# Ecommerce Review Insight

> 当用户提供批量化的电商用户评论数据，希望按固定流程完成数据质检、清洗、字段拆分、结构化打标、购买人群与场景、正负面口碑、竞品参照物分析，并同时输出可筛选编辑 Excel 分析母表和可视化 HTML 完整分析报告时使用。

- Skill: `saibodafu/ecommerce-review-insight` (Agent Skill)
- Install (CLI): `npx skillmds@latest add saibodafu/ecommerce-review-insight`
- Raw SKILL.md: https://api.skillmd.com/api/skills/saibodafu/ecommerce-review-insight/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Web & Frontend
- Author: saibodafu (https://skillmd.com/u/saibodafu)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/saibodafu/ecommerce-review-insight

---


# 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：

```text
YYYY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

1. 原始数据总行数，去除表头
2. 有效评论数量，剔除空评论和默认评价
3. 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

1. 空评论：评价内容无任何文字
2. 默认评价：包含“未填写评价内容”等系统占位文本
3. 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：

```text
YYYY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：

```text
1. 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

1. 剔除全部空评论、系统默认评价
2. 拆分时间规格混合字段，独立成列
3. 删除无意义空白辅助列
4. 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：

```text
Sheet1：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：

1. 正面：仅满意、认可、回购表述，无负面吐槽
2. 混合：同条评论同时存在好评和明确负面痛点
3. 负面：明确差评、拒绝复购、严重产品问题
4. 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

```text
1. 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：

1. 产品核心口碑驱动要素
2. 区分高频共性痛点和低频个别反馈
3. 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

1. 明确外部竞品品牌
2. 模糊竞品，例如“别家”“其他牌子”
3. 本店旧版、旧规格、旧配方
4. 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：

1. 有效评论原始明细
2. 结构化全量打标数据表
3. 人群与场景统计汇总
4. 正面口碑因素统计表
5. 负面痛点统计表
6. 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。

1. 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
2. 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
3. 评论分类与情感分布，使用饼图
4. 购买人群和使用场景分布，使用饼图 + 条形图
5. 正面口碑归因频次分析
6. 负面问题痛点排序分析
7. 参照物竞品对比与差异化机会
8. 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

1. 所有分析依据原文，禁止无依据推断。
2. 负面反馈区分高频趋势、零星个案，不放大少量差评。
3. 主分类仅单选，多标签可多选，情感四类不可合并简化。
4. 时间、规格必须拆分为独立字段，禁止混合统计。
5. 外部竞品、本店旧品、替代品类分开统计，不合并归类。
6. 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<br>2. 清洗基础数据表<br>3. 结构化打标表 | 1. 全维度可筛选 Excel 分析母表<br>2. 标准化可视化 HTML 分析报告 |

## 扩展适配说明

1. 品类迁移：更换品类仅替换标签池、场景词库，整体流程不变。
2. 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。
3. 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。