电商用户评论数据分析｜E-commerce Consumer Feedback Analysis
基础信息
- Skill 名称：电商用户评论数据分析｜E-commerce Consumer Feedback Analysis
- 前置输入：批量化的用户评论数据
- 必填列：商品名、评论人、评价内容、混合时间规格列
- 输出组合：可筛选编辑 Excel 分析母表 + 可视化 HTML 完整分析报告
- 核心约束：所有结论仅依托原文，禁止主观脑补、编造诉求、放大低频反馈
触发条件
用户提供批量化的用户评论数据，并希望完成以下任一任务时使用本 skill：
- 对电商评论做全链路结构化分析
- 清洗评论数据并拆分时间、规格字段
- 生成可筛选编辑的 Excel 分析母表
- 生成可视化 HTML 评论分析报告
- 分析购买人群、需求场景、正面口碑、负面痛点、竞品参照物
- 为详情页卖点优化、产品迭代、内容种草、竞品对标或新品口碑调研提供评论证据
完整执行流程链路
严格按以下链路推进，不要跳步：
text原始评论导入 → 数据质量质检（输出质检表 + 确认规则） → 无效数据清洗过滤 → 字段标准化拆分 → 全量结构化打标分类 → 四大专项深度分析 → 双交付物输出
启动要求
开始前先检查用户是否提供批量化的用户评论数据。数据可以来自 Excel、CSV 或可转换为表格的批量评论数据。
必填列包括：
text商品名｜评论人｜评价内容｜混合时间规格列
混合时间规格列的常见格式：
textYYYY年XX月XX日已购：SKU规格文本
如果缺少必填列，不要直接进入分析。先指出缺失字段，并要求用户补齐或说明可替代字段。
如果用户只粘贴少量评论文本，不执行本 skill 的完整交付流程；应说明该 skill 的正式输入是批量化的用户评论数据，并请用户上传或提供可表格化的数据。
模块 1：数据质量质检
目标：先确认原始数据是否适合分析，固定输出《数据质量检查表》，并将质检表和排除规则交付用户确认。用户确认后，才进入清洗环节。
必统计指标
- 原始数据总行数，去除表头
- 有效评论数量，剔除空评论和默认评价
- 有效评论占比
字段完整性校验项
逐项检查：
- 商品名
- 评论人
- 评价内容
- 时间规格混合列
- 空白冗余列
- 缺失评分字段
评分字段不是必填列，但如果缺失，必须在质检表中标注“缺失评分字段”，后续不基于评分做情感判断。
无效评论判定标准
- 空评论：评价内容无任何文字
- 默认评价：包含“未填写评价内容”等系统占位文本
- 脏数据：混入其他商品、无关 SKU、跨品类评论
混合字段拆分规则
原始格式：
textYYYY年XX月XX日已购：SKU规格文本
拆分后新增两列：
text评论时间｜已购规格
如果部分单元格无法按规则拆分，保留原值，并在质检表中统计异常数量和示例。
固定输出：《数据质量检查表》
字段建议：
text检查项｜检查结果｜数量/占比｜问题示例｜处理建议｜是否进入清洗
质检后必须向用户交付：
text1. 数据质量检查表 2. 无效评论排除规则 3. 字段拆分规则 4. 是否建议进入清洗
流转规则：用户确认质检表和排除规则后，进入模块 2。用户未确认前，不生成最终 Excel 母表和 HTML 报告。
模块 2：数据清洗标准化处理
目标：根据用户确认后的质检规则，生成清洗后的有效评论基础数据。
强制清洗规则
- 剔除全部空评论、系统默认评价
- 拆分时间规格混合字段，独立成列
- 删除无意义空白辅助列
- 统一字段排序：
text商品名｜评论人｜评论时间｜已购规格｜评价内容
清洗中间表工作表
清洗中间表至少包含两个工作表：
textSheet1：清洗后有效评论明细 Sheet2：数据清洗统计汇总
Sheet2：数据清洗统计汇总 必须包含：
text原始量｜空评论剔除量｜默认评价剔除量｜脏数据剔除量｜有效量｜有效占比
模块 3：结构化打标
目标：对清洗后的每条有效评论做全量结构化打标，生成可筛选、可复核、可追溯的结构化数据表。
每条评论固定输出字段
text评论内容｜主分类｜多标签分类｜情感倾向｜判断依据｜评论时间｜已购规格｜评论人
主分类
主分类为单选，取评论核心话题。
可选值集合：
text质量｜价格｜包装｜使用体验｜售后服务｜其他
规则：
- 每条评论只能有一个主分类。
- 如果一条评论提到多个维度，选择最核心、表达最强、最影响购买判断的主题。
- 无法判断核心主题时，归入“其他”。
多标签分类
多标签分类为多选，分号分隔，匹配评论中全部被提及的维度。
通用母婴食品标签池：
text宝宝爱吃｜口感鲜香｜独立包装｜无添加｜含DHA｜分量大小｜性价比｜腥味｜油腻｜配方改动｜物流｜复购｜辅食｜拌饭｜饭团
规则：
- 只标注原文明确出现或可直接对应的标签。
- 不要为了让标签更完整而补造用户未表达的诉求。
- 如需迁移到其他品类，仅替换标签池，流程不变。
情感倾向四分类
情感倾向必须使用以下四类，不可合并，不可简化：
- 正面：仅满意、认可、回购表述，无负面吐槽
- 混合：同条评论同时存在好评和明确负面痛点
- 负面：明确差评、拒绝复购、严重产品问题
- 其他：纯客观描述，无任何正负情绪
规则：
- 不基于评分字段替代文本判断；评分只能作为辅助信息。
- 没有明确情绪的客观描述归入“其他”。
- 不要把“还行”“一般”强行判为正面，需结合上下文判断；证据不足时归入“其他”。
判断依据规范
判断依据必须摘抄原文关键词或短句，客观记录匹配依据，不加工、不改写、不营销化。
示例：
text判断依据：宝宝很爱吃；有点腥；独立包装方便
模块 4：四大专项深度分析模板
模块 4 必须基于模块 3 的结构化全量打标数据表，不得脱离原文和打标结果另起分析。
专项 1：购买人群与需求场景分析
买家身份分类池
text宝妈/家长｜上班族｜家庭用户｜老人｜其他
规则：
- 只在评论原文明确表达或可以直接判断时归类。
- 无法明确判断时归入“其他”。
- 不要因为品类是母婴食品，就自动判断为宝妈或家长。
使用场景统计规则
单条评论可匹配多场景，按出现频次统计。
场景池：
text宝宝辅食｜日常拌饭｜早餐简餐｜外出便携｜老人餐｜其他
规则：
- 一个评论可命中多个场景，每命中一次计入对应场景频次。
- 无明确场景时归入“其他”。
- 场景统计口径是“出现频次”，不是“评论条数”。
可视化硬性要求
- 人群：饼图，标注总样本、各类数量和占比
- 场景：条形图，标注总频次、各场景出现次数
固定总结两问
text1. 核心购买人群是谁？ 2. 最高频使用场景是什么？
专项 2：正面口碑归因
筛选样本：
text正面评论 + 混合评论
输出固定表格字段：
text满意因素｜出现频次｜占有效样本比例｜代表性原话｜产品优势｜可放大品牌表达
规则：
- 满意因素必须来自代表性原话。
- “可放大品牌表达”只能基于评论事实转译，不得新增功效、认证、数据或未出现卖点。
- 混合评论中仅提取正面部分作为满意因素，负面部分进入专项 3。
专项 3：负面问题归因
筛选样本：
text负面评论 + 混合评论
输出固定表格字段：
text负面关键词｜出现频次｜占问题评论比例｜代表性原话｜用户痛点｜优化机会
配套三段总结：
- 产品核心口碑驱动要素
- 区分高频共性痛点和低频个别反馈
- 三大优先级优化方向
规则：
- 高频共性痛点和低频个别反馈必须分开表述。
- 不要把少量差评放大成产品普遍问题。
- 优化机会要对应评论证据，不要输出没有原文依据的产品建议。
专项 4：参照物竞品对比分析
四类参照物识别范围
- 明确外部竞品品牌
- 模糊竞品，例如“别家”“其他牌子”
- 本店旧版、旧规格、旧配方
- 替代品类
固定输出表格字段
text参照物类型｜名称描述｜提及频次｜对比维度｜代表原话｜用户倾向｜差异化机会
硬性规则
- 无明确竞品品牌时，统一填写“未发现明确竞品品牌”。
- 禁止虚构品牌。
- 外部竞品、本店旧品、替代品类必须分开统计，不合并归类。
- “别家”“其他牌子”等模糊表达归入“模糊竞品”，不要猜测具体品牌。
模块 5：双交付物输出标准
最终交付物必须同时包含：
text交付物 A：可筛选编辑 Excel 分析母表 交付物 B：可视化 HTML 分析报告
缺一不可。如果当前运行环境无法生成任一交付物，必须明确说明阻塞原因，并暂停交付；不要用纯文本总结替代完整交付。
交付物 A：可筛选编辑 Excel 分析母表
Excel 必须包含以下多 Sheet：
- 有效评论原始明细
- 结构化全量打标数据表
- 人群与场景统计汇总
- 正面口碑因素统计表
- 负面痛点统计表
- 参照物竞品分析统计表
统一格式要求：
- 冻结表头
- 自动换行
- 开启筛选
- 自适应列宽
- 关键统计表保留数量、占比、代表性原话
交付物 B：可视化 HTML 分析报告
HTML 报告必须包含八大固定章节，图表必须标注样本和口径。
- 执行摘要：有效评论数、正面率、问题评论率、3 条一句话核心结论
- 分析口径：原始条数、有效条数、剔除规则、情感和标签判定标准
- 评论分类与情感分布，使用饼图
- 购买人群和使用场景分布，使用饼图 + 条形图
- 正面口碑归因频次分析
- 负面问题痛点排序分析
- 参照物竞品对比与差异化机会
- 全局总结：现存优势、现存风险、落地优化动作
HTML 要求：
- 所有图表标题清晰。
- 图表旁标注样本量、统计口径和是否包含混合评论。
- 表格保留代表性原话。
- 结论必须能追溯到 Excel 母表中的原始评论。
- 不要输出只有图、没有口径说明的报告。
不可修改强制约束
- 所有分析依据原文，禁止无依据推断。
- 负面反馈区分高频趋势、零星个案，不放大少量差评。
- 主分类仅单选，多标签可多选，情感四类不可合并简化。
- 时间、规格必须拆分为独立字段，禁止混合统计。
- 外部竞品、本店旧品、替代品类分开统计，不合并归类。
- 交付物必须同时输出 Excel 母表和 HTML 报告，缺一不可。
输入输出对照表
| 输入资源 | 中间产出物 | 最终交付物 |
|---|---|---|
| 批量化的用户评论数据 | 1. 数据质量检查表2. 清洗基础数据表3. 结构化打标表 | 1. 全维度可筛选 Excel 分析母表2. 标准化可视化 HTML 分析报告 |
扩展适配说明
- 品类迁移：更换品类仅替换标签池、场景词库，整体流程不变。
- 数据量级：兼容几百至万级评论批量处理；数据量较大时优先使用脚本、表格库或分批处理，保证统计口径一致。
- 业务用途：新品口碑调研、老品痛点挖掘、详情页卖点优化、产品线迭代、竞品对标调研。
质量检查清单
交付前逐项确认：
- 已输出数据质量检查表，并按用户确认规则完成清洗。
- 已剔除空评论、默认评价和确认排除的脏数据。
- 已将混合时间规格列拆分为“评论时间”和“已购规格”。
- 结构化打标表包含全部固定字段。
- 主分类为单选，多标签为分号分隔多选。
- 情感倾向只使用正面、混合、负面、其他四类。
- 四大专项分析均包含代表性原话。
- Excel 母表包含 6 个固定 Sheet，并开启筛选、冻结表头、自动换行。
- HTML 报告包含 8 个固定章节，并标注图表样本和统计口径。
- 所有结论均能回到原始评论原文。
