تحلیل احساسات مشتری: از پیدا کردن نقطه‌ی نارضایتی تا بهبود تجربه مشتری

تحلیل احساسات مشتری یعنی دسته‌بندی خودکار حرف‌های مشتریان در شبکه‌های اجتماعی و سایت‌های خبری به مثبت، منفی و خنثی. وقتی آن را با تحلیل محتوا ترکیب کنید، معلوم می‌شود مشتری دقیقاً از کدام بخش تجربه‌اش ناراضی است و کجا را باید اول درست کنید.

فرض کنیم مدیر بازاریابی یک فروشگاه اینترنتی لوازم خانگی، آخر ماه گزارش نظرسنجی بعد از خرید را باز می‌کند. نمره‌ها خوب است و درصد حرف‌های منفی درباره‌ی برند هم تکان زیادی نخورده. اما همان هفته چند نفر در توییتر از نصابی نوشته‌اند که سر قرار نیامده، و یک کانال تلگرامی پرمخاطب هم یکی از آن توییت‌ها را بازنشر کرده. هیچ‌کدام از این آدم‌ها فرم نظرسنجی را پر نکرده‌اند، پس در گزارش آخر ماه هم اثری از آن‌ها نیست. در این مقاله همین فروشگاه را قدم‌به‌قدم دنبال می‌کنیم تا ببینیم تحلیل احساسات چطور به شناسایی مشکل کمک می‌کند.

تحلیل احساسات مشتری چیست و چه ربطی به تحلیل محتوا دارد؟

تحلیل احساسات (Sentiment Analysis) لحن هر متن را می‌سنجد و می‌گوید این پست یا خبر درباره‌ی برند شما مثبت است یا منفی. این کار با روش‌های مختلف پردازش زبان طبیعی (NLP) انجام می‌شود؛ از مدل‌های کلاسیک یادگیری ماشین تا مدل‌های زبانی جدید و بزرگ (LLM). سرویس‌های سوشال لیسنینگ این کار را روی هزاران محتوای جمع‌آوری‌شده انجام می‌دهند و نتیجه را به شکل روند نشانتان می‌دهند.

ولی احساس به‌تنهایی فقط جهت را نشان می‌دهد. بلاگ Brand24 تشبیه خوبی برایش دارد: احساسات مثل سنسور اعلام حریق است. خبر می‌دهد جایی آتش گرفته، ولی نمی‌گوید کجا. پیدا کردن «کجا» کار تحلیل محتواست، یعنی دسته‌بندی حرف‌ها بر اساس موضوعشان: قیمت، ارسال، پشتیبانی، کیفیت، تبلیغات.

این دو را که کنار هم بگذارید، به چیزی می‌رسید که اسمش تحلیل احساسات جنبه‌محور (Aspect-based) است. به توضیح Sprout Social، این روش به کل متن یک برچسب کلی نمی‌زند و برای هر جنبه جداگانه احساس ثبت می‌کند. مثلاً یک مشتری می‌تواند از «سرعت سرویس» راضی باشد و از «برخورد کارکنان» نه. اگر تازه با خود مفهوم تحلیل احساسات آشنا شده‌اید، مقاله‌ی نقش تحلیل احساسات در روابط عمومی شروع خوبی است.

مشتری ناراضی معمولاً به خودتان چیزی نمی‌گوید

Qualtrics در گزارش روندهای مصرف‌کننده‌ی ۲۰۲۵ نظر نزدیک به ۲۴ هزار نفر را در ۲۳ کشور پرسیده است. نتیجه: کمتر از یک‌سوم مصرف‌کننده‌ها مستقیم به خود شرکت بازخورد می‌دهند. تازه، نسبت به ۲۰۲۱ احتمال اینکه بعد از یک تجربه‌ی بد اصلاً حرفی بزنند ۸ واحد کمتر شده است.

پس نظرسنجی شما صدای کسانی را می‌شنود که حوصله‌ی پر کردن فرم داشته‌اند.

البته از سکوت بقیه نمی‌شود نتیجه گرفت که راضی‌اند، یا اینکه برند را ترک کرده‌اند. بعضی واقعاً حرفی برای گفتن ندارند. بعضی حرفشان را جای دیگری می‌زنند. بعضی هم بی‌سروصدا کمتر خرید می‌کنند، و همین گروه آخر است که گران تمام می‌شود. مطالعه‌ی جهانی XM Institute نشان می‌دهد بیش از نیمی از تجربه‌های منفی به کم کردن یا قطع خرید از همان برند می‌رسد. به حساب همین مطالعه، شرکت‌ها به‌طور میانگین ۶٫۱ درصد درآمدشان را به‌خاطر تجربه‌ی بد مشتری در خطر دارند.

بخشی از کسانی که حرف می‌زنند، در شبکه‌های اجتماعی حرف می‌زنند و منتظر جواب هم می‌مانند. در شاخص ۲۰۲۵ Sprout Social، ۷۳ درصد پاسخ‌دهنده‌ها گفته‌اند اگر برندی در شبکه‌های اجتماعی جوابشان را ندهد، از رقیبش خرید می‌کنند. این عدد را با احتیاط بخوانید. پاسخ‌دهنده‌ها ۴٬۰۴۴ نفر در آمریکا، بریتانیا، کانادا و استرالیا بوده‌اند که هرکدام دست‌کم پنج برند را در شبکه‌های اجتماعی دنبال می‌کنند؛ یعنی کاربرهای فعال، نه همه‌ی مردم. عدد هم از قصد آن‌ها می‌گوید، نه از خریدی که واقعاً انجام داده‌اند. پس نمی‌شود عیناً به بازار ایران تعمیمش داد. ولی اگر یک بار دیده باشید یک شکایت ساده در توییتر فارسی چطور دست‌به‌دست می‌شود، منطقش برایتان آشناست.

احساس کلی برند می‌تواند گمراهتان کند

برگردیم به فروشگاه لوازم خانگی. مدیر بازاریابی هر هفته یک عدد را نگاه می‌کرد: از همه‌ی پست‌ها و توییت‌هایی که درباره‌ی برند منتشر شده، چند درصدش منفی بوده. این عدد در کل ماه بین ۱۳ تا ۱۵ درصد ماند. به نظر می‌رسید همه‌چیز آرام است.

اما همان ماه جشنواره‌ی تخفیف داشتند. صدها پست مثبت درباره‌ی قیمت‌ها منتشر شد و تعداد کل منشن‌ها بیش از دو برابر شد. وقتی حجم حرف‌ها این‌قدر بالا برود، چند ده شکایت درباره‌ی نصب لابه‌لایش گم می‌شود و درصد کل را تکان نمی‌دهد.

سهم منفی حرف‌های مربوط به نصب در چهار هفته از ۱۵ به ۵۰ درصد رسیده. یعنی در هفته‌ی آخر، از هر دو نفری که درباره‌ی نصب حرف زده‌اند، یکی ناراضی بوده. عددهای هفته‌ی اول و آخر به تفکیک موضوع:

داده‌ی فرضی برای نمایش.

ردیف آخر را ببینید. درست همان هفته‌ای که نارضایتی از نصب به اوج رسید، سهم منفی کل برند حتی کمی پایین آمد.

تیمی که فقط عدد کلی را نگاه می‌کند، احتمالاً وقتی خبردار می‌شود که ماجرا به سایت‌های خبری رسیده است.

چطور با تحلیل احساسات مشتری، تجربه مشتری را بهتر کنیم؟

یک بار تحلیل کردن کافی نیست؛ این کار باید مثل یک چرخه مدام تکرار شود. چرخه را روی همان فروشگاه اجرا می‌کنیم:

جمع‌آوری محتوا و برچسب زدن احساس را سرویس‌های سوشال لیسنینگ برای منابعی که پایش می‌کنند انجام می‌دهند. اینکه حرف‌ها به چه موضوع‌هایی تقسیم شوند و کدام موضوع زودتر رسیدگی شود، معمولاً هنوز تصمیم تیم شماست. درست کردن ریشه‌ی مشکل و اندازه گرفتن نتیجه هم کار خود تیم است.

کدام سیگنال‌ها را باید جدی گرفت؟

همه‌ی حرف‌های منفی یک وزن ندارند. این چهار الگو بیشتر از بقیه ارزش دارد که رویشان مکث کنید:

ردیف دوم از همه خطرناک‌تر است، چون سروصدا ندارد. ماجرای نصاب‌ها هم دقیقاً از همین جنس بود. ردیف سوم را هم دست‌کم نگیرید. جمله‌هایی مثل «قبلاً دوستش داشتم»، یا لحنی که کم‌کم از ذوق به بی‌تفاوتی و بعد به گلایه می‌رسد، معمولاً یعنی مشتری هنوز نرفته ولی دارد می‌رود. تیم پشتیبانی هم از همین سیگنال‌ها سود می‌برد: گفتگوهای پرتنش را می‌شود زودتر به کارشناس باتجربه‌تر سپرد.

دامینوز و انتقادی که خودش بلندش کرد

اواخر دهه‌ی ۲۰۰۰، دامینوز گرفتاری جدی‌ای داشت. سال‌ها تمرکز روی سرعت تحویل، اعتبار طعم پیتزایش را از بین برده بود.

آن روزها خبری از ابزارهای امروزی تحلیل احساسات نبود. این کیس درباره‌ی ابزار نیست، درباره‌ی کاری است که بعد از شنیدن باید کرد. طبق کیس‌استادی WARC، استراتژی دامینوز این بود که انتقاد را دعوت کند و حتی بلندتر پخشش کند. انتقادها را شنید، دستور پیتزا را از نو ساخت و ۲۷ دسامبر ۲۰۰۹ در آمریکا کمپینی راه انداخت که همان انتقادها وسطش بود. فروش فروشگاه‌های ثابتش نسبت به سال قبل بیش از ۱۴ درصد بالا رفت و WARC آن را بزرگ‌ترین رشد فصلی فروش در تاریخ فست‌فود ثبت کرده است.

دامینوز هم همان ترتیبی را رفت که در قدم‌های بالا دیدیم: اول محصول را عوض کرد، بعد درباره‌اش حرف زد.

تحلیل احساسات کجا اشتباه می‌کند؟

هیچ مدلی صددرصد دقیق نیست و طعنه و ظرافت‌های زبانی نقطه‌ضعف شناخته‌شده‌ی این ابزارهاست. در فارسی این مشکل پررنگ‌تر هم می‌شود. جمله‌ای مثل «دمتون گرم، سه هفته‌ست منتظر نصابم» پر از کلمه‌ی مثبت است، ولی معنایش کاملاً منفی است. زبان محاوره، فینگلیش، شوخی و کنایه هم کار مدل را سخت‌تر می‌کنند.

برای همین خوب است گاهی خروجی را محک بزنید. این بررسی به زمان زیادی نیاز ندارد. اگر ابزار هر هفته چند هزار محتوا را برچسب می‌زند، کافی است یک نفر چند ده نمونه را به‌صورت تصادفی بررسی کند و ببیند برچسب‌ها با برداشت خودش جور درمی‌آید یا نه. جمع‌آوری، برچسب زدن و نشان دادن روند کار ابزار است. این چند دقیقه بازبینی فقط برای این است که بدانید عددها روی متن‌های حوزه‌ی شما چقدر درست درمی‌آیند. اگر خطاها کم و پراکنده بود، با خیال راحت به روندها تکیه کنید. اگر روی یک موضوع یا یک جور جمله جمع شده بود، روند همان موضوع را با احتیاط بخوانید. برای تصمیم‌های بزرگ هم همیشه سری به خود محتوا بزنید.

جمع‌بندی

نظرسنجی فقط صدای کسانی را می‌شنود که حوصله‌ی فرم دارند، و احساس کلی برند می‌تواند یک موضوع داغ را لای میانگین پنهان کند. فروشگاه لوازم خانگیِ این سناریو وقتی مشکل را پیدا کرد که تحلیل احساسات را کنار تحلیل محتوا گذاشت. وقتی هم حلش کرد که روی پرتکرارترین و تلخ‌ترین موضوع ماند و بعد از اصلاح دوباره اندازه گرفت. قدم اول برای شما: همین هفته منشن‌های یک ماه گذشته‌ی برندتان را بر اساس موضوع دسته کنید و ببینید سهم منفی کدام موضوع روند افزایشی دارد.

سوالات متداول

تحلیل احساسات مشتری جای نظرسنجی NPS و CSAT را می‌گیرد؟

نه. NPS و CSAT برای مقایسه در طول زمان خوب‌اند. تحلیل احساسات توضیح می‌دهد چرا عددها عوض شده‌اند و مشکل را زودتر و در کانال‌های بیشتری پیدا می‌کند.

تحلیل احساسات روی متن فارسی چقدر قابل اعتماد است؟

به کیفیت داده و دقت مدل روی متن فارسی بستگی دارد. برای دیدن روندها مفید است، به شرطی که هر از گاهی نمونه‌ای از خروجی‌ها را بخوانید. در طعنه، زبان محاوره و فینگلیش خطا بیشتر است، پس برای تصمیم‌های مهم خود محتوا را هم ببینید.

تحلیل محتوا و تحلیل احساسات چه فرقی دارند؟

تحلیل احساسات می‌گوید لحن حرف‌ها مثبت است یا منفی. تحلیل محتوا می‌گوید حرف‌ها درباره‌ی چیست. برای بهتر کردن تجربه‌ی مشتری به هر دو نیاز دارید.

کسب‌وکار کوچک هم به تحلیل احساسات نیاز دارد؟

اگر مشتری‌هایتان در شبکه‌های اجتماعی درباره‌تان حرف می‌زنند، بله. در کسب‌وکار کوچک، از دست دادن چند مشتری وفادار سهم بزرگ‌تری از درآمد را با خودش می‌برد.

منابع

1. How Can Sentiment Analysis Be Used to Improve Customer Experience — Brand24
2. Bad Experiences 2025 — Qualtrics XM Institute
3. Sprout Social Index 2025 — GlobeNewswire