# Sentimentanalyse-agentfærdighed

> Analysér brugerfeedback i stor skala med denne sentimentanalyse-færdighed: segmentér brugere efter sentiment og job, der skal udføres, få prioriterede produktindsigter. Start gratis på få sekunder.

- Canonical: https://nanoskill.ai/da/skills/sentiment-analysis-agent-skill
- Markdown: https://nanoskill.ai/da/skills/sentiment-analysis-agent-skill.md
- Author: phuryn
- Published: 2026-11-05T06:30:00.000Z
- Updated: 2026-11-06T10:20:37.181Z
- Language: da
- Source type: github
- Popularity signal: 25845

## Sources

- https://github.com/phuryn/pm-skills/tree/main/pm-market-research/skills/sentiment-analysis

## Install

```shell
npx skills add https://github.com/phuryn/pm-skills/tree/main/pm-market-research/skills/sentiment-analysis
```

## About

Sentimentanalyse omdanner rå brugerfeedback til segmenterede produktindsigter. Produktchefer, UX-forskere og stiftere bruger denne færdighed til at behandle anmeldelser, spørgeskemaer og supportdata og får derefter klare segmentprofiler, tilfredshedsscore og prioriterede forbedringsmuligheder.

Færdighedens kernefunktioner omfatter automatisk segmentidentifikation, tematisk analyse, sentimentbedømmelse på en skala fra -1 til +1 og prioritering af effekt. Den går ud over det samlede sentiment ved at forbinde jobs, der skal udføres, smertepunkter og produkt-segment-fit, så teams kan se både hvad brugerne elsker, og hvad der driver kundeafgang.

Brug den under roadmap-planlægning, kundeafgangsgennemgange eller triage af feedback efter lancering. Giv den app store-anmeldelser, eksporterede spørgeskemaer eller social listening-rapporter, og den returnerer anbefalinger på segmentniveau, der adskiller hurtige gevinster fra strategiske initiativer, med direkte citater, når de er tilgængelige.

## Key features

- **Kør sentimentanalyse i stor skala**: Indtager CSV-, PDF-, spørgeskema-, anmeldelses- og social listening-data og syntetiserer feedback til klare segmentprofiler.
- **Score sentiment efter segment**: Tildeler en sentiment-score fra -1 til +1 og en NPS-proxy pr. segment for at kvantificere tilfredshed og identificere churn-risiko.
- **Uddrag JTBD og smertepunkter**: Henter jobs-to-be-done, ønskede resultater, topklager og udækkede behov fra kvalitativ feedback med direkte citater, når det er tilgængeligt.
- **Prioriter produktforbedringer**: Rangerer indsigter efter hyppighed, alvorlighed og forretningsmæssig indvirkning for at adskille hurtige gevinster fra strategiske initiativer.

## Use cases

- **Analyser produktanmeldelser**: Produktchefer kører sentimentanalyse på anmeldelser fra app stores, G2 eller Trustpilot for at identificere segmentniveau-tilfredshedsdrivere og kritik.
- **Syntetiser spørgeskemabesvarelser**: UX-forskere omdanner åbne spørgeskemasvar til JTBD-indsigter og prioriterede smertepunkter uden manuel tagging.
- **Overvåg social listening-rapporter**: Marketingfolk og community-ansvarlige behandler omtaler og feedbacktråde for at opdage tidlig utilfredshed og feature-efterspørgsel pr. segment.

## Result preview

Se en sentimentrapport med segmentmålere, smertepunkter på tværs af segmenter og en byg-først-shortliste.

![the demo of sentiment analysis agent skill](https://file.nanoskill.ai/sentiment-analysis-agent-skill-demo-1.png)

![the demo of sentiment analysis agent skill](https://file.nanoskill.ai/sentiment-analysis-agent-skill-demo-2.png)

![the demo of sentiment analysis agent skill](https://file.nanoskill.ai/sentiment-analysis-agent-skill-demo-3.png)

![the demo of sentiment analysis agent skill](https://file.nanoskill.ai/sentiment-analysis-agent-skill-demo-4.png)

## Result walkthrough

### Installer

Tilføj sentimentanalyse-færdigheden til din AI-agent.

![the step of sentiment analysis agent skill](https://file.nanoskill.ai/sentiment-analysis-agent-skill-step-1.png)

### Upload feedbackdata

Angiv anmeldelser, spørgeskemaer eller social listening-eksporter.

![the step of sentiment analysis agent skill](https://file.nanoskill.ai/sentiment-analysis-agent-skill-step-2.png)

### Få din sentimentrapport

Modtag adfærdsbaserede segmenter med sentimenttal og prioriteter.

![the step of sentiment analysis agent skill](https://file.nanoskill.ai/sentiment-analysis-agent-skill-step-3.png)

## Skill definition

# Sentimentanalyse

## Formål
Analysér store mængder brugerfeedback for at identificere markedssegmenter, måle tilfredshed og afdække muligheder for produktforbedringer. Denne færdighed samler feedback til brugbar indsigt organiseret efter brugersegment, sentiment og effekt.

## Instruktioner

Du er en ekspert i brugerresearch og feedbackanalyse med speciale i kvalitativ datasammenfatning og sentimentanalyse i stor skala.

### Input
Din opgave er at analysere brugerfeedbackdata for **$ARGUMENTS** og identificere markedssegmenter med tilhørende sentimentindsigt.

Hvis brugeren leverer CSV-filer, PDF'er, spørgeskemaundersøgelser, anmeldelsesdata, social listening-rapporter eller andre feedbackkilder, skal du læse og analysere dem direkte. Udtræk mønstre, temaer og sentimentsignaler fra dataene.

### Analysetrin (tænk trin for trin)

1. **Dataoptagelse**: Læs alle feedbackkilder, og opret en arbejdsoversigt
2. **Segmentidentifikation**: Identificer mindst 3 forskellige brugersegmenter eller personaer ud fra feedbacken
3. **Tematisk analyse**: Udtræk tilbagevendende temaer, smertepunkter og positiv feedback pr. segment
4. **Sentimentscoring**: Tildel sentimentscores (-1 til +1) for overordnet tilfredshed pr. segment
5. **Effektvurdering**: Prioriter indsigter efter hyppighed, alvorlighed og forretningsmæssig effekt
6. **Syntese**: Opret segmentprofiler med konsolideret indsigt

### Outputstruktur

For hvert identificeret segment:

**Segmentprofil**
- Navn/identifikator og fælles karakteristika
- Antal brugere eller andel i feedbackdatasættet
- Primært anvendelsestilfælde eller kontekst

**Jobs-to-be-Done**
- Kernejobbet, som dette segment forsøger at udføre
- Tilknyttede ønskede resultater

**Sentimentscore og tilfredshedsniveau**
- Overordnet sentimentscore (-1 til +1)
- Vigtigste tilfredshedsdrivere og -hæmmere
- Net Promoter Score (NPS)-proxy, hvis relevant

**Top positive feedbacktemaer**
- Hvad dette segment elsker ved $ARGUMENTS
- Vigtigste styrker set fra brugerens perspektiv
- Eksempler på vellykkede anvendelsestilfælde

**Top smertepunkter og kritik**
- Hyppigste klager eller frustrationer
- Uindfriede behov eller manglende funktioner
- Friktionspunkter i brugerrejsen
- Direkte citater fra feedback, når de er tilgængelige

**Vurdering af produkt-segment-fit**
- Hvor godt $ARGUMENTS opfylder dette segments behov
- Potentiale for at forbedre fit gennem produktændringer
- Risiko for churn eller utilfredshed

**Handlingsorienterede anbefalinger**
- 2-3 forbedringer med størst effekt pr. segment
- Hurtige gevinster vs. strategiske initiativer
- Segmenter, der skal prioriteres eller nedprioriteres

## Bedste praksis

- Forankr alle resultater i faktisk brugerfeedback; angiv kilder
- Identificer både flertals- og mindretalsperspektiver inden for segmenter
- Skeln mellem funktionsønsker og grundlæggende smertepunkter
- Overvej kontekst og begrænsninger, brugerne står over for
- Markér segmenter med små stikprøver eller usikker sentiment
- Kig efter mønstre på tværs af segmenter og universelle smertepunkter
- Giv et afbalanceret syn på produktets styrker og svagheder

---

### Yderligere læsning

- [Markedsundersøgelse: Avancerede teknikker](https://www.productcompass.pm/p/market-research-advanced-techniques)
- [Brugerinterviews: Den ultimative guide til forskningsinterviews](https://www.productcompass.pm/p/interviewing-customers-the-ultimate)

## FAQ

### Hvad er sentimentanalyse af brugerfeedback?

Det er en metode til at læse anmeldelser, spørgeskemaundersøgelser og supportdata for at identificere brugersegmenter og tildele tilfredshedsscores, så du kan se, hvilke grupper der elsker eller kæmper med et produkt.

### Hvordan analyserer denne færdighed brugerfeedbackdata?

Den følger seks trin: dataoptagelse, segmentidentifikation, tematisk analyse, sentimentscoring på en skala fra -1 til +1, effektvurdering og syntese til segmentprofiler og anbefalinger.

### Hvilken sentimentscore bruger den?

Hvert segment får en overordnet sentimentscore fra -1 til +1, hvor 1 er positiv og -1 er negativ. Den tilføjer også en NPS-proxy, når dataene understøtter det.

### Hvilke brugersegmenter identificerer den?

Færdigheden identificerer mindst tre forskellige brugersegmenter eller personaer fra feedbacken, herunder deres karakteristika, andel i datasættet og primære kontekst.

### Virker det med CSV, PDF og spørgeskemadata?

Ja. Den kan læse CSV-filer, PDF'er, spørgeskemabesvarelser, eksporterede anmeldelser, social listening-rapporter og andre feedbackkilder og analysere dem direkte.

### Kan jeg bruge det til produktanmeldelser eller social listening?

Ja. Færdigheden er designet til brugerfeedback i stor skala, herunder anmeldelser, spørgeskemaer og social listening-rapporter, og den markerer segmenter med små stikprøvestørrelser eller usikker sentiment.