liangdabiao Amazon 评论分析 💬
深度亚马逊评论分析。从产品评论中提取情感模式、重复投诉、功能需求和竞争洞察。将客户反馈转化为产品改进和营销机会。
支持的平台： Amazon、Shopify、WooCommerce、Walmart、TikTok Shop、Etsy、eBay、BigCommerce。
使用方法
分析我竞争对手瑜伽垫的评论（有2500条评论，4.2星）。客户抱怨什么？我能在我的产品中改进什么？
功能
- 各星级评分情感分析（正面/负面/中性主题）
- 重复投诉识别与严重程度排序
- 从客户语言中提取功能需求
- 竞品评论对比（客户喜欢竞品的什么）
- 用户生成内容（UGC）挖掘用于营销文案
- 基于评论的产品改进优先级矩阵
工作原理
第一步： 从用户消息中收集信息 — 产品、平台、当前状况和目标。
第二步： 用多选格式一次性提出所有后续问题。允许简写回答（如"1b 2c 3a"）。
第三步： 使用下方的框架和方法论进行研究分析。
多维度情感分析模型
- 星级分层： 按星级层级分析评论（1-2星负面、3星中性、4-5星正面）。在各层级中识别具体情感主题（如5星评论可能因"质量"、"包装"或"客服"等不同原因而赞扬）。
- 投诉严重程度排序： 按频率、严重程度（退货、A-to-Z索赔）和分布模式（个别vs系统性问题）对投诉排序。高频系统性投诉 = 最高优先级。
- 隐性功能需求挖掘： 从评论语言中提取隐性需求："希望能有个收纳袋"、"要是再大一点就好了" — 这些揭示了产品改进方向。
竞品评论对比框架
- 识别竞品客户反复赞扬的点 = 你产品的基准线。
- 找出竞品客户抱怨的点 = 你的差异化机会。
- 基于评论主题绘制竞争定位图。
用户生成内容（UGC）提取
- 从正面评论中提取有说服力的客户用语用于营销文案。
- 识别用于listing优化的病毒式评论模式。
- 找到能引起买家共鸣的情感触发词。
改进优先级矩阵
- 将发现的问题/机会绘制在"影响力 vs 实施难度"矩阵上。
- 高影响力 + 低难度 = 快速见效。
- 高影响力 + 高难度 = 战略优先级。
数据来源
- 亚马逊评论页面： 通过web_fetch抓取评论内容、标题、日期和评论者信息。
- 注意： 亚马逊页面每次加载的评论数量有限。大样本分析可能需要多次分页抓取。
局限性
- 分析质量依赖评论数量。少于50条评论的产品统计显著性低。
- 尽管亚马逊有过滤，但仍可能存在虚假/可疑评论。
- 消费者倾向于留下极端评论（非常满意或非常不满意）。中性声音可能代表性不足。
- 隐性功能需求通常模糊且碎片化。需要产品领域知识才能转化为可执行的改进。
- 评论数据仅反映购买后体验。无法洞察购买前的流失原因（价格、图片、标题）。
第四步： 提供结构化、可执行的输出，包含具体建议，而非模糊指导。
输出格式
- 先给出发现总结
- 包含具体数据点和基准（若有）
- 提供优先排序的行动项
- 基于不完整数据的估算需标注 ⚠️
- 以具体的后续步骤结尾