كيف تحلل آراء العملاء بالذكاء الاصطناعي وتكتشف المشكلات التي يجب أن تعالجها أولًا؟

هنا يمكن استخدام الذكاء الاصطناعي بطريقة أكثر فائدة من مجرد تلخيص التعليقات أو تصنيفها إلى إيجابية وسلبية. الفكرة هي تحويل ملف مليء بآراء العملاء إلى نتيجة يمكن العمل عليها: اكتشاف المشكلات المتكررة، ثم حساب عدد مرات ظهورها، وتقدير مستوى تأثيرها، وترتيبها حسب الأولوية، مع الرجوع إلى أمثلة من كلام العملاء الأصلي.

سنستخدم ChatGPT كمثال رئيسي في هذا الدليل، لكن الطريقة نفسها لا تعتمد على أداة واحدة، ويمكن تطبيقها باستخدام أي مساعد ذكاء اصطناعي يستطيع قراءة الملف والحفاظ على بنية البيانات وإجراء الحسابات والرجوع إلى الصفوف الأصلية.

ماذا يعني تحليل آراء العملاء بالذكاء الاصطناعي عمليًا؟

لنفترض أن لديك 200 تقييم أو شكوى. قد تخبرك القراءة اليدوية أن هناك عملاء غير راضين عن التوصيل أو التغليف، لكنها لا تجيب بسهولة عن أسئلة مثل: ما المشكلة الأكثر تكرارًا؟ كم تعليقًا ذكر مشكلة الدفع؟ وهل المشكلة الأكثر شيوعًا هي فعلًا الأعلى تأثيرًا على العمل؟

لهذا لا نريد من الذكاء الاصطناعي مجرد تحليل مشاعر العملاء. معرفة أن نسبة كبيرة من التعليقات سلبية قد تكون مؤشرًا مفيدًا، لكنها لا تخبر صاحب المشروع بما يجب إصلاحه.

الهدف الأقوى هو الوصول إلى نتيجة مثل:

هنا تتحول آراء العملاء غير المنظمة إلى مشكلات محددة يمكن التحقق منها ومناقشتها واتخاذ قرار بشأنها.

جهّز تقييمات وتعليقات العملاء في ملف واحد

إذا كانت البيانات موجودة أصلًا في Excel أو CSV، فلا تحتاج إلى بناء نظام معقد قبل بدء التحليل. يكفي غالبًا أن يحتوي الملف على أعمدة واضحة، بحيث يمثل كل صف تعليقًا مستقلًا.

يمكن إضافة معلومات أخرى عندما تساعد فعلًا في التحليل، مثل المنتج أو الفرع أو قناة التواصل أو المنطقة، لكن لا تضع بيانات لا تحتاجها. وتوصي OpenAI عند تحليل جداول البيانات باستخدام عناوين واضحة للأعمدة ووضع سجل واحد في كل صف. يمكنك مراجعة إرشادات OpenAI الرسمية لتحليل البيانات في ChatGPT لمزيد من التفاصيل.

لماذا نضيف ID لكل تعليق؟

وجود معرّف ثابت لكل صف يجعل النتيجة قابلة للتحقق. فإذا أخبرك النموذج أن «تأخر التوصيل ظهر في 38 تعليقًا»، تستطيع أن تطلب منه عرض أرقام الـID المرتبطة بهذه الفئة والرجوع إلى النصوص الأصلية بدل الاعتماد على ملخصه فقط.

وقبل رفع الملف، احذف أسماء العملاء وأرقام الهواتف والبريد وأي بيانات شخصية أو حساسة لا يحتاجها التحليل.

ارفع ملف آراء العملاء وابدأ التحليل

يتيح ChatGPT، في الحسابات والنماذج التي تدعم تحليل الملفات، رفع جداول بيانات شائعة مثل XLS وXLSX وCSV وتحليلها، وقد تختلف الإمكانات والحدود حسب الخطة والنموذج وإعدادات الحساب. وإذا كنت تريد التعرف على الأداة بصورة أوسع، يمكنك الرجوع إلى مراجعتنا لـ ChatGPT وتجربتنا معه.

إذا كان الملف كبيرًا أو معقدًا، فلا تبدأ التحليل قبل التأكد من أن الأداة قرأت جميع البيانات التي ستدخل في الحساب. لذلك أضفنا خطوة تحقق في بداية الـPrompt نفسه.

أريدك أن تحلل ملف آراء العملاء المرفق بهدف اكتشاف المشكلات المتكررة وترتيب ما يحتاج إلى معالجة أولًا.

قبل بدء التحليل:
1. اذكر عدد أوراق العمل الموجودة في الملف.
2. اذكر عدد الصفوف والأعمدة في كل ورقة.
3. اذكر أسماء الأعمدة.
4. حدد عدد الصفوف التي ستدخل التحليل فعليًا.
5. نبّهني إلى الصفوف الفارغة أو المكررة أو التي لا تحتوي على نص تعليق.
6. لا تبدأ الحسابات قبل توضيح هذه المعلومات.

أثناء التحليل:
1. تعامل مع كل صف في الملف كتعليق مستقل، وحافظ على رقم ID الخاص به.
2. استخرج المشكلة الأساسية التي يذكرها كل تعليق.
3. اجمع الصياغات المتشابهة تحت فئات رئيسية واضحة، ولا تنشئ فئات صغيرة جديدة لمجرد اختلاف الكلمات.
4. لا تدمج مشكلات مختلفة قسرًا بهدف تقليل عدد الفئات. يمكن وضع التفاصيل الدقيقة كفئات فرعية أو أمثلة عند الحاجة.
5. إذا كان التعليق يحتوي على أكثر من مشكلة واضحة، يمكنك ربطه بأكثر من فئة، لكن وضح ذلك.
6. احسب عدد التعليقات الفريدة المرتبطة بكل مشكلة اعتمادًا على الصفوف الفعلية في الملف، ولا تقدّر الأعداد بناءً على الانطباع.
7. إذا ذكر التعليق المشكلة نفسها أكثر من مرة، احسب التعليق مرة واحدة فقط داخل هذه الفئة.
8. احسب نسبة التعليقات التي ذكرت كل مشكلة من إجمالي التعليقات التي دخلت التحليل.
9. لا تستخدم رقم التقييم وحده لتحديد المشكلة. اعتمد على نص التعليق، وإذا لم يقدم النص سببًا واضحًا فاكتب: "السبب غير واضح".
10. عندما يذكر العميل سببًا أو أثرًا بوضوح، سجله في حقل منفصل، ولا تستنتج سببًا أو أثرًا لم يذكره العميل صراحة.
11. صنّف درجة الثقة في كل تصنيف إلى: مرتفعة، متوسطة، منخفضة.
12. ضع الحالات منخفضة الثقة في قائمة منفصلة للمراجعة البشرية.
13. لكل مشكلة رئيسية، اعرض 2 إلى 3 أمثلة من التعليقات الأصلية مع أرقام ID الخاصة بها.
14. لا تجعل تحليل المشاعر هو النتيجة الأساسية. الهدف هو معرفة المشكلات التي تتكرر وما الذي يحتاج إلى اهتمام.
15. لا تفترض تأثيرًا تجاريًا لا تدعمه البيانات أو المعايير.

معايير التأثير الخاصة بنشاطي:
مرتفع: [اكتب هنا ما يعتبر تأثيرًا مرتفعًا في نشاطك]
متوسط: [اكتب هنا ما يعتبر تأثيرًا متوسطًا]
منخفض: [اكتب هنا ما يعتبر تأثيرًا منخفضًا]

إذا لم يكن بالإمكان تحديد التأثير من البيانات أو المعايير السابقة، اكتب: "يحتاج تقييمًا بشريًا".

أنشئ أولًا جدول تصنيف على مستوى الصفوف يحتوي على:
ID | المشكلة أو المشكلات المرتبطة بالتعليق | السبب المذكور إن وجد | الأثر المذكور إن وجد | درجة الثقة

ثم استخدم هذا الجدول كأساس لإنشاء جدول النتائج النهائي، ولا تعتمد على الانطباع العام للنصوص.

يحتوي جدول النتائج النهائي على:
المشكلة | عدد التعليقات الفريدة | النسبة | مستوى التأثير إن أمكن | الأولوية المبدئية | أمثلة من التعليقات | IDs

بعد الجدول:
- أعطني أهم 3 مشكلات تستحق المراجعة أولًا.
- اشرح سبب اختيار كل واحدة بناءً على البيانات.
- اذكر الحالات التي تحتاج إلى مراجعة بشرية.
- نبّهني إذا وجدت أي مشكلة في البيانات قد تؤثر في دقة الأعداد أو النسب.

قيمة هذا الـPrompt ليست في طوله، بل في أنه يحدد للنموذج ماذا يحسب، وعلى أي بيانات يعتمد، وأين يجب ألا يخمن.

ما المقصود بالتكرار في هذا التحليل؟

في هذا الدليل نعني بالتكرار عدد الصفوف أو التعليقات الفريدة التي ذكرت المشكلة. أما عدد العملاء فهو شيء مختلف؛ فقد يرسل العميل نفسه أكثر من تعليق، ولذلك لا يمكن حساب عدد العملاء بدقة إلا إذا كان الملف يحتوي على معرّف موثوق لكل عميل.

كذلك قد يحتوي التعليق الواحد على أكثر من مشكلة. فتعليق مثل «الشحنة تأخرت ولم أستطع التواصل مع الدعم» يمكن أن يدخل ضمن فئتي تأخر التوصيل وخدمة العملاء معًا.

ولهذا قد تتجاوز نسب المشكلات مجتمعة 100%، لأننا نقيس نسبة التعليقات التي ذكرت كل مشكلة، لا نقسم التعليقات إلى مجموعات حصرية. وفي المقابل، إذا كرر العميل المشكلة نفسها أكثر من مرة داخل التعليق الواحد، فلا نحسب الصف مرتين داخل الفئة نفسها.

كيف تجمع الصياغات المختلفة تحت فئة واحدة؟

الفئة التحليلية أو الموضوع المتكرر (Theme) هي مجموعة من التعليقات التي تعبّر عن المشكلة أو الفكرة نفسها حتى لو استخدمت صياغات مختلفة.

لنفترض أن لدينا:

1. الطلب وصل بعد الموعد بثلاثة أيام.
2. التوصيل أخذ أسبوعًا كاملًا.
3. الشحنة تأخرت لكن المنتج ممتاز.
4. لم أستطع إتمام الدفع بالبطاقة.

لا نريد ثلاث فئات منفصلة باسم «تأخر الطلب» و«بطء التوصيل» و«تأخر الشحنة». التعليقات الثلاثة الأولى تعبّر عن مشكلة واحدة ويمكن جمعها تحت فئة تأخر التوصيل، بينما يصنف التعليق الرابع ضمن مشكلة الدفع.

لكن لا تذهب إلى الاتجاه المعاكس وتضع كل ما يتعلق بالتوصيل في فئة واحدة ضخمة؛ فتأخر تجهيز الطلب وتلف الشحنة وعدم تحديث التتبع قد تحتاج إلى الفصل إذا كانت تمثل مشكلات تشغيلية مختلفة.

كيف تطوّع Prompt تحليل آراء العملاء حسب احتياجك؟

لا تحتاج إلى كتابة Prompt جديد لكل نوع من البيانات. احتفظ بالهيكل نفسه وغيّر ثلاثة أشياء فقط: الهدف، والفئات التي تهم نشاطك، ومعيار الأولوية.

إذا كنت تحلل شكاوى خدمة العملاء

يمكنك إضافة: أعطِ أولوية خاصة للمشكلات المرتبطة بالتصعيد أو طلب الاسترجاع أو إلغاء الخدمة أو اضطرار العميل إلى التواصل أكثر من مرة لحل المشكلة.

إذا كنت تحلل تقييمات متجر إلكتروني

يمكن اقتراح فئات أولية مثل المنتج والشحن والتغليف والدفع والاسترجاع وخدمة العملاء، لكن لا تجبر النموذج عليها إذا كشفت البيانات مشكلة أخرى تستحق فئة مستقلة.

إذا كنت تحلل إجابات استبيان مفتوح

غيّر الهدف إلى: استخرج الموضوعات المتكررة من الإجابات المفتوحة، واجمع الاقتراحات والمشكلات المتشابهة، ثم رتبها حسب التكرار والأهمية.

كيف ترتب مشكلات العملاء حسب الأولوية؟

عدد مرات ظهور المشكلة مهم، لكنه لا يكفي وحده لتحديد الأولوية. فقد تكون لديك مشكلة شائعة لكنها محدودة الأثر، وأخرى أقل تكرارًا لكنها تمنع العميل من إتمام الطلب أو استخدام الخدمة.

في المثال التالي نستخدم أرقامًا افتراضية مختلفة عن الجداول السابقة فقط لتوضيح الفرق بين التكرار والتأثير:

اعتبرنا فشل الدفع مرتفع التأثير في هذا المثال لأن معيار النشاط يفترض أن منع العميل من إتمام الطلب يمثل مشكلة عالية التأثير. الأهم ألا تترك معنى «مرتفع» و«منخفض» للنموذج وحده؛ عرّف هذه المستويات وفق طبيعة عملك.

كمثال مبسط، يمكن اعتبار المشكلة مرتفعة التأثير إذا منعت العميل من إتمام المهمة أو أدت إلى إلغاء الطلب أو استرجاعه، ومتوسطة إذا سببت احتكاكًا واضحًا مع إمكانية إتمام المهمة، ومنخفضة إذا كانت ملاحظة أو تفضيلًا لا يعطل الاستخدام.

كيف تتحقق من صحة تحليل تعليقات العملاء؟

الجدول المرتب لا يعني تلقائيًا أن التصنيف والأعداد صحيحة. راجع أهم الفئات بالرجوع إلى جدول التصنيف على مستوى الصفوف، خصوصًا الحالات منخفضة الثقة أو المشكلات التي ستؤثر في قرار مالي أو تشغيلي.

يمكنك مثلًا طلب عرض جميع IDs المصنفة ضمن «تأخر التوصيل» ومراجعة عينة من النصوص الأصلية. فإذا وجدت أن الفئة تجمع بين تأخر شركة الشحن وتأخر تجهيز الطلب وعدم تحديث حالة الطلب، فقد تحتاج إلى إعادة تقسيمها.

وإذا كانت الأرقام ستستخدم في قرار مهم، فلا تعتمد على حساب النموذج وحده. راجع عينة يدويًا، أو قارن الأعداد باستخدام Excel أو Google Sheets، أو اطلب من الأداة تصدير جدول التصنيف حتى تستطيع فحصه بشكل مستقل.

ما الشكل النهائي الجيد لتحليل آراء العملاء؟

بعد اكتمال التحليل، يجب أن تنتقل من مئات النصوص غير المنظمة إلى قائمة مختصرة توضح ما الذي يتكرر، وما أثره، وما الأدلة التي تدعم التصنيف.

عند هذه النقطة لم تعد تتعامل مع «200 تعليق»، بل مع مجموعة أصغر من المشكلات التي يمكن التحقق منها وترتيبها ومناقشة ما يجب إصلاحه أولًا.

ما الأدوات المناسبة لتحليل آراء العملاء؟

لا توجد أداة واحدة مناسبة لكل الحالات. إذا كانت لديك كمية محدودة أو متوسطة من البيانات وتحتاج إلى التحليل عند الطلب، فقد يكون مساعد عام يدعم الملفات كافيًا.

Gemini، على سبيل المثال، يدعم رفع جداول البيانات والحصول على إجابات وملخصات ورؤى من محتواها في البيئات التي تتوفر فيها هذه الإمكانات. ويمكن مراجعة دعم Gemini الرسمي لرفع الملفات وتحليلها.

وإذا كنت محتارًا أصلًا بين المساعدات الرئيسية، يمكنك الرجوع إلى مقارنة AI CITY بين ChatGPT وGemini وClaude بدل تحويل هذا الدليل إلى مقارنة أدوات.

الأهم في هذه المهمة أن تستطيع الأداة قراءة الملف والحفاظ على بنية الصفوف وتجميع التعليقات المتشابهة وإجراء الحسابات والرجوع إلى البيانات الأصلية.

متى تحتاج منصة متخصصة لتحليل صوت العميل؟

الحل السابق يناسب التحليل عند الحاجة، لكن الصورة تتغير إذا كانت شركتك تستقبل آلاف الملاحظات باستمرار من الاستبيانات والدعم الفني وتقييمات المتاجر ومواقع المراجعات ومنصات التواصل.

عندما تصبح استمرارية البيانات وحجمها وتعدد مصادرها مشكلة بحد ذاتها، قد تكون منصة Voice of Customer متخصصة أنسب من جمع الملفات ورفعها يدويًا كل مرة.

Chattermill، على سبيل المثال، تستخدم الفئات والموضوعات المتكررة لتصنيف Feedback وتحليل التعليقات القادمة من مصادر متعددة والرجوع إلى النصوص الأصلية. يمكنك الاطلاع على توثيق Chattermill الرسمي للـThemes.

هذا لا يعني أن صاحب مشروع لديه بضع مئات من التقييمات يحتاج منصة مؤسسية. استخدم أبسط حل ينجز المهمة، وانتقل إلى منصة متخصصة عندما يصبح حجم العمل مستمرًا ويصعب إدارته يدويًا.

أخطاء تجعل تحليل ملاحظات العملاء مضللًا

الاكتفاء بطلب تلخيص الآراء

الملخص يعطي صورة عامة، لكنه قد يخفي تكرار المشكلات والفروق بينها. اطلب تصنيفًا يمكن عده والتحقق منه.

إنشاء عشرات الفئات الصغيرة

اختلاف الصياغة لا يعني اختلاف المشكلة. اجمع التعليقات المتشابهة عندما تصف المشكلة نفسها، لكن لا تدمج مشكلات مختلفة لمجرد وجود كلمات مشتركة بينها.

استخدام التقييم النجمي كدليل على المشكلة

نجمة واحدة تدل على عدم رضا العميل، لكنها لا تخبرك بالسبب. إذا لم يوضح نص التعليق المشكلة، اجعل السبب «غير واضح» بدل اختراعه.

الخلط بين المشكلة والسبب والأثر

قد تكون المشكلة «تأخر التوصيل»، والسبب المذكور «تأخر تجهيز الطلب»، والأثر «إلغاء العميل للطلب». سجّل هذه العناصر منفصلة عندما يذكرها العميل، ولا تستنتج سببًا أو أثرًا غير موجود في النص.

الاعتماد على أرقام النموذج دون تحقق

إذا كانت النتيجة ستؤثر في قرار مهم، راجع الأعداد بعينة يدوية أو باستخدام أداة جداول مثل Excel أو Google Sheets.

رفع بيانات شخصية لا يحتاجها التحليل

إذا كان نص التعليق والتقييم والمنتج يكفي، فلا يوجد سبب لإرسال اسم العميل وهاتفه وبريده أو معلومات حساسة أخرى.

الخلاصة: متى تكون هذه الطريقة مناسبة؟

استخدام الذكاء الاصطناعي في تحليل آراء العملاء يصبح خيارًا عمليًا عندما تكون لديك كمية من التعليقات يصعب فرزها ومقارنتها يدويًا، لكن حجم العمل لا يزال لا يبرر منصة متخصصة لإدارة صوت العميل بشكل مستمر.

القيمة الحقيقية ليست أن الذكاء الاصطناعي يستطيع معرفة ما إذا كان العميل سعيدًا أو غاضبًا، بل أنه يمكن أن يساعدك في الانتقال من مئات التعليقات غير المنظمة إلى عدد محدود من المشكلات المتكررة المدعومة بالأرقام والأمثلة والقابلة للمراجعة.

لكن القرار النهائي لا ينبغي تفويضه للنموذج. استخدم الأداة في التصنيف والتجميع والعد واستخراج الأدلة، ثم ارجع إلى كلام العملاء نفسه وحدد أنت ما الذي يعنيه كل خلل لنشاطك وما الذي يستحق المعالجة أولًا.