3. 反馈分类与标签：情感分析、问题类型与优先级矩阵
用户反馈收集回来了，然后呢？
很多团队卡在这一步。几百条、几千条反馈堆在表格里，谁看了都头疼。我见过一个项目，产品经理把用户留言打印出来，贴了满墙，最后也不知道该先改哪个。
说白了，反馈不分类，就是噪音。分类对了，才是信号。
3.1 情感分析：先判断用户情绪
用户说“这个功能太难用了”，和用户说“这个功能如果能优化一下就好了”，虽然都指向同一个功能，但紧急程度完全不同。
我个人习惯，拿到反馈第一件事不是看内容，而是先打情感标签。情绪决定了用户愿意等你多久。
情感标签三级体系：
- 正向：表扬、认可、推荐。这类反馈用来做案例、做口碑，但不一定需要立刻改。
- 中性：建议、询问、客观描述。这是产品迭代的“金矿”，用户愿意花时间写，说明他在乎。
- 负向：抱怨、投诉、愤怒。优先级最高，尤其是涉及核心流程的负面反馈。
我在项目中遇到过一件事。有个用户连续三天在后台留言，说“你们的导出功能太慢了”。情感分析打的是“负向”，但我们一开始没当回事，觉得只是偶尔卡顿。结果第四天，用户直接发了一封投诉邮件给CEO。嗯，从那以后，所有负向情感标签的反馈，我都会在24小时内拉群讨论。
小技巧：可以用关键词匹配做初筛。比如“崩溃”、“闪退”、“无法使用”直接标负向；“建议”、“希望”、“能不能”标中性；“好用”、“赞”、“推荐”标正向。但别完全依赖机器，人工复核还是必要的。
3.2 问题类型：Bug / 需求 / 体验
情感分析解决的是“急不急”，问题类型解决的是“是什么”。
我习惯把反馈分成三类：
| 类型 | 定义 | 典型例子 | 处理方式 |
|---|---|---|---|
| Bug | 功能与预期不符，存在错误或异常 | “点击保存按钮没反应” | 转研发，修代码 |
| 需求 | 用户希望新增或扩展某个功能 | “能不能加一个批量删除？” | 进需求池，评估排期 |
| 体验 | 功能可用，但操作路径、交互方式不够好 | “这个按钮位置太隐蔽了，我找了半天” | 交互/视觉优化 |
你可能会问，有些反馈看起来既是Bug又是体验问题，怎么分？
我的原则是：看用户能不能完成核心任务。如果用户因为某个问题无法完成操作，那就是Bug；如果能完成但很别扭，那就是体验问题。举个例子，“支付页面崩溃”是Bug，“支付页面加载了3秒”是体验问题。前者必须立刻修，后者可以排期优化。
注意：不要把所有反馈都打成“需求”。我见过有人把“登录按钮点不动”也写成“需求：优化登录按钮交互”。这是典型的甩锅行为。Bug就是Bug，别用“需求”两个字掩盖技术问题。
3.3 优先级矩阵：到底先做哪个？
情感分析和问题类型都打完了，接下来就是排优先级。
我常用的工具是四象限优先级矩阵。横轴是“影响范围”（多少人受影响），纵轴是“严重程度”（多影响核心体验）。
这个矩阵怎么用？我举个例子。
有一次用户反馈说“上传图片后页面白屏”。情感分析：负向。问题类型：Bug。影响范围：所有上传图片的用户（大）。严重程度：页面白屏，完全无法使用（高）。好，P0，立刻修。
另一个反馈：“希望上传图片时能加一个进度条”。情感分析：中性。问题类型：需求。影响范围：所有上传图片的用户（大）。严重程度：没有进度条也能用，只是体验不够好（低）。P2，排期处理。
我的习惯：每周五下午固定花30分钟，把本周所有反馈过一遍矩阵。P0和P1的反馈，下周一必须进开发排期。P2的反馈，进需求池，标注预期迭代版本。P3的反馈，先放着，等同类反馈超过5条再升级。
3.4 标签体系落地：别搞太复杂
很多团队一上来就搞几十个标签，什么“前端Bug”、“后端Bug”、“UI问题”、“文案错误”……结果没人愿意打标签，因为选起来太累了。
我建议，初期就三个维度：
- 情感：正向 / 中性 / 负向
- 类型：Bug / 需求 / 体验
- 优先级：P0 / P1 / P2 / P3
够了。三个标签组合起来，已经能覆盖90%的场景。
避坑指南：我曾经在一个项目里设计了15个标签，还做了标签树。结果运营同学反馈说“打标签比写反馈还累”。后来我砍到只剩5个，使用率反而从30%涨到了85%。记住，标签是帮你分类的，不是用来炫技的。
3.5 自动化分类：能省就省
如果每天反馈量超过50条，纯手工打标签就扛不住了。
我建议用简单的规则引擎做初筛：
# 伪代码示例：自动打标签规则
if "崩溃" in feedback or "闪退" in feedback:
label_emotion = "负向"
label_type = "Bug"
label_priority = "P0"
elif "建议" in feedback or "希望" in feedback:
label_emotion = "中性"
label_type = "需求"
label_priority = "P2"
elif "好用" in feedback or "赞" in feedback:
label_emotion = "正向"
label_type = "体验"
label_priority = "P3"
else:
label_emotion = "待人工判断"
label_type = "待人工判断"
label_priority = "待人工判断"
自动化打标准确率大概在70%左右。剩下的30%，交给人工复核。别想着100%自动化，用户的语言太丰富了，机器永远学不完。
总结一下这一节的核心：
- 情感分析判断用户情绪，决定响应速度
- 问题类型区分Bug/需求/体验，决定处理方式
- 优先级矩阵结合影响范围和严重程度，决定排期
- 标签体系从简，别让打标签成为负担
- 自动化辅助，人工兜底
反馈分类这件事，做得好，产品迭代就有了方向。做得不好，你就是在瞎忙。我个人觉得，花在分类上的时间，永远值得。