TapCub 正式上线:统计、分析、客服一个平台免费用
术语表

什么是客户情绪?有没有情绪模型都能衡量的方法

客户情绪是客户在和你沟通时、以及对你的感受。它和满意度、忠诚度的区别,手里已有的信号,情绪分析的原理,以及一个算例。

克洛伊·摩根 审核人 许安 又称 客户情绪分析 最后更新 2026 年 11 月 15 日 术语表

一句话回答

客户情绪是客户对一家公司、一个产品或一次沟通的感受:正面、负面、中性还是复杂,以及有多强烈。它是对话过程中会变化的过程信号,不同于对话结束后才给出的满意度评分这种结果信号。

公式: 低分占比 = 1 分和 2 分的评分 ÷ 全部评分(1–5 分制)

什么是客户情绪?

客户情绪(customer sentiment)是客户对一家公司、一个产品或一次沟通的感受:正面、负面、中性还是复杂,以及有多强烈。它体现在客户写的和说的内容里(聊天消息、评价、邮件、通话记录),也体现在他们的行为里(要求找人工、为同一个问题再来联系、聊到一半离开)。

真正有用的区分在情绪和满意度之间。情绪是过程信号:它在一次对话中不断变化,有时一条消息一个样,告诉你事情正在变糟,而且还来得及补救。满意度是结果信号:对话结束后给出的评分,告诉你事情最后怎么收场。一个客户可能一开始很生气,问题很快解决后打了 5 分;另一个客户全程客气,却因为问题始终没解决只打了 2 分。

这个区别决定了怎么去量。在动用情绪模型之前,先用手里已有的结构化信号:评分、要求转人工、同一个问题反复来问、等待过久。只有当会话多到人看不过来时,文本情绪模型才有价值。

「客户情绪分析」(customer sentiment analysis)通常指自动化的部分:用软件把文本标成正面、负面或中性。那是衡量情绪的一种方法,不是情绪本身的定义。

情绪、满意度和忠诚度有什么区别

客户情绪客户满意度(CSAT)忠诚度(如 NPS)
反映什么情绪及其方向,单次对话中或许多对话的整体一次沟通或一次购买的结果如何长期留下来、愿意推荐的程度
信号类型过程信号结果信号关系信号
怎么得到文本、语气和行为,由人或模型判读沟通结束后的评分题,常见 1–5 分问卷题,例如「你有多大可能把我们推荐给别人」,0–10 分
什么时候能拿到对话进行中结束之后,而且只来自愿意回答的人定期,来自一部分样本
常见用途发现正在变糟的对话,找出反复出现的不满按坐席、团队、周期评估服务质量追踪整体关系,比较不同人群

三者有重叠,但不能互相替代。满意度评分只来自主动作答的客户,会漏掉沉默的不满者;忠诚度分数变化慢,也说不出是哪次对话出了问题。情绪填的正是两者之间的空当,前提是你能可靠地量它。计算满意度分数可以用 CSAT 计算器;情绪和满意度在整体里的位置,见客户体验。

怎样衡量客户情绪

先从已经被记录成数字或事件的信号入手。它们成本低、含义清楚,还能覆盖那些从不打分的客户。

  • 对话后的评分。低分(1–5 分里的 1 分或 2 分)是最直接的负面信号。要追踪低分占比,而不只是平均分。
  • 要求转人工。机器人或知识库在回答时,访客打出「人工」「找客服」,就是在告诉你自动回答没起作用。
  • 重复联系。同一个客户几天内为同一个问题再来,或者已解决的对话被重新打开,说明头一次的回答没解决问题。这也是解决率和情绪总是一起变动的原因。
  • 等待。首次响应时间过长,是在线客服里最常见的不满来源之一。等待时间精确到秒,很容易和评分交叉对比。
  • 离开。坐席回复之前就关掉聊天,或者因为没人在线只能留言,是一种偏弱但很常见的负面信号。
  • 客户写了什么。「还是」「又」「第三次了」「离谱」这类词,以及全大写的消息。人工翻看一批对话,是最简单的情绪分析。

情绪分析是怎么做的

自动情绪分析给每段文本打一个标签或分数。常见的有两类方法:

  1. 基于词典和规则。每个词在词典里有一个极性分(「很棒」正面、「坏了」负面),再加上处理否定(「不太好」)、程度词(「非常」)和标点的规则。透明、快,但看不懂上下文。
  2. 机器学习分类器。用标注好的样本训练模型,让它学会哪些模式对应正面或负面文本。Pang、Lee 和 Vaithyanathan 2002 年用影评做的研究发现,标准分类器在情绪分类上的表现不如普通的主题分类,因为情绪依赖上下文、转折和反讽。现代语言模型做得更好,但这些难点依然存在。

输出通常是一个分数加一个强度。以 Google Cloud 的自然语言 API 为例,它返回 −1.0(负面)到 1.0(正面)的分数,外加单独的强度值;分数接近 0 既可能是中性文本,也可能是强烈的正负情绪混在一起,只有强度值能把两者分开。

比方法更要紧的是实际局限。客服对话很短,满是产品名,还常常夹杂多种语言;用评价数据训练的模型可能把「这下把 bug 干掉了」读成负面。而且情绪标签只能告诉你某次对话不顺,说不出原因。所以模型主要在量大、没人看得过来时才划算,它的输出也应该拿上面那些结构化信号来核对。

算例:低分对话有什么共同点

示例数据:一个客服团队一个月处理 400 个聊天会话。客户给其中 260 个打了分(65.0%),52 个是 1 分或 2 分,低分占比 52 ÷ 260 = 20.0%。要回答的问题是:低分对话有什么共同点?用的是一个已经记录下来的信号:客户等坐席头一条回复是否超过 5 分钟。

已评分的会话等待 > 5 分钟等待 ≤ 5 分钟合计
低分(1–2)312152
非低分(3–5)25183208
合计56204260
  • 低分会话中等待过久的占比:31 ÷ 52 = 59.6%。
  • 其他已评分会话中等待过久的占比:25 ÷ 208 = 12.0%。
  • 等待超过 5 分钟时的低分率:31 ÷ 56 = 55.4%;等待 5 分钟以内:21 ÷ 204 = 10.3%。

等待过久的会话有一半以上以低分收场,其余会话大约十个里一个。不用任何情绪模型,团队就找到了负面情绪的主要来源,以及可以动手的杠杆:高峰时段排班、设置说明等待时间的离开提示,或者为最常见的问题加一条知识库答案。剩下 21 个等待不长却打了低分的会话,数量少到可以逐条阅读;解释它们靠的是阅读,不是模型。

这就是核心观点落到数字上。一个月 52 条负面评分,一个人就能全部看完。等到每周有几千个会话、其中很多没打分时,文本情绪模型才开始物有所值;即便那时,它的标签也应该拿等待时间、重复联系这类信号来核对。

常见误区

  • 把平均分当成情绪。4.2 的平均分看不出低分是不是在增加。追踪低分占比,并去读那些对话。
  • 忽略不打分的人。算例里 400 个会话中有 140 个(35.0%)没有评分。对他们要用行为信号。
  • 还没读过对话就先买情绪模型。量小的时候,阅读更快,也能解释原因;模型只会贴标签。
  • 不核对就相信标签。抽样对比模型输出和人工判断,尤其是短消息、技术性消息和翻译过的消息。
  • 量了情绪却不行动。每一种负面模式都应该对应一个负责人和一项改动,比如排班、常用语或产品修复。措辞也有帮助,见共情话术。
  • 把不同渠道的情绪当成可以直接比较。人们在聊天、邮件和评价里的写法不同;每个渠道只和自己的历史比。

在 TapCub 里看客户情绪

TapCub 不做情绪分析:它不会给对话文本打分或贴标签。它提供的是算例里用到的那些结构化信号,而衡量情绪本来就该从这里开始。

  1. 看结果信号。客服 › 客服报表显示满意度:访客可以在会话解决后 24 小时内打 1 到 5 分,每条会话只能评一次,取平均并保留一位小数。旁边是会话数、解决率(已解决 ÷ 全部会话)和平均首次响应,同时显示中位数。
  2. 把评分和等待放在一起看。平均首次响应统计从会话开始到坐席头一次回复的秒数,不含 AI 的回复,所以可以把首次响应变长的周期或坐席,和满意度下降的周期对照起来看。算例里按 5 分钟拆分,来自逐条查看低分会话,不是现成报表。
  3. 去读低分会话。在客服 › 客服工作台里,「已解决」列表能看到每条会话的满意度,侧栏能看到这个访客过去的对话,同一个问题反复来问一眼就能看出来,不用另开工具。
  4. 数一数没人接待的访客。离线留言在报表里单独统计,不算进已解决;留言变多,说明有需求没碰上坐席。
  5. 看谁要求了人工。开启 AI 回复时,访客一要求人工,AI 就停下、对话交给坐席;这些转接值得翻一翻,找出没答到点上的自动回答。提高评分本身的方法见如何提升 CSAT。

如果需要自动的情绪标签,得用别的工具;TapCub 负责的是这些评分、时长,以及围绕它们的对话记录。

另见:CSAT 是什么意思?计算公式、算例和样本量。

另见:什么是用户反馈?类型、分析方法和算例。

资料来源

这个解释清楚吗?

我们会根据反馈修改和补充这篇内容。

克洛伊·摩根

增长策略顾问

关注获客渠道、激活与转化实验,将数据洞察转化为可执行的增长假设和评估方法。

常见问题

常见追问

大家看完定义后最常问的几个问题。

还有其他问题?

直接和 TapCub 团队聊聊——工作日通常几小时内回复。

客户情绪和客户满意度有什么区别?

情绪是客户在沟通进行中的感受,可能一条消息一个样,是过程信号;满意度是沟通结束后给出的评分,是结果信号。一个客户开头很生气,问题很快解决之后,照样可能给这次对话打 5 分。

怎样衡量客户情绪?

先用已经记录下来的信号:低分占比、要求转人工、同一问题重复联系、首次响应过长、回复之前就离开的访客,再人工翻看一批对话。只有量大到看不过来时才加文本情绪模型,并用这些信号核对它的标签。

什么是客户情绪分析?

就是自动给客户文本(聊天消息、评价、邮件)贴上正面、负面或中性的标签,通常带一个分数和一个强度。方法从「词表加规则」到机器学习模型都有。它在量大时最有用,遇到简短、技术性、带反讽或多语言的客服消息时容易出错。

TapCub 能做情绪分析吗?

不能。TapCub 不给对话文本打分或贴标签。它的客服报表提供情绪工作该起步的结构化信号:1 到 5 分的满意度、解决率、首次响应(平均值和中位数)、单独统计的离线留言,工作台里还能看到每个访客过去的对话。

在你自己的网站上看这个数字

加一行脚本就能开始,网站和 App 都能接,几分钟内就能看到第一批报表。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie