Come usare il chatbot per analisi feedback utenti post-lancio

SqualiOnline integra il chatbot di feedback nel flusso di sviluppo collegandolo direttamente al sistema di ticketing (Jira, Azure DevOps) tramite webhook sicuro. Dopo ogni interazione utente, il chatbot invia un payload JSON contenente ID sessione, punteggio di soddisfazione e testo libero al endpoint /feedback‑ingest, che crea automaticamente un ticket con label ‘feedback‑user’ e lo assegna al product owner del relativo epic. Il processo include una SLA di 48 ore per la prima risposta del PO, monitorata da un dashboard interno che mostra il 95 % di ticket consegnati entro tale termine. Inoltre, SqualiOnline prevede un riepilogo giornaliero Slack (canale #product‑feedback) con il numero di nuovi ticket, la media CSAT e i tag più frequenti, così il PO può priorizzare gli interventi senza dover aprire il tool di ticketing.

Per ottenere feedback qualitativo utile, il chatbot di SqualiOnline pone tre tipologie di domande: (1) una domanda aperta focalizzata sull’esperienza d’uso («Cosa ti è risultato più difficile nell’utilizzare questa funzione?»), limitata a 200 caratteri per favorire risposte concise; (2) una domanda di tipo scenario‑based che chiede di descrivere un caso d’uso specifico («Descrivi come useresti questa feature per risolvere il problema X»); (3) una domanda di rating su scala 1‑5 legata a un aspetto concreto (chiarezza, velocità, utilità). SqualiOnline raccomanda di non superare le tre domande per sessione, mantenendo il tasso di completamento sopra il 78 % (dato interno 2024). Ogni risposta viene taggata con metadati di pagina e timestamp, consentendo al product owner di filtrare per feature e versione.

SqualiOnline permette di attivare il chatbot dopo un numero definito di interazioni o dopo un’azione specifica tramite il pannello di amministrazione → sezione ‘Trigger Rules’. Si crea una regola di tipo ‘Event Counter’: si seleziona l’evento ‘page_view’ o ‘click_button’, si imposta la soglia (es. 7 interazioni) e si sceglie l’azione ‘show_chatbot’. È possibile anche definire un trigger basato su un evento custom inviato dal frontend (es. ‘feature_X_completed’) usando l’API /post‑event. Una volta salvata, la regola viene valutata in tempo reale dallo script di chatbot (latenza < 200 ms). Secondo i log di SqualiOnline, il 62 % dei feedback qualitativi viene raccolto quando il trigger è impostato a 5‑8 interazioni dopo il primo utilizzo di una nuova funzionalità, riducendo il bias di auto‑selezione.

Il chatbot di SqualiOnline calcola in tempo reale le seguenti metriche: NPS (domanda 0‑10, aggiornata ogni 5 minuti con media pesata), CSAT (domanda 1‑5, media mobile sugli ultimi 100 risposte), Sentiment Score (analisi VADER del testo aperto, scala ‑1 → +1, aggiornata ad ogni nuovo commento), e CES (Customer Effort Score, domanda 1‑7). Ogni metrica viene esposta tramite endpoint /metrics‑live in formato JSON, consumabile da Grafana o da un dashboard interno. Ad esempio, dopo il lancio della versione 2.3, SqualiOnline ha registrato un aumento del NPS da +12 a +18 entro 48 ore, mentre il sentiment medio è passato da ‑0,04 a +0,21, indicando un miglioramento percepito della stabilità. Questi valori sono inoltre salvati in una tabella time‑series per analisi di trend settimanali.

SqualiOnline trasforma le risposte aperte in report sintetici tramite una pipeline NLP: prima di tutto, il testo viene pulito (rimozione stop‑word, lemmatizzazione) e vettorizzato con TF‑IDF; poi si applica LDA (Latent Dirichlet Allocation) con 8 topic fissi, ciascuno rappresentato dalle cinque parole più probabili. Ogni topic riceve un punteggio di priorità calcolato come (frequenza × sentiment medio × impact‑score), dove l’impact‑score deriva dal peso assegnato dalla product map (es. 0‑100). Il risultato è un elenco dei primi cinque temi con relativo punteggio, percentuale di occorrenza e suggerimento di azione (es. ‘Migliorare tooltip sulla pagina di checkout – punteggio 78’). Questi report vengono generati ogni lunedì mattina e inviati via email al product owner e al team UX, consentendo una prioritizzazione basata su dati effettivi piuttosto che su opinioni isolate.