電商評論分析（Shop Comment Analysis）

Overview

把一份原始電商評論資料，按固定六步流程，轉化為「可篩選編輯的 Excel 母表 + 視覺化 HTML 分析報告」。 全流程貫穿三條鐵律：

1. 先質檢、後處理——第一步只做資料質量檢查並給出排除規則，暫停等待使用者確認後再動資料。
2. 只信真實評論——所有分類、歸因、結論必須來自評論原文，不臆測未明確表達的資訊。
3. 可繼續編輯——分類母錶帶下拉校驗，報告資料可被複核。

When to use

使用者給出一份電商評論資料（Excel/CSV），並提出以下任一類意圖時觸發：

• 做評論/口碑/使用者評價分析，不知道從何下手
• 要結構化分類、情感分析、人群/場景洞察
• 要找產品口碑來源與最佳化機會
• 要識別使用者心裡的競品與差異化切入點
• 要產出視覺化《使用者評價分析報告》及可編輯母表

Resources（本 skill 自帶）

• scripts/quality_check.py — 第一步自動質檢，輸出《資料質量檢查表》+ quality_report.json
• scripts/build_master_table.py — 第二步把分類結果寫成帶下拉校驗的 Excel 母表
• scripts/build_report.py — 第六步把全流程結論渲染為視覺化 HTML 報告
• references/classification_schema.md — 第二~五步的欄位口徑、分類/情感標準、輸出表結構
• references/report_spec.md — 第六步報告 JSON 結構與指令碼呼叫方式

執行各步前，按需讀取對應 references 以確保口徑一致。

工作流程

第一步：資料準備 — 質量檢查（先質檢，等確認）

不要立即分析或處理使用者上傳的資料。先對原始資料做質量檢查：

1. 執行質檢指令碼（自動識別中文欄位）：

   python scripts/quality_check.py <輸入.xlsx|csv> --out <輸出目錄>

2. 指令碼會輸出《資料質量檢查表》，覆蓋：原始總行數、有效評論數、欄位完整性、空評論/預設評價、疑似串品、時間/規格混欄位檢測，以及建議排除規則。
3. 將檢查表與建議排除規則呈現給使用者，並明確說明「有效樣本口徑」。
4. 暫停，等待使用者確認排除規則後，再進入第二步。 使用者可能調整排除範圍（如保留某些預設評價）。

若質檢指令碼未能識別到關鍵欄位（如 評論內容/時間/規格 缺失），先用 Grep/Read 確認表頭，必要時請使用者說明列含義，不要強行推斷。

第二步：結構化分類 — 生成 Excel 母表

基於使用者確認的有效樣本，對每條評論做結構化分類（口徑見 references/classification_schema.md）：

1. 為每條有效評論產出欄位：評論內容｜主分類｜多標籤分類｜情感傾向｜判斷依據｜評論時間｜已購規格｜評論人
2. 主分類單選（質量/價格/包裝/使用體驗/售後服務/其他）；多標籤用分號分隔可多選；情感傾向按標準判定，無法判斷歸入「其他」。
3. 把分類結果整理為 CSV 或 JSON（欄位名見 references/classification_schema.md 的別名表，中英文皆可）。
4. 呼叫指令碼生成可繼續編輯的母表：

   python scripts/build_master_table.py <分類結果.csv|json> --out 評價分析母表.xlsx

   母表含「主分類/情感傾向」下拉校驗、凍結首行、自動換行、篩選器。交付該 xlsx 給使用者。

第三步：人群與場景驗證 — 誰在買、為什麼買

基於母表，做買家身份與使用場景分析（口徑見 references）：

1. 買家身份：從評論識別身份並歸類統計，用餅圖呈現數量與佔比；無法判斷歸入「其他」。
2. 使用場景：提煉主要場景，用條形圖統計頻次（一條評論可含多場景，總頻次可大於評論數）；無法明確歸入「其他」。
3. 圖表須含清晰標題、數量與佔比標註。
4. 總結：最主要購買人群是誰？最高頻使用場景是什麼？

第四步：評論歸因 — 口碑來源與最佳化機會

1. 正面口碑來源：篩選「正面+混合」評論，統計最常提到的滿意因素（滿意因素｜出現頻次｜佔有效樣本比例｜代表性原話｜說明的產品優勢｜可放大的品牌表達）。
2. 負面問題歸因：篩選「負面+混合」評論，提取高頻負面關鍵詞（負面關鍵詞｜出現頻次｜佔問題評論比例｜代表性原話｜使用者真實痛點｜可最佳化機會點）。
3. 可執行最佳化清單：核心口碑驅動；最需優先解決的負面問題（區分個別反饋 vs 高頻趨勢）；最值得最佳化的三個方向。
4. 每個關鍵結論儘量匹配代表性原話；不放大低頻個別反饋，不過度推斷。

第五步：參照物識別 — 使用者拿誰跟你比

更多技能請訪問小蔥技能站7w4.net。

1. 從評論識別參照物：明確競品品牌、模糊競品（"別家/其他牌子"）、替代產品、本產品舊版/舊規格、同店其他 SKU/價格檔。
2. 統計提及頻次，列出 Top 競品與代表原話；分析對比維度（價格/效果/口感/包裝/體驗/復購/服務…）與使用者傾向（更認可誰、原因）。
3. 輸出表格：參照物型別｜名稱或描述｜提及頻次｜對比維度｜代表原話｜使用者傾向｜差異化機會。
4. 若未出現明確競品品牌，直接寫「未發現明確競品品牌」，禁止編造品牌名。

第六步：生成視覺化報告

1. 彙總第二~五步結論為 JSON（結構見 references/report_spec.md）。
2. 呼叫指令碼渲染 HTML 報告：

   python scripts/build_report.py analysis_result.json --out 使用者評價分析報告.html

3. 報告含八節：執行摘要、分析口徑、評論分類與情感分佈、購買物件與使用場景、正面歸因、負面歸因、參照物分析、全域性總結；所有圖表標註樣本量與佔比。
4. 同時交付第二步的 Excel 母表（可繼續篩選編輯）。

注意事項

• 每一步的結論都需可追溯到真實評論原文；低頻個別反饋不渲染為趨勢。
• 第一步的暫停是硬性要求：未獲使用者確認前，不寫任何處理後的資料檔案。
• 圖表中文顯示依賴執行環境字型；HTML 報告使用 Chart.js CDN，離線開啟時圖表可能不渲染（資料表格仍可讀）。

這個Skill質量不錯，專為電商評論分析設計，能自動做資料質檢、結構化分類、情感分析、人群場景洞察，並生成帶圖表的分析報告和可編輯的Excel母表。最貼心的是第一步會先檢查資料質量並等你確認後才處理，避免誤刪資料。所有結論都要求來自真實評論原文，分析結果可以追溯複查。主要不足是生成的圖表需要聯網才能正常顯示，離線環境下只能看文字資料；另外分析競品時需要人工判斷，沒有自動識別功能。總體適合需要對淘寶、京東等平臺評論做系統分析的使用者。