Butler Tray
Kundenfeedback-Analyse
format_list_numberedSchritte
  1. 1. Trigger auslösen
  2. 2. Feedback abrufen
  3. 3. Sentiment und Themen erkennen
  4. 4. Aggregation
  5. 5. Report erzeugen
  6. 6. Ablegen und eskalieren
reviews

Kundenfeedback-Analyse

Analysiert täglich eingehendes Kundenfeedback automatisch auf Sentiment und Themen, erstellt strukturierte Reports und eskaliert kritische Fälle.

Kundenfeedback-Analyse: Feedbackquellen sammeln, Sentiment + Themen clustern, Report erzeugen und kritische Fälle automatisch eskalieren.

Steckbrief

Trigger

Täglich 18:00 Uhr

Bereich

Marketing

Aktionen (high level)

Feedback abrufen → Sentiment/Themen → Report → speichern → Eskalation

Human-in-the-Loop

Kritische Fälle prüfen

Ziel

  • Kundenstimmung sichtbar machen — Statt einzelne Reviews zu lesen, gibt es jeden Abend eine strukturierte Übersicht über Sentiment-Verteilung und Top-Themen.
  • Probleme früh eskalieren — Kritische Feedbacks werden noch am gleichen Tag im Team-Chat ausgespielt, statt im Backlog zu versanden.
  • Themen für Produkt/Content ableiten — Wiederkehrende Themen (z. B. Feature-Wünsche, UX-Hürden) werden gezählt und stehen für Backlog-Priorisierung bereit.
  • Datenbasis statt Bauchgefühl — Sentiment-Verlauf und Themen-Trends machen Kundenstimmung über Wochen vergleichbar.

Voraussetzungen

  • Feedback-Sammlung-Tool (z. B. Typeform, Google Forms, Zendesk, Intercom, Review-Plattformen) — Liefert die Feedback-Einträge des Tages über API oder Export.
  • Projekt-Management-Tool (z. B. Asana, Trello, Monday, Notion) — Legt den Tages-Report als Task/Notiz ab, damit Team und Management ihn finden.
  • Team-Chat-Tool (z. B. Slack, Microsoft Teams, Discord) — Empfängt Eskalationen für negative oder kritische Fälle.
  • LLM-Zugang (z. B. OpenAI, Claude, Gemini) — Erkennt Sentiment und Themen pro Eintrag und erzeugt den strukturierten Report.
  • Wichtig: Definiere vorab, was bei euch „kritisch" bedeutet (z. B. negatives Sentiment + Dringlichkeit „Hoch" oder Erwähnung eines benannten Kunden) — sonst läuft die Eskalations-Queue über.

Workflow-Logik (Schritte)

  1. Trigger auslösen — Workflow startet täglich um 18:00 Uhr (oder gewünschte Uhrzeit) zeit-basiert.
  2. Feedback abrufen — Alle Einträge der letzten 24 h aus den verbundenen Feedbackquellen laden.
  3. Sentiment und Themen erkennen — LLM bewertet jeden Eintrag auf Sentiment (Positiv / Neutral / Negativ), Dringlichkeit (Niedrig / Mittel / Hoch / Kritisch) und identifiziert 1–3 Hauptthemen pro Eintrag.
  4. Aggregation — Sentiment-Verteilung in %, Top-5 Themen mit Häufigkeit, kritische Fälle als Liste, 2–3 positive Highlights, Trends gegenüber Vortagen.
  5. Report erzeugen — Zweites LLM erstellt strukturierten Tages-Report mit Executive Summary, Sentiment-Verteilung, Top-Themen, kritischen Feedbacks, positiven Highlights und 3–5 Handlungsempfehlungen.
  6. Ablegen und eskalieren — Report als Task/Notiz im PM-Tool speichern; bei kritischen Fällen Slack-/Teams-Eskalation mit Link zur Quelle und empfohlenem Follow-up.

Setup (Builder-Prompt)

Dieser Prompt muss im Workflow Builder des jeweiligen Tools eingegeben werden, das du für diesen Workflow einsetzt.
Baue einen Workflow, der täglich neues Kundenfeedback abruft, per KI Sentiment und Themen identifiziert, einen strukturierten Report erzeugt und kritische Fälle automatisch in Slack/Teams eskaliert (mit Link zur Quelle und empfohlenem Follow-up).

Testing

  • Test-Feedbacks vorbereiten — Lege 3–5 Test-Einträge im Feedback-Tool an (mindestens je ein positives, neutrales und negatives sowie einen klar kritischen Fall). Starte den Workflow manuell oder warte den Zeit-Trigger ab.
  • Was du prüfen solltest:
  • Abruf: Alle Einträge der letzten 24 h wurden korrekt geladen (Datumsfilter greift)
  • Sentiment-Genauigkeit: Stimmung und Dringlichkeit sind je Eintrag plausibel bewertet
  • Themen-Erkennung: Hauptthemen sind sinnvoll und für Produkt/Content nutzbar
  • Report-Qualität: Executive Summary, Verteilung, Top-Themen, kritische Fälle, Highlights und Empfehlungen sind vollständig
  • Eskalation und Ablage: Kritischer Test-Eintrag löst Slack-/Teams-Nachricht aus, Report liegt im PM-Tool
  • Erwartetes Ergebnis: Im PM-Tool liegt ein vollständiger, gut lesbarer Report; im Eskalations-Channel sind nur die wirklich kritischen Fälle gelandet, mit Link zur Quelle und Follow-up-Empfehlung.
  • Edge Cases: Ironie und Sarkasmus, mehrsprachiges Feedback, Feedback ohne klaren Inhalt („Top!", „Mist."), Feedback mit mehreren widersprüchlichen Themen, Tag ohne neue Einträge, sehr hohes Volumen (z. B. nach Newsletter-Aussand).

Go Live

  • Aktivieren, wenn alles funktioniert: Sentiment-Bewertungen sind bei Stichproben konsistent, der Report ist täglich pünktlich im PM-Tool und der Eskalations-Channel zeigt nur relevante Fälle ohne Alert-Fatigue.
  • Empfehlung Rollout: Starte mit einer Feedbackquelle (z. B. Typeform NPS) und einer konservativen Eskalationsschwelle. Nach 1–2 Wochen weitere Quellen ergänzen und Schwellen anhand der Stichproben nachjustieren. Definiere Ownership für die Eskalations-Queue, damit Fälle nicht liegen bleiben.
  • Erweiterungsmöglichkeiten: Wöchentlicher Trend-Report mit Sentiment-Entwicklung und Themen-Verschiebungen. Automatische Weiterleitung kritischer Fälle per E-Mail an die zuständigen Owner. Themen-Tagging direkt ins Produkt-Backlog (z. B. automatische Jira-Tickets für häufige Feature-Requests). CRM-Update bei stark negativem Feedback eines benannten Accounts.

Output

  • Strukturierter Tages-Report im PM-Tool (Executive Summary, Sentiment-Verteilung, Top-Themen, kritische Fälle, Highlights, 3–5 Handlungsempfehlungen)
  • Eskalations-Nachrichten im Team-Chat für negative/kritische Fälle inklusive Link zur Quelle und Follow-up-Empfehlung

Häufige Fehler

  • Ironie/Sarkasmus falsch klassifiziert: Beispiele im Prompt ergänzen und regelmäßig Stichproben prüfen
  • Eskalationsschwelle zu niedrig: Channel läuft mit Alarmen voll — Schwellen schärfen oder Mindest-Kombination (z. B. negativ + Dringlichkeit Hoch) erzwingen
  • Sprache nicht erkannt: Multi-Language-Erkennung vorab einbauen und Prompt auf die häufigsten Sprachen kalibrieren
  • Report unvollständig: JSON-Output von Sentiment-LLM bricht — Format-Beispiele im Prompt explizit machen und Validierung einbauen
  • PM-Tool-Ablage scheitert: API-Zugriff und Schreibrechte für das Ziel-Projekt prüfen

Screenshots

JSON / Export

kundenfeedback-analyse.jsonWorkflow JSON – Kundenfeedback-Analyse

So richtest du den Workflow ein

Du hast zwei Wege, um diesen Workflow in Langdock anzulegen — wähle den, der besser zu deinem Setup passt.

Weitere Workflows

account_treeWorkflow
live_help

Kunden-FAQ Selfservice

Analysiert Kundenanfragen automatisch, durchsucht FAQ-Datenbanken und sendet Self-Service-Antworten oder erstellt Support-Tickets basierend auf Lösungswahrscheinlichkeit.

account_treeWorkflow
alt_route

Support-Ticket-Kategorisierung und Routing

Kategorisiert, priorisiert und weist Support-Tickets automatisch dem zuständigen Team zu und sendet eine personalisierte Erstantwort an den Kunden.

account_treeWorkflow
support_agent

IT-Helpdesk Ticketbearbeitung

Kategorisiert neue IT-Support-Tickets automatisch, sucht passende Lösungen in der Knowledge Base und weist sie dem zuständigen Team zu.

account_treeWorkflow
quickreply

FAQ-basierte Antwort-Vorschläge

Generiert automatisch personalisierte Antwort-Drafts für Support-Tickets basierend auf einer FAQ-Datenbank.