 根因假設」，這兩步人工做很費力，讓 AI 先跑一遍再人工確認效率高很多。

延伸

簡單來說，客訴是最誠實的產品反饋——比問卷調查還真實，因為客戶是真的受影響才願意花時間寫。這個分析適合每個月跑一次，把結果存起來和下個月比較，才能看到改善是否有效。建議搭配「客服標準回覆模板包」，把高頻問題的回覆標準化，先止血再治本。