电商评论分析（Shop Comment Analysis）

Overview

把一份原始电商评论数据，按固定六步流程，转化为「可筛选编辑的 Excel 母表 + 可视化 HTML 分析报告」。 全流程贯穿三条铁律：

1. 先质检、后处理——第一步只做数据质量检查并给出排除规则，暂停等待用户确认后再动数据。
2. 只信真实评论——所有分类、归因、结论必须来自评论原文，不臆测未明确表达的信息。
3. 可继续编辑——分类母表带下拉校验，报告数据可被复核。

When to use

用户给出一份电商评论数据（Excel/CSV），并提出以下任一类意图时触发：

• 做评论/口碑/用户评价分析，不知道从何下手
• 要结构化分类、情感分析、人群/场景洞察
• 要找产品口碑来源与优化机会
• 要识别用户心里的竞品与差异化切入点
• 要产出可视化《用户评价分析报告》及可编辑母表

Resources（本 skill 自带）

• scripts/quality_check.py — 第一步自动质检，输出《数据质量检查表》+ quality_report.json
• scripts/build_master_table.py — 第二步把分类结果写成带下拉校验的 Excel 母表
• scripts/build_report.py — 第六步把全流程结论渲染为可视化 HTML 报告
• references/classification_schema.md — 第二~五步的字段口径、分类/情感标准、输出表结构
• references/report_spec.md — 第六步报告 JSON 结构与脚本调用方式

执行各步前，按需读取对应 references 以确保口径一致。

---

工作流程

第一步：数据准备 — 质量检查（先质检，等确认）

不要立即分析或处理用户上传的数据。先对原始数据做质量检查：

1. 运行质检脚本（自动识别中文字段）：

   python scripts/quality_check.py <输入.xlsx|csv> --out <输出目录>
   

2. 脚本会输出《数据质量检查表》，覆盖：原始总行数、有效评论数、字段完整性、空评论/默认评价、疑似串品、时间/规格混字段检测，以及建议排除规则。
3. 将检查表与建议排除规则呈现给用户，并明确说明「有效样本口径」。
4. 暂停，等待用户确认排除规则后，再进入第二步。 用户可能调整排除范围（如保留某些默认评价）。

若质检脚本未能识别到关键字段（如 评论内容/时间/规格 缺失），先用 Grep/Read 确认表头，必要时请用户说明列含义，不要强行推断。

第二步：结构化分类 — 生成 Excel 母表

基于用户确认的有效样本，对每条评论做结构化分类（口径见 references/classification_schema.md）：

1. 为每条有效评论产出字段：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
2. 主分类单选（质量/价格/包装/使用体验/售后服务/其他）；多标签用分号分隔可多选；情感倾向按标准判定，无法判断归入「其他」。
3. 把分类结果整理为 CSV 或 JSON（字段名见 references/classification_schema.md 的别名表，中英文皆可）。
4. 调用脚本生成可继续编辑的母表：

   python scripts/build_master_table.py <分类结果.csv|json> --out 评价分析母表.xlsx
   

   母表含「主分类/情感倾向」下拉校验、冻结首行、自动换行、筛选器。交付该 xlsx 给用户。

第三步：人群与场景验证 — 谁在买、为什么买

基于母表，做买家身份与使用场景分析（口径见 references）：

1. 买家身份：从评论识别身份并归类统计，用饼图呈现数量与占比；无法判断归入「其他」。
2. 使用场景：提炼主要场景，用条形图统计频次（一条评论可含多场景，总频次可大于评论数）；无法明确归入「其他」。
3. 图表须含清晰标题、数量与占比标注。
4. 总结：最主要购买人群是谁？最高频使用场景是什么？

第四步：评论归因 — 口碑来源与优化机会

1. 正面口碑来源：筛选「正面+混合」评论，统计最常提到的满意因素（满意因素｜出现频次｜占有效样本比例｜代表性原话｜说明的产品优势｜可放大的品牌表达）。
2. 负面问题归因：筛选「负面+混合」评论，提取高频负面关键词（负面关键词｜出现频次｜占问题评论比例｜代表性原话｜用户真实痛点｜可优化机会点）。
3. 可执行优化清单：核心口碑驱动；最需优先解决的负面问题（区分个别反馈 vs 高频趋势）；最值得优化的三个方向。
4. 每个关键结论尽量匹配代表性原话；不放大低频个别反馈，不过度推断。

第五步：参照物识别 — 用户拿谁跟你比

1. 从评论识别参照物：明确竞品品牌、模糊竞品（"别家/其他牌子"）、替代产品、本产品旧版/旧规格、同店其他 SKU/价格档。
2. 统计提及频次，列出 Top 竞品与代表原话；分析对比维度（价格/效果/口感/包装/体验/复购/服务…）与用户倾向（更认可谁、原因）。
3. 输出表格：参照物类型｜名称或描述｜提及频次｜对比维度｜代表原话｜用户倾向｜差异化机会。
4. 若未出现明确竞品品牌，直接写「未发现明确竞品品牌」，禁止编造品牌名。

第六步：生成可视化报告

1. 汇总第二~五步结论为 JSON（结构见 references/report_spec.md）。
2. 调用脚本渲染 HTML 报告：

   python scripts/build_report.py analysis_result.json --out 用户评价分析报告.html
   

3. 报告含八节：执行摘要、分析口径、评论分类与情感分布、购买对象与使用场景、正面归因、负面归因、参照物分析、全局总结；所有图表标注样本量与占比。
4. 同时交付第二步的 Excel 母表（可继续筛选编辑）。

注意事项

• 每一步的结论都需可追溯到真实评论原文；低频个别反馈不渲染为趋势。
• 第一步的暂停是硬性要求：未获用户确认前，不写任何处理后的数据文件。
• 图表中文显示依赖运行环境字体；HTML 报告使用 Chart.js CDN，离线打开时图表可能不渲染（数据表格仍可读）。