用 AI 分析問卷與開放式回饋：從雜訊到行動洞察的完整教學

每次問卷收完，故事幾乎都一樣：選擇題的圓餅圖三分鐘做好貼進簡報，最後那欄「您還有什麼建議？」累積了五百則自由文字，沒人有空讀，於是被摺疊起來、永遠長灰塵。可是真正值錢的洞察，往往就藏在那欄沒人讀的文字裡。

這篇要解決的問題：教你用 AI 把問卷裡的開放式回饋——客戶的抱怨、員工的真心話、使用者的吐槽——從一堆雜訊變成可以拿去開會、排優先序、實際改善的洞察，而不是只會做幾張圓餅圖。 適合誰讀：行銷、客服、產品、HR、營運，以及任何手上有問卷、NPS、客訴或員工調查資料，卻卡在「文字太多讀不完」的人，沒有統計或程式背景也能跟上。 讀完你會得到：一套從清洗、編碼、主題與情緒分析到行動摘要的完整流程、可直接複製的 AI Prompt、一個台灣中小企業導入前後的真實對照，以及最容易讓結論失真的陷阱清單。

TL;DR：問卷分析的價值不在圓餅圖，在開放式回饋。用 AI 的正確姿勢是「先建編碼框架、分批套用、每個結論都要原句佐證、再跟量化題交叉比對」。最忌諱把幾百筆一次丟給 AI 喊一句「幫我分析」——那只會得到一段聽起來很順、其實是腦補的廢話。

免責聲明：本文 AI 分析流程為教學示範，AI 可能誤判語氣或捏造主題，分析結果應由你抽查驗證；涉及個資的問卷請先去識別化，並遵守個資法與公司資安規範。

為什麼問卷分析值得交給 AI？

先講清楚：不是所有問卷都需要 AI。純選擇題、評分題的問卷，試算表的樞紐分析就夠了。AI 真正能改變局面的，是開放式（自由文字）回饋這一塊——也就是傳統上最難、最花時間、因此最常被跳過的部分。

傳統做法有三個痛點。第一是量太大讀不完：五百則回饋，認真讀完歸類要一整天，於是多數人只隨手翻幾則、挑幾句順眼的貼進報告，剩下的當作沒看到。第二是分類靠感覺、前後不一致：今天把「太貴」歸到價格、明天同樣意思的句子卻歸到「不值得」，到最後統計不出可信的比例。第三是少數大聲蓋過多數：報告常被一兩則情緒激動的長文帶風向，真正普遍但講得平淡的問題反而被忽略。

AI 一次補上這三個洞：它能在幾分鐘內把五百則全部讀完並歸類、用同一套你審定的標準保持一致、還能客觀算出每個主題各有多少人提到。它不是取代你的判斷，而是把你從「逐筆苦讀」中解放出來，讓你專心做真正需要人腦的事——判斷分類合不合理、結論能不能推論、該優先處理哪一個。

如果你的問卷分析還想進一步自動化（每月固定收 NPS、定期匯出客訴），可以把這套流程接到 AI Workflow 自動化流程庫 與 自動化應用情境 裡，讓「匯出—分析—摘要」變成排程任務。

核心概念：質化分析的四個動作

問卷分析聽起來專業，拆開其實只有四個動作，每個動作都對應一個你必須做的判斷。把這張表看懂，後面的 Step 都只是執行細節。

這裡有個關鍵詞要記住：編碼框架（codebook）。它就是你這次分析的「分類規則手冊」，規定有哪些主題、每個主題收什麼樣的句子。整個分析品質的九成，取決於這個框架建得好不好。 框架對了，AI 套用起來又快又準；框架混亂，後面再漂亮的圖表都是沙上城堡。所以正確順序永遠是：先建框架、人工審定、再大量套用——絕不是把全部資料丟給 AI 喊「自己看著辦」。

實際做法：五個步驟把回饋變洞察

Step 1：清洗與結構化資料

垃圾進、垃圾出。動手分析前，先把資料整理乾淨。

把問卷平台（Google 表單、SurveyCake、Typeform 等）的結果匯出成試算表，確認格式是「每一列代表一份完整回覆、每一欄代表一道題目」。接著做三件事：移除測試資料與全空白的回覆；把開放式題目單獨複製到一個工作表（量化題之後再交叉用）；移除或遮蔽個資欄位（姓名、電話、Email、訂單編號），改用編號代替。

然後把這批開放式回饋貼給 AI，請它幫你做初步體檢——標出哪些是亂填（「呵呵」「123」「不知道」）、哪些重複、哪些其實一句話包含好幾個意見需要拆開。這一步花十分鐘，能省掉後面一堆髒資料造成的錯誤統計。需要更系統的資料清洗手法，可參考 AI 資料分析教學。

Step 2：建立編碼框架（最關鍵的一步）

不要一開始就叫 AI 分析全部。先從你的開放式回饋裡抽一批樣本（例如 30 到 50 筆，或全部的一到兩成），請 AI 從中歸納出 5 到 10 個主題類別，每個類別給一個清楚名稱與一句定義。

拿到草稿後，由你來審定：類別會不會太細或太粗？有沒有兩個其實是同一件事該合併？有沒有重要面向被漏掉？是否需要一個「其他」收容雜項？這一步千萬別偷懶交給 AI 全權決定——你對業務的理解，是 AI 沒有的。審定後的這份清單，就是你接下來要嚴格遵守的編碼框架。

Step 3：主題與情緒分析

框架定了，才開始套用到全部資料。分批處理（每批 30 到 50 筆），請 AI 把每一筆回饋分到框架裡的主題，同時標註情緒（正面／負面／中性）與強度（強／中／弱）。

最重要的要求：每個主題都要附上幾則代表性原句，而且要逐字引用、不准改寫。這是你日後抽查與說服別人的證據。全部跑完後，請 AI 統計每個主題的出現次數與比例，以及各主題的情緒分布——你會立刻看到「哪個問題最多人提」以及「哪個問題大家最氣」。

Step 4：交叉比對量化題

這一步把質化和量化縫在一起，是讓老闆信服的關鍵。

把開放式洞察跟選擇題、評分題對起來看：NPS 給 0 到 6 分（貶低者）的人，他們的文字回饋集中在哪幾個主題？某個年齡層或某條產品線的客戶，抱怨的點是不是特別不一樣？把「分數」和「原因」連起來，你就能回答主管最愛問的那句——「所以分數低到底是為什麼？」這種把意見對回客群的做法，跟 AI 行銷受眾分群 的思路一脈相承。

Step 5：產出行動摘要

分析的終點不是一份圖表，是一個決定。請 AI 把所有結果濃縮成一頁主管摘要，結構固定：前三大問題（依「人數 × 嚴重度」排序）、每個問題的影響範圍、一到兩則代表原句當佐證、以及一句具體建議。

關鍵原則：每個發現後面都要接一個行動。不是「23% 的人提到等待時間太長」，而是「23% 的人抱怨等待時間太長（附原句），建議優先檢討尖峰時段人力排班」。發現不接行動，報告就只是數字堆。你也可以用 Prompt 產生器 快速生出不同版本的摘要語氣（給老闆／給團隊）。

可複製的 Prompt 範本

以下兩段 Prompt 對應流程最關鍵的兩步：建框架、套框架。實際使用時把方括號內容換成你的資料與情境。

第一段，建立編碼框架（搭配 Step 2）：

你是一位專業的質化研究分析師。以下是一份[問卷主題，例如：餐廳顧客滿意度]問卷中「開放式建議題」的部分樣本回覆（共 [N] 筆）。

任務：歸納出 5 到 10 個主題類別，作為後續分類用的編碼框架。

要求：
1. 每個類別給「簡短名稱」＋「一句定義」＋「2 則最具代表性的原句（逐字引用，不要改寫）」。
2. 類別之間盡量互斥，涵蓋大多數回覆；零星意見歸入「其他」。
3. 不要分析全部，只根據以下樣本歸納框架。
4. 最後用一句話說明：你判斷哪一兩個主題可能最值得後續關注，以及理由。

樣本回覆：
[貼上 30-50 筆回覆]

第二段，套用框架做主題與情緒分析（搭配 Step 3）：

沿用以下我已審定的編碼框架，對接下來這批回覆逐筆分類。

編碼框架：
[貼上你審定後的主題清單與定義]

對每一筆回覆，輸出表格欄位：
編號｜原句（逐字）｜所屬主題｜情緒(正/負/中)｜強度(強/中/弱)

規則：
1. 一筆若含多個主題，可拆成多列，但原句須照實對應。
2. 嚴禁歸納框架以外的新主題；真的放不進去就標「其他」並註明原因。
3. 遇到反諷、客套或語意模糊的句子，在最後一欄加註「需人工覆核」。
4. 全部跑完後，統計各主題的筆數、比例與情緒分布。

回饋資料：
[貼上 30-50 筆回覆]

把這兩段存進你常用的 AI 工具庫 或 Prompt 食譜 收藏起來，每次問卷分析直接套，省下重寫指令的時間。

台灣中小企業案例：30 人手搖飲連鎖的季度問卷

「茶研所」（化名）是台灣中部一家有 8 間分店、約 30 名員工的手搖飲品牌。他們每季用 LINE 與 QR Code 收顧客滿意度問卷，每次回收約 600 份，其中最後一題「您希望我們改進什麼？」幾乎則則有人填，但行銷企劃小林過去只看得完選擇題，那 500 多則文字「每次都想看，每次都沒時間看」。

導入前：問卷分析全靠小林手工。她把選擇題做成圓餅圖約花半天，開放式回饋則隨手挑十幾則「看起來重要的」貼進報告。結果是季復一季，報告長得差不多，主管也漸漸不太認真看。最大的問題——「等候時間」其實在文字裡被反覆提到，卻因為從沒被系統性統計，公司一直以為大家最在意的是「甜度選項不夠」（因為那題剛好是選擇題、數字醒目）。

導入後：小林照本文流程操作。她先把 600 份回饋去識別化、抽 60 筆請 AI 建出 8 個主題的編碼框架，審定時把「太慢」和「排隊久」合併成「等候時間」、新增了「外送平台價格落差」這個她憑經驗知道很重要、但 AI 樣本沒抓到的類別。接著分批套用、跑情緒分析，最後交叉比對發現：給整體評分 3 分以下的客人，有近四成的文字都指向「等候時間」，遠多於甜度。

三個月後再收問卷，主打改善的兩家分店，「等候時間」相關負評比例明顯下降，整體評分也上升。小林說最大的改變不是省時間，而是「終於敢拍胸脯跟老闆說『客人最在意的是這個』，因為我手上有 600 則的統計和原句，不是憑感覺挑的那十幾則。」這正是質化分析從「裝飾」變成「決策依據」的轉折。想把這種「收集—分析—改善」做成固定循環，可參考 AI Workflow 自動化流程庫。

常見錯誤：六個讓結論失真的陷阱

錯誤一：全部一次丟給 AI 喊「幫我分析」。 這是頭號殺手。AI 會給你一段讀起來很順、其實是平均化＋腦補的空話，沒有出處、無法驗證。正解是先建框架、分批套用。

錯誤二：不要原句佐證。 沒有逐字引用的結論，等於放任 AI 自由發揮。永遠要求每個主題附原句，並親自抽查幾筆是否真的存在於資料中。

錯誤三：被少數長文帶風向。 一則情緒激動的千字長文，和一句「還不錯」在統計上都只算一票。盯著「多少人提到」這個比例，而不是「哪則寫得最激動」。

錯誤四：小樣本硬算精細百分比。 30 份回饋裡的「10%」只是 3 個人。樣本少時改用「多數提到」「有幾位反映」，別假裝有統計代表性。

錯誤五：完全相信情緒分數。 台灣人的「還好啦」「也是可以啦」常是婉轉的不滿。請 AI 標情緒時附理由，反諷與客套句一律人工覆核。

錯誤六：只分析、不行動。 報告做完歸檔、下季再做一份一模一樣的，是最大的浪費。每個發現都要接行動與負責人，否則整套流程沒有意義。

結論：別讓最值錢的那一欄繼續長灰塵

問卷裡真正的金礦，從來不是選擇題的圓餅圖，而是那欄沒人有空讀的開放式回饋。過去因為「量太大、讀不完、分類不一致」，這座金礦被放著爛掉；現在 AI 把這三個障礙一次清掉，讓任何沒有統計背景的人，也能在兩小時內把幾百則文字變成有憑有據的洞察。

但工具不會替你思考。記住這篇的核心紀律：先建框架、分批套用、原句佐證、量化交叉、發現接行動。守住這五點，AI 就是你最快的研究助理；少了這五點，它只會生出一段聽起來很對、其實沒人能驗證的廢話。

下一份問卷收完，別再只做圓餅圖了。打開那欄被你冷落已久的自由文字，照著本文流程跑一遍——你很可能會發現，客戶其實已經把答案寫在那裡很久了，只是過去沒人聽見。想把這套方法延伸到 A/B 測試與更廣的數據決策，接著讀 用 AI 規劃 A/B 測試 與 AI 資料分析教學。

常見問題 FAQ

延伸閱讀

• AI 資料分析教學：從雜亂數據到洞察
• 用 AI 規劃 A/B 測試：假設、樣本與判讀
• AI 行銷應用：從受眾分群到成效
• AI Workflow 自動化流程庫
• Prompt 產生器：上百種任務填空即生