Analiza opinii i recenzji klientów

Problem

• Masz 200+ opinii w sklepie, na Ceneo, w Google
• Nie masz czasu czytać wszystkich
• Nie wiesz co naprawdę myślą klienci
• Powtarzające się problemy są niewidoczne w masie danych
• Decyzje biznesowe podejmujesz na czuja

Czy AI to ogarnie?

Co dokładnie robi AI

1. Zbiera opinie z różnych źródeł (sklep, Ceneo, Google, Allegro)
2. Klasyfikuje sentiment: pozytywny / neutralny / negatywny
3. Wyciąga główne tematy (dostawa, jakość, cena, obsługa)
4. Grupuje podobne problemy
5. Generuje raport z konkretnymi wnioskami
6. Opcjonalnie: śledzi zmiany w czasie (czy po zmianach jest lepiej)

Demo / Efekt

Input: 150 opinii z ostatniego miesiąca

Output AI (raport):

Podsumowanie opinii (styczeń 2025)

Ogólny sentiment: 78% pozytywny, 15% neutralny, 7% negatywny

Co klienci chwalą:

• Jakość produktów (wspomniane 45x): “świetna jakość”, “materiał premium”
• Szybka dostawa (38x): “przyszło w 2 dni”, “ekspresowa wysyłka”
• Obsługa klienta (22x): “pomocni”, “szybko odpowiedzieli”

Co klienci krytykują:

• Rozmiarówka (18x): “rozmiar M jak L”, “tabela rozmiarów nieprecyzyjna”
• Brak śledzenia przesyłki (12x): “nie wiem gdzie jest paczka”
• Opakowanie (8x): “produkt przyszedł pognieciony”

Rekomendacje:

1. Poprawić tabelę rozmiarów — dodać wymiary w cm
2. Zmienić kuriera lub dodać tracking w mailu
3. Wzmocnić opakowanie dla delikatnych produktów

Efekt końcowy

• Wiesz co klienci naprawdę myślą (nie zgadujesz)
• Masz konkretną listę rzeczy do poprawy
• Możesz śledzić trendy: czy po zmianach jest lepiej
• Marketing dostaje cytaty do testimoniali
• Produktowcy wiedzą które produkty mają problemy

Kluczowy fragment kodu

import anthropic

def analyze_reviews(reviews_list):
    client = anthropic.Anthropic()

    reviews_text = "\n---\n".join(reviews_list)

    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=2048,
        messages=[{
            "role": "user",
            "content": f"""
Przeanalizuj poniższe opinie klientów sklepu internetowego.

OPINIE:
{reviews_text}

Wygeneruj raport zawierający:
1. Ogólny sentiment (% pozytywnych/neutralnych/negatywnych)
2. Top 5 rzeczy które klienci chwalą (z liczbą wzmianek)
3. Top 5 problemów/skarg (z liczbą wzmianek)
4. 3 konkretne rekomendacje co poprawić

Bądź konkretny. Cytuj fragmenty opinii jako dowody.
"""
        }]
    )
    return response.content[0].text

# Użycie
reviews = fetch_reviews_from_db()  # lista stringów
report = analyze_reviews(reviews)
save_report(report, "raport-styczen-2025.md")

Wymagania techniczne

• Python 3.8+
• Klucz API do Claude lub GPT-4
• Dostęp do opinii (eksport z bazy, API Ceneo/Google)
• Opcjonalnie: cron do automatycznych raportów tygodniowych

Ryzyka

• Limit kontekstu — przy 1000+ opinii nie zmieścisz wszystkiego. Rozwiązanie: przetwarzaj w batchach po 100 i agreguj wyniki.
• Spam i fake reviews — AI nie odróżni fałszywych opinii. Filtruj podejrzane przed analizą.
• Kontekst produktu — opinie o różnych produktach mieszają się. Możesz analizować per produkt/kategoria.

Jak przenieść to na swój projekt

1. Eksportuj opinie z ostatnich 3 miesięcy
2. Oczyść dane (usuń duplikaty, puste)
3. Uruchom skrypt analizy
4. Przeczytaj raport i wyciągnij 3 akcje
5. Ustaw automatyczny raport co tydzień/miesiąc

Dla kogo to ma sens / Dla kogo nie

Ile to kosztuje w narzędziach SaaS