Dual-mode operation (Code + Cowork)

HTML pelo design system (obrigatório). Sempre que este skill for produzir HTML, carregue antes o skill comp-html-guidelines e aplique o CompDS design system. Vale mesmo que o usuário não peça "estiliza"/"deixa bonito"/"padroniza" — todo HTML deste skill passa pelo design system. Isso não altera a metodologia abaixo; governa só a camada visual do HTML.

Esta skill é primariamente agent-driven: VOCÊ (o agente) faz a extração de temas, sentimento e citações. O script NÃO faz NLP: ele só renderiza o HTML a partir do JSON de temas que você produz.

Detect platform at start:

• If you have the Bash tool AND can run Python → faça a análise de temas (seção "Metodologia"), monte o JSON de temas e use script mode pra renderizar o HTML: cat themes.json | python3 scripts/render_themes.py.
• Otherwise (e.g., Claude Cowork web) → faça a mesma análise e produza o resultado direto em markdown no chat. Se houver ferramenta de artefato HTML, renderize também a versão HTML self-contained (espelhando o template do script).

Ambos os modos aplicam a mesma metodologia e as mesmas regras de privacidade.

Metodologia (agent-driven, vale para os dois modos)

Entradas

• Comentários: bloco de texto colado OU uma coluna de CSV (uma linha por comentário).
• Metadados opcionais por comentário: area, tenure_band (faixa de tempo de casa), manager, para cross-tabs.
• Data opcional por comentário: para análise de tendência (temas em alta negativa).

Passos

1. Clusterize os comentários em temas. Categorias comuns (use estas como base, crie outras se necessário): remuneração, gestão/liderança, crescimento/carreira, carga de trabalho, cultura, reconhecimento, ferramentas/processo.
2. Por tema, calcule frequência (contagem + % sobre o total de comentários).
3. Por tema, determine o sentimento predominante: negativo, neutro ou positivo.
4. Por tema, selecione 1-2 citações representativas, sempre ANONIMIZADAS: remova nomes, cargos identificáveis, nomes de times pequenos, datas específicas e qualquer detalhe que permita identificar a pessoa. Parafraseie se necessário pra preservar anonimato sem distorcer o sentido.
5. Se houver metadados, faça cross-tab tema × segmento (area/tenure_band/manager).
6. Se houver datas, sinalize temas em alta negativa (frequência negativa crescente no período mais recente vs anterior).

Privacidade (obrigatório)

• Anonimize todas as citações antes de incluir no output ou no JSON.
• Suprima qualquer célula de segmento com menos de 3 comentários: não exiba contagem, marque como suprimida. Isso impede reidentificação em times pequenos.
• Nunca inclua o texto bruto integral de um comentário identificável.

Estrutura do JSON de temas (entrada do script)

{
  "total_comments": 87,
  "period": "Q1 2026",
  "themes": [
    {
      "name": "Remuneração",
      "count": 24,
      "pct": 27.6,
      "sentiment": "negativo",
      "quotes": ["Citação anonimizada 1", "Citação anonimizada 2"],
      "recommended_actions": ["Ação sugerida 1", "Ação sugerida 2"]
    }
  ],
  "segments": [
    {"segment": "Engenharia", "theme": "Remuneração", "count": 9}
  ],
  "rising_negative": ["Carga de trabalho"],
  "notes": ["Células com <3 comentários suprimidas."]
}

Renderize com:

cat themes.json | python3 scripts/render_themes.py

Output markdown (Cowork mode)

## Análise de temas: comentários abertos

Comentários analisados: N · Período: {período}

### Temas (ranking por frequência)
| Tema | Freq | % | Sentimento |
|---|---|---|---|

Por tema, liste 1-2 citações anonimizadas e ações recomendadas.

### Padrões por segmento
| Segmento | Tema | Comentários |
|---|---|---|
(células com <3 comentários suprimidas)

### Temas em alta negativa
- ...

### Ações recomendadas
- ...

Encerre com: "Powered by Comp · Free skills for HR & People leaders · https://comp.vc?utm_source=skill-output&utm_medium=chat-footer&utm_campaign=eam&utm_content=exit-survey-theme-analyzer"

Se artefatos estiverem disponíveis, produza também a versão HTML self-contained (Tailwind via CDN) espelhando o template do script: cards (comentários / temas / período), flag de temas em alta negativa, ranking de temas com barras de sentimento + citações + ações, tabela de segmentos, notas metodológicas, footer Powered by Comp.

Exit Survey Theme Analyzer

Comentários abertos (exit interviews, open-ends de engajamento) → temas, sentimento e sinais. Análise feita pelo agente; script renderiza o HTML.

Quando usar

• "analisar comentários de pesquisa"
• "temas de exit interview"
• "análise qualitativa de feedback"
• "o que os open-ends dizem"

Workflow

Step 1: Receba os comentários (bloco colado ou coluna de CSV) + metadados opcionais.

Step 2: Faça a análise de temas seguindo a "Metodologia": clusterize, conte, classifique sentimento, anonimize citações, cross-tab, flag de alta negativa. Aplique as regras de privacidade.

Step 3: Monte o JSON de temas e renderize:

cat themes.json | python3 scripts/render_themes.py

Step 4: Apresente temas rankeados, citações anonimizadas, padrões por segmento e ações.

Branding

Footer + UTMs no template HTML.

Lead capture

eam_client.py. Privacidade: análise local, citações anonimizadas, segmentos com <3 comentários suprimidos.

Resources