shield_lock
JinDaGe
← Back to skills
extension
Category: Data & AnalyticsNo API key required

阿拉丁·电商评价分析工坊

多平台电商评价 → 情感分类+差评归因+追评挖掘+卖点痛点+多品对比+健康度门禁：从翻几百条评论缩到 1 分钟出口碑诊断，零依赖离线可跑，数据不出本机。

personAuthor: user_d18c97eahubcommunity
downloadDownload package

阿拉丁·电商评价分析工坊（aladin-review-forge）

把任意平台导出的商品评价（淘宝 / 京东 / 拼多多 / 抖音 / 快手 / 亚马逊 / 小红书 的 CSV / TSV / JSON）一键变成口碑诊断结论。自动完成情感三分类、差评归因、追评翻盘挖掘、卖点痛点提取、多商品横向对比与情感时间曲线，产出 100 分健康度 + HEALTHY/WATCH/ALERT 门禁与 HTML 看板 / Markdown 报告 / CSV 台账三件套。运营从第几百条评论里肉眼翻，缩到 1 分钟出结论。阿拉丁出品。

何时触发

  • "帮我分析这些评价" / "评论分析" / "差评归因" / "买家评论到底好不好"
  • "店铺口碑怎么样" / "这个商品口碑" / "选品反馈" / "和竞品比谁口碑好"
  • "追评分析" / "好评率多少" / "情感分析" / "差评都集中在哪"
  • 英文关键词：review analysis / ecommerce review / sentiment analysis / amazon review / taobao review
  • 用户甩来一个（或多个）评价导出文件，想快速知道好坏、原因与改进点

何时不触发

  • 用户要写好评 / 刷单 / 删差评等操纵口碑的违规操作——本技能不做任何评价生成、篡改或刷量
  • 用户要实时爬取平台评论（需联网违规抓取）——本技能只消费用户已导出的本地文件
  • 用户要通用大模型标注平台 / 自定义 NLP 流水线——本技能专注电商评价结构化分析
  • 用户只问情感分析理论（无数据）——直接回答即可
  • 用户要客服 IM 聊天 / 工单记录分析——本技能面向商品评价，非会话文本

能力边界

能做：

  1. 接入多平台评价文件：淘宝 / 京东 / 拼多多 / 抖音 / 快手 / 亚马逊 / 小红书 导出的 CSV / TSV / JSON（支持多文件合并）
  2. 中文表头别名识别 + GB18030 编码自适应 + 日期多格式归一（缺年自动补全年份、时间戳自动转换）
  3. 情感三分类（好评 / 中评 / 差评，星级为主、关键词为辅）+ 评分分布统计
  4. 差评归因 9 类（质量做工 / 功能性能 / 描述不符 / 物流发货 / 客服售后 / 包装 / 尺寸色差 / 异味材质 / 性价比）+ 未分类兜底
  5. 追评挖掘：翻盘已解决 / 变卦后悔 / 一致 / 变化，给出翻盘率
  6. 卖点 / 痛点高频词提取（反哺详情页与投流素材），多商品口碑健康度横向排名 + 差距洞察
  7. 输出 100 分健康度 + HEALTHY/WATCH/ALERT 门禁，以及 HTML 看板 / Markdown 报告 / CSV 台账三件套

不能做：

  1. 不能联网抓取平台评论（只消费用户已导出的文件，纯本地合规离线）
  2. 不能生成 / 篡改 / 刷评价（不做任何操纵口碑行为）
  3. 不能识别图片 / 视频里的评价内容（仅处理文本评价）
  4. 不能替代专业市场调研（结论基于已有评价样本，非全量）
  5. 不能保证小样本统计显著性（样本过少时结论仅供参考，会明确提示）

输入输出规范

输入：

  • 评价文件路径（必需）——支持 .csv / .tsv / .json，可一次传多个文件合并
  • 可选参数：--year（缺少年份的月-日补全基准年）、--product（缺商品名时的默认值）

输出（默认写入指定目录）：

  • review_dashboard.html —— 自包含看板（健康度环 + KPI + 评分分布 + 情感曲线 + 差评归因 + 卖点痛点 + 竞品对比表 + 行动清单 + 差评样例）
  • review_report.md —— Markdown 报告（便于粘贴到文档 / 群聊）
  • review_reviews.csv —— 逐条评价台账（含情感 / 归因 / 追评变化，utf-8-sig，Excel 直开）
  • review_analysis.json / review_ir.json —— 结构化产出副本，便于二次加工

字段契约（IR / Analysis）见 references/data-contracts.md。

工作流

Step 1：归一（ingest）

把任意平台评价文件变成统一中间层契约 aladin.review-ir/v1：

PY="C:/Users/adam/.workbuddy/binaries/python/versions/3.13.12/python.exe"
"$PY" scripts/review_ingest.py <评价文件.csv> -o review_ir.json --year 2026

Step 2：分析（analyze）

情感 / 归因 / 追评 / 卖点痛点 / 对比 / 健康度门禁，产出 aladin.review/v1：

"$PY" scripts/review_analyze.py review_ir.json -o review_analysis.json

Step 3：落地产物（report）

把分析结果写成 HTML / Markdown / CSV 三件套：

"$PY" scripts/review_report.py review_analysis.json --ir review_ir.json --outdir . --prefix review

快速验证

"$PY" _verify_review.py   # 多断言确定性自测全过

复用资源

| 文件 | 用途 | 加载时机 | |------|------|----------| | references/data-contracts.md | IR / Analysis 字段契约、平台表头别名表、输出文件说明 | Step 1 归一、Step 2 分析时加载 | | references/analysis-rules.md | 情感判定、差评归因 9 类、追评分类、健康度与门禁标准 | Step 2 分析、调优时加载 | | references/usage-examples.md | 多场景完整示例（单品诊断 / 多品对比 / 追评挖掘 / 选品反馈）+ 最佳实践 + FAQ | 首次使用、给用户示范时加载 |

重要约束

  • 数据不出本机：纯本地分析，不联网、不上传任何评价数据（→ Trust）
  • 不编造结论：情感 / 归因 / 健康度均基于实际文本与星级客观计算，不杜撰（→ Trust）
  • 异常即反馈：输入缺失 / 格式错 / 无可解析记录 → 明确报错与退出码（exit=2），不静默产出空报告（→ Reliability）
  • 平台中立：产物为通用 HTML / Markdown / CSV，不绑定任何外部平台或账号（→ Adaptability）
  • description 单行：禁用 YAML 多行语法，避免打包器不兼容（→ Convention）
  • 确定性可复现：同输入双跑逐字节一致，便于回归与审计（→ Reliability）
  • 不乱码：GB18030 / UTF-8 自适应解码，输出零 U+FFFD（→ Reliability）

更新日志

  • v1.0.0（2026-08-08）：首发。多平台评价归一、情感三分类、差评归因 9 类、追评翻盘挖掘、卖点痛点提取、多商品口碑对比、100 分健康度 HEALTHY/WATCH/ALERT 门禁、HTML/Markdown/CSV 三件套。阿拉丁出品。