Sådan opsummerer du tusindvis af anmeldelser med AI

Det tager lang tid at læse hundredvis af anmeldelser. At gennemgå tusindvis eller hundredtusindvis manuelt og konsekvent er ikke realistisk. Stjernebedømmelser viser en score, men forklarer sjældent klagen, det tilbagevendende produktproblem eller teamets næste skridt.

Med Datablist kan du opsummere kundeanmeldelser med AI på tværs af en hel CSV- eller Excel-eksport. Én struktureret prompt analyserer hver anmeldelse og tilføjer kolonnerne Review Summary, Sentiment, Main Topic, Issue Type, Urgency, Recommended Action og Needs Review. I stedet for kun at læse et lille udvalg af kommentarer får du et datasæt, som teamet kan filtrere, kontrollere og omsætte til handling.

I denne guide bruger jeg en fil med 100 rækker, så du kan genskabe eksemplet. Det samme workflow fungerer, når din eksport indeholder tusindvis eller hundredtusindvis af anmeldelser: Test prompten på et varieret udvalg, behandl de resterende rækker, gennemgå usikre resultater, og eksportér de oprindelige og genererede felter samlet.

Det værdifulde resultat er ikke ét langt resumé. Det er et regneark med anmeldelser, som du kan filtrere, kontrollere og handle på. I første omgang analyseres anmeldelserne række for række. Optælling af temaer og et samlet ledelsesresumé kommer senere, når du har valideret etiketterne.

Hvad du får ud af AI-analyse af anmeldelser

Jeg opdeler analysen af anmeldelser i tre dele.

Først skriver modellen et kort resumé af én anmeldelse. Et godt resumé bevarer anmelderens hensigt og tone uden at kopiere alle detaljer. Derefter returnerer den kontrollerede felter som sentiment, emne, problemtype og prioritet. Felterne gør det muligt at sammenligne forskellige anmeldelser. Til sidst foreslår den en konkret handling baseret på anmeldelsen og markerer tvetydige rækker til manuel gennemgang.

Separate kolonner er vigtige. Et afsnit med AI-genereret tekst kan være let at læse, men er besværligt at filtrere. Med struktureret AI-output kan du isolere meget presserende klager, sammenligne bedømmelser med sentiment eller gruppere anmeldelser efter emne uden at skulle fortolke svaret igen.

🔑 Analysér hver anmeldelse, før du samler resultaterne

Når hver genereret vurdering står ved siden af den oprindelige anmeldelse, bliver stikprøvekontrol og rettelser langt nemmere. Ensartede rækkeetiketter kan bruges til senere optællinger, men skaber ikke i sig selv en statistisk valid rapport.

Hvis du kun har brug for én kontrolleret etiket og en konfidensværdi, er Classification with ChatGPT/OpenAI den mere målrettede løsning. Dette workflow bruger Ask ChatGPT/OpenAI, fordi én forespørgsel skal udfylde syv felter.

Eksempel på en CSV med kundeanmeldelser

Jeg brugte et syntetisk eksempel med 100 kundeanmeldelser. Filen indeholder Index, Review ID, Product Name, Rating og Review Text. Du kan følge samme workflow med din egen CSV- eller Excel-eksport, så længe hver række indeholder én anmeldelse.

Review Text er det nødvendige input. Rating og Product Name giver modellen nyttig kontekst, mens Review ID gør det muligt at spore hvert resultat tilbage til kilden. Jeg beholder alle fire kolonner i den endelige eksport.

Workflowet tilføjer de syv analysefelter samt et behandlingsflag og en kørselsstatus. Hvis du først skal indsamle kildedataene, kan du bruge de separate guides til at indsamle anmeldelser fra Trustpilot eller indsamle anmeldelser fra Trusted Shops. Denne guide begynder, når anmeldelserne allerede ligger i en fil.

Klargør anmeldelserne til AI-analyse

Kontrollér selve filen, før du åbner enrichment-værktøjet:

• Filtrér rækker, hvor Review Text er tom. Manglende tekst kan ikke danne grundlag for et pålideligt resumé eller en pålidelig klassificering.
• Kontrollér dubletter. Identiske forespørgsler kan have fordel af caching, men jeg ville stadig fjerne utilsigtede dubletter, før jeg analyserede tendenser.
• Normalisér Rating til én skala, eksempelvis 1 til 5. Brug bedømmelsen som et diagnostisk signal, ikke som facit.
• Find usædvanligt lange eller flersprogede anmeldelser. De kan kræve en højere outputgrænse, en sproginstruktion eller en separat batch.
• Opret et preview-sæt med 10 til 20 forskellige anmeldelser. Medtag lave, middelhøje og høje bedømmelser, korte og lange tekster samt feedback med flere emner.

💡 Test de svære rækker først

Et varieret preview fortæller dig mere end de første ti rækker. Det afslører uklare etiketter, uoverensstemmelser med bedømmelsen og svage regler for review-flag, før du betaler for at behandle hele filen.

Forstå prompten og analysens output

Prompten har fire opgaver: at opsummere én række, vælge kontrollerede etiketter, anbefale én handling baseret på anmeldelsen og markere indhold, der bør vurderes af en person. Den bruger kun produktnavn, bedømmelse og anmeldelsestekst. Den må ikke opfinde produktoplysninger eller kundens hensigt.

Jeg foretrækker et Needs Review-felt frem for at fremtvinge sikkerhed. En anmeldelse med flere emner kan have to lige forsvarlige hovedemner. Det er sikrere at sende rækken til kontrol end at skjule tvetydigheden bag en skråsikker etiket.

Hvis du vil tilpasse reglerne, kan du læse, hvordan du skriver en pålidelig prompt til dataanalyse, og hvordan du indsætter værdier fra et regneark i en prompt. Kontrollerede etiketter gør rækkerne sammenlignelige, mens Needs Review synliggør usikre vurderinger.

Skabelonen Analyze customer reviews har denne prompt konfigureret på forhånd. Den fulde version nedenfor er stadig nyttig, hvis du vil gennemgå eller ændre taksonomien.

Placér de faste instruktioner først og rækkevariablerne sidst. Det holder det gentagne præfiks ensartet, når den valgte model og forespørgsel understøtter prompt caching, uden at love et cache-hit.

Outputfelter, du skal kontrollere

Prompten og beskrivelserne af outputfelterne bør indeholde de samme etiketsæt. Denne lille gentagelse forhindrer, at instruktionerne og skemaet udvikler sig i hver sin retning.

Vælg skabelonen Analyze customer reviews

Importér filen med anmeldelser

Importér din CSV- eller Excel-fil i Datablist. Kontrollér, at Review Text, Rating, Product Name og Review ID er landet i de forventede properties. Har du brug for en mere generel introduktion, kan du følge guiden til at køre en ChatGPT-prompt på hver række i en CSV- eller Excel-fil.

Åbn Ask ChatGPT/OpenAI, og vælg skabelonen

Åbn Enrich, og vælg derefter Ask ChatGPT/OpenAI.

Åbn Use template. Den tomme vælger vises, før du har valgt en skabelon.

Vælg Analyze customer reviews. Datablist udfylder prompten og dens strukturerede outputfelter, så du ikke selv skal oprette alle syv outputdefinitioner.

Erstat promptvariablerne, og kontrollér output

Erstat de tre pladsholdere med properties fra din collection for Product Name, Rating og Review Text. Jeg kontrollerer altid variable chips én ad gangen, fordi en prompt, der er knyttet til den forkerte tekstkolonne, stadig kan gennemføres uden fejl.

Gennemgå derefter de strukturerede outputfelter. Skærmbillederne nedenfor viser det konfigurerede resumé, sentiment, hovedemne, problemtype og review-flag. De dokumenterer også de typer og beskrivelser af kontrollerede værdier, der blev brugt i testen.

Knyt hver returneret værdi til en eksisterende property, eller opret en ny destination property.

Dokumentér indstillingerne for kørslen

Den dokumenterede test brugte GPT 5.4 nano, Flex mode og Datablist Credits. Det er indstillingerne fra denne test, ikke en universel anbefaling. Ask ChatGPT/OpenAI understøtter også andre modeller, en grænse for maksimalt antal output-tokens, caching og betaling via din egen OpenAI API key.

Flex mode er en af fordelene ved at køre dette workflow i Datablist. For understøttede OpenAI-modeller kan det halvere behandlingsprisen sammenlignet med Standard mode, når opgaven kan acceptere langsommere og mindre forudsigelige svar. Indstillingen er tilgængelig direkte i Datablists enrichment, så du kan bruge det billigere niveau uden at bygge et separat API-workflow. Se guiden til OpenAI Flex mode for kontrol af kompatible modeller, prissammenligninger og vejledning om timeouts.

Test en lille batch, og kør derefter hele filen

Test 10 til 20 varierede anmeldelser

Brug Run on first 10 items, eller vælg selv nogle repræsentative rækker. I denne test bestod den første batch af 10 anmeldelser. Jeg kontrollerede, om resuméerne var tro mod kilden, om etiketterne var tilladte, samt prioritet, anbefalede handlinger og markeringen af tvetydige anmeldelser.

Forfatteren godkendte et resumé, når det bevarede anmeldelsens hensigt og anmelderens tone. Resultatet af previewet var godt nok til at beholde prompten og outputkonfigurationen uændret.

Previewet gennemførte 10 ud af 10 rækker på 20 sekunder og brugte 11,07 credits.

Behandl de resterende anmeldelser

Når previewet er godkendt, kører du de resterende rækker. Behold processed-flaget, så den første batch ikke sendes igen. Hvis en forespørgsel fejler, skal du filtrere efter fejlede statusser og kun prøve disse rækker igen.

📌 Dokumenteret testkørsel

Eksemplet med 100 rækker blev kørt i to batches: først et preview med 10 rækker og derefter de resterende 90 rækker med samme prompt og indstillinger.

Den anden batch gennemførte 90 ud af 90 rækker på 34 sekunder og brugte 110,49 credits.

Du kan også åbne kørselsdetaljerne for en række for at kontrollere status og forbrug af credits.

Gennemgå output og målte resultater

Sammenlign kildedata og genererede felter

Gennemgå ikke de genererede felter isoleret. Hold kildeuddraget og Review ID synlige, så alle vurderinger kan efterprøves.

De genererede resultatkolonner viser de forskellige vurderinger samlet. Her leder jeg efter etiketter, der virker inkonsekvente i forhold til kildeteksten.

Rapportér den målte kørsel uden at generalisere

Målingen dækker én syntetisk CSV med 100 anmeldelser. Den brugte GPT 5.4 nano, Flex mode og Datablist Credits. Filen blev kørt som et preview med 10 rækker efterfulgt af en batch med 90 rækker.

Alle 100 rækker havde en vellykket kørselsstatus. De to kørselsoversigter viste 20 og 34 sekunder, altså 54 sekunder i alt. Forbruget var 11,07 plus 110,49 eller samlet 121,56 credits.

Denne test behandlede 100 ud af 100 rækker på 54 sekunder fordelt på to kørsler og brugte 121,56 Datablist Credits. Betragt tallene som dokumentation for netop denne fil og opsætning, ikke som et løfte for andre modeller, prompts eller datasæt.

Filtrér rækker, der kræver manuel kontrol

Eksporten indeholder fem rækker med Needs Review = Yes. For at isolere dem skal du åbne menuen for property'en Needs Review og vælge Filter on property.

Sæt filteret til Needs Review is checked, og anvend det.

Læs kildeteksten, klassificeringerne og handlingen samlet. Forfatteren kontrollerede manuelt de to markerede rækker ZjmazxYl87 og nMtoYjtzgk og godkendte begge uden rettelser. De indeholdt hver især flere væsentlige problemer, så det var stadig korrekt at beholde review-flaget.

Sammenlign også Sentiment med Rating som en ekstra diagnostisk kontrol. En uoverensstemmelse kan afsløre nuancer eller tvetydighed, men betyder ikke automatisk, at sentimentet er forkert.

Omsæt strukturerede anmeldelser til handling

Når etiketterne er godkendt, bør du kombinere filtre i stedet for at læse arket fra top til bund. Tre visninger er nok for de fleste teams:

• Produkt: Filtrér meget presserende klager, og gruppér dem derefter efter Main Topic til triage.
• Support: Isolér supportklager, og gennemgå den foreslåede opfølgning ved siden af hver oprindelig anmeldelse.
• Marketing eller e-commerce: Adskil ros fra problemer med produktsider, værdi, levering eller emballage.

Kontrollér etiketternes konsistens, før du tæller emner. En optælling baseret på skiftende etiketter skaber falsk præcision. Behold Review ID og Review Text i eksporten, så hver handling kan spores tilbage til dokumentationen.

Datablist kan filtrere rækkerne og eksportere både kildefelterne og de genererede felter til CSV eller Excel. Hvis du har brug for et ledelsesresumé, skal du først gruppere eller tælle de validerede rækker og derefter bruge aggregatet som input til endnu en opsummering. Kørslen på rækkeniveau skaber ikke automatisk denne samlede fortælling.

Opsummér feedback fra hele filen

Et samlet resumé af kundefeedback for et produkt eller en rapporteringsperiode er en separat opgave. Prompten ovenfor ser kun én anmeldelse ad gangen og kan derfor ikke vide, hvilket problem der optræder oftest i hele filen. Opret først optællinger ud fra kontrollerede rækker, og brug derefter AI til at forklare dokumentationen.

Jeg ville begynde med ét produkt og en afgrænset periode. Behold Review ID og kilden, udeluk utilsigtede dubletter, og ret ugyldige etiketter før optællingen. Hold afventende eller fejlede anmeldelser i en separat optælling. En rapport baseret på 120 godkendte anmeldelser ud af 150 indsendte bør nævne begge tal. Ellers kan en ufuldstændig kørsel ligne en komplet rapport over kundefeedback.

I en enkel første rapport kan du tælle rækker efter Main Topic. Hver række har ét dominerende emne, så optællingen beskriver den valgte etiket, ikke alle problemer, der nævnes i anmeldelsen. En kunde, der omtaler både onboarding og support, tæller her kun med under det valgte emne. Hvis du vil tælle alle nævnte problemer, skal du designe og validere en separat multi-label-opgave, før du aggregerer dataene.

Eksempel på en rapport med validerede etiketter

Tallene nedenfor er illustrative og adskilt fra den målte test med 100 rækker ovenfor. Forestil dig, at dit kontrollerede rapporteringssæt indeholder 120 unikke anmeldelser:

En præcis opsummering lyder: “Support var det mest almindelige af de tre fremhævede emner og var hovedemnet i 18 ud af 120 kontrollerede anmeldelser. Setup and onboarding optrådte i 12 og Delivery and packaging i seks. Andre emner udgjorde 84 anmeldelser.” Der bør ikke stå “15 % af kunderne var utilfredse med support”, da der er tale om antal anmeldelser og ikke unikke kunder, og fordi emnet både omfatter ros og klager.

Til teamets triage bør du oprette en separat visning filtreret til Complaint eller Feature request. Angiv nævneren tydeligt, og knyt repræsentative Review IDs til anbefalingen. Et hyppigt emne og en presserende klage er forskellige signaler. Et sjældent, men veldokumenteret og presserende problem kan fortjene opmærksomhed før den største kategori.

Prompt til et samlet resumé af produktfeedback

Opret en separat rapportrække med rapportens afgrænsning, kontrollerede totaler, emneoptællinger og nogle repræsentative uddrag med tilhørende Review IDs. Du kan tælle de eksporterede og kontrollerede data i et regneark eller dit rapporteringsværktøj. Kør Ask ChatGPT/OpenAI på denne rapportrække med et narrativt output som Feedback Summary. Den oprindelige prompt pr. anmeldelse beregner ikke automatisk totaler for hele collectionen.

Sammenhold det resulterende resumé med optællingstabellen og de oprindelige anmeldelser. Kontrollér, at et citeret problem ikke er blevet til en påstand om alle kunder, at afventende anmeldelser fortsat er synlige, og at anbefalingerne følger af eksemplerne. Hvis du vil sammenligne to perioder, skal du bruge samme produktafgrænsning, etikettaksonomi og optællingsregler. Ændringer i prompten mellem perioderne kan ændre etiketterne, selv om kundernes holdning er uændret.

Fejlscenarier, begrænsninger og validering

Det viste testresultatet

To markerede anmeldelser kombinerede flere væsentlige problemer. Begge blev behandlet uden tekniske fejl, og begge klassificeringer blev godkendt efter manuel kontrol. Flaget gjorde sit arbejde: Det sendte subjektive rækker videre til en person uden at kassere AI-outputtet.

Eksporten afslørede også et mere direkte problem med skemaet. Anmeldelsen pe2dhcKl7J returnerede Issue Type = Mixed, selv om Mixed ikke var en tilladt etiket for problemtypen. Kørselsstatussen var vellykket, og Needs Review var false.

⚠️ Vellykket betyder ikke validt

En vellykket kørselsstatus bekræfter, at behandlingen er gennemført, ikke at alle etiketter er korrekte. Validér taksonomien og dokumentationen, før du tæller emner eller fordeler opgaver.

Du retter eksemplet med den ugyldige etiket ved at filtrere Issue Type til Mixed og derefter finde pe2dhcKl7J via Review ID. Læs den oprindelige Review Text, og vælg én underbygget værdi blandt Praise, Complaint, Feature request, Question og No clear issue.

Erstat ikke automatisk alle Mixed-værdier med Complaint. Mixed er tilladt for Sentiment, og forskellige anmeldelser kan kræve forskellige problemtyper. Hold uløste rækker uden for det kontrollerede rapporteringssæt. Kontrollér efter rettelsen, at der ikke er nogen Issue Type-værdier uden for den tilladte liste, før du genberegner optællingerne.

Inputtet medfører også andre begrænsninger. Tom eller uklar tekst understøtter måske ikke alle felter. Selvmodsigende anmeldelser og anmeldelser med flere emner gør valget af en dominerende etiket subjektivt. Bedømmelsen kan være uenig med den skrevne anmeldelse. Ændringer i prompten kan påvirke etiketternes konsistens mellem batches. Flersprogede datasæt kan kræve en udtrykkelig instruktion om outputsprog eller separate tests.

AI-genererede resuméer, emner, prioriteter og handlinger er modellens vurderinger, ikke autoritative forretningsmæssige sandheder. Brug dem til at strukturere og fordele arbejdet, men behold manuel kontrol, når en forkert etiket kan påvirke beslutningen.

Tjekliste til validering før eksport

• Bekræft, at hver række med anmeldelsestekst har en vellykket status eller et dokumenteret resultat af et nyt forsøg.
• Kontrollér, at resuméerne bevarer anmeldelsens hensigt og tone uden at tilføje oplysninger.
• Validér alle værdier for sentiment, emne, problemtype og prioritet i forhold til de tilladte etiketter.
• Sammenlign sentiment med bedømmelsen for at finde modstridende rækker, der bør læses, men brug kun bedømmelsen som et diagnostisk signal.
• Bekræft, at hver anbefalet handling følger af den oprindelige anmeldelse.
• Gennemgå alle rækker med Needs Review, og tag stikprøver blandt vellykkede rækker uden flag, især anmeldelser med flere emner.
• Behold Review ID, kildetekst, bedømmelse, genererede felter, behandlingsstatus og kørselsstatus i eksporten.

Analysér dine anmeldelser i Datablist

Importér din CSV- eller Excel-fil med kundeanmeldelser i Datablist, vælg Analyze customer reviews, tilknyt de tre inputfelter, og test 10 til 20 varierede rækker. Når etiketterne og review-flagene ser brugbare ud, kan du behandle resten og eksportere det kontrollerede resultat.

FAQ

Kan ChatGPT analysere kundeanmeldelser i en CSV?

Ja. Datablist sender værdierne fra hver række til den valgte model og skriver det strukturerede svar i nye properties. Sammenlignet med at uploade én fil til en chat bevarer det rækkebaserede workflow forbindelsen mellem hver opsummering, etiket, handling og status og den oprindelige anmeldelse.

Hvordan opsummerer jeg tusindvis af kundeanmeldelser?

Begynd med et repræsentativt preview, kontrollér etiketterne og flagene, og behandl derefter de resterende rækker i batches. Behold kilde-id'er og statusser, så fejlede rækker kan køres igen uden at miste sporbarheden. Køretid og forbrug af credits afhænger af model, prompt, tekstlængde og indstillinger, så test dit eget udvalg, før du estimerer hele kørslen.

Kan workflowet analysere flersprogede anmeldelser?

Det kan behandle tekst på de sprog, den valgte model understøtter, men filer med flere sprog kræver test. Tilføj en eksplicit regel om outputsprog, hvis alle resuméer skal være på samme sprog, eller behandl sprogene i separate batches, når konsistens er vigtig.

Skal sentiment altid matche stjernebedømmelsen?

Nej. En positiv bedømmelse kan indeholde en alvorlig klage, og en lav bedømmelse kan stadig nævne god support eller en nem returnering. Brug uoverensstemmelser med bedømmelsen til at finde rækker, der bør læses, og vurder derefter etiketten ud fra anmeldelsesteksten.

Erstatter AI-analyse manuel gennemgang?

Nej. AI gør en stor fil med anmeldelser lettere at sortere og gennemgå. Kontrollér markerede rækker, validér de kontrollerede etiketter, og tag stikprøver blandt vellykkede resultater, før outputtet bruges til beslutninger om produkt, support eller marketing.