วิเคราะห์บทสัมภาษณ์ลูกค้าด้วย AI: จาก Voice of Customer สู่ปัญหาที่ควรแก้

เริ่มจากคำถามวิจัยและหน่วยวิเคราะห์

กำหนดก่อนว่าต้องการรู้เรื่องใด เช่น เหตุผลที่สมัครแล้วไม่เริ่มใช้ จุดที่ติดขัดระหว่างอัปโหลด หรือปัจจัยที่ทำให้ต้องติดต่อฝ่ายช่วยเหลือ อย่ารวมคำตอบจากการสัมภาษณ์เชิงลึกกับแบบสอบถามเชิงปริมาณโดยไม่แยกวิธีเก็บ

หนึ่งหน่วยวิเคราะห์อาจเป็นหนึ่งผู้ให้สัมภาษณ์หรือหนึ่งเหตุการณ์ ไม่ใช่จำนวนประโยคที่ AI แท็กได้ เพราะคนเดียวอาจเล่าปัญหาเดิมซ้ำหลายครั้ง

ทำ codebook ก่อนให้ AI ติดแท็ก

เขียนความหมายและตัวอย่างของแต่ละแท็ก เช่น ‘เริ่มใช้ยาก’ หมายถึงติดขั้นตอนแรก ส่วน ‘ไม่เห็นคุณค่า’ หมายถึงทดลองแล้วแต่ไม่พบผลลัพธ์ที่ต้องการ ให้คนสองคนลองติดแท็กตัวอย่างชุดเดียวกันก่อน แล้วปรับนิยามที่ตีความต่าง

ให้ AI เสนอแท็กหรือสรุปประเด็นได้ แต่เก็บประโยคอ้างอิงพร้อมเวลาในไฟล์และรหัสผู้ให้ข้อมูลเพื่อให้ย้อนตรวจได้

เปลี่ยนธีมเป็นข้อเสนอที่ทดสอบได้

รายงาน VoC ควรแยก ‘สิ่งที่ลูกค้าพูด’ ออกจาก ‘สิ่งที่ทีมตีความ’ และ ‘สิ่งที่ควรทดลอง’ ตัวอย่าง: ลูกค้า 4 จาก 12 คนพูดว่าหาไฟล์ส่งออกไม่เจอ เป็นหลักฐานเชิงคุณภาพสำหรับทดสอบตำแหน่งปุ่ม ไม่ใช่ข้อสรุปว่าลูกค้าทั้งหมดเจอปัญหาเดียวกัน

หากตั้ง KPI เรื่อง churn หรือ NRR ให้ใช้ข้อมูลจริงของผลิตภัณฑ์เชื่อมกับงานวิจัยภายหลัง อย่าอ้างว่า AI ทำให้ตัวเลขดีขึ้นจากบทสัมภาษณ์อย่างเดียว

ผลลัพธ์ที่ส่งต่อให้ทีมได้

• ตารางธีมพร้อมนิยามและจำนวนผู้ให้ข้อมูลที่กล่าวถึง
• คำพูดอ้างอิงที่ตรวจจากเสียงและตัดข้อมูลระบุตัวตนแล้ว
• ข้อยกเว้นหรือความเห็นที่ขัดกับธีมหลัก
• สมมติฐานผลิตภัณฑ์หนึ่งข้อและวิธีทดสอบต่อ