上个月，一个做宠物用品的朋友跟我倒苦水。他的淘宝店开了两年，积累了3000多条评论，好评率看着还行，但复购率一直上不去。他花了8000块请了一家调研公司做用户满意度分析，对方说要两周出报告。
我说："你把评价导出来给我，今天下午就能出结果。"
他下午2点发的Excel，我4点半发回去一份完整的分析报告：按产品类别拆分的差评归因、高频关键词云图、3个可落地的改进建议、2个被忽略的细分需求。他照着改了产品详情页和包装说明，第二个月复购率从12%涨到了19%。
调研公司后来把报告发来了，结论差不多，但多了8000块账单和12天等待。
今天把这套方法完整拆给你。你不需要会编程，不需要懂数据分析，只要会复制粘贴，一个下午就能干完。
第一步：把评价数据导出来，整理成AI能吃的格式
数据源不限。淘宝、京东、拼多多、美团、大众点评，甚至你微信群里的客户反馈，都能用。
以淘宝为例：打开千牛后台，进入"评价管理"，筛选最近6个月的评价，点"导出"，下载Excel文件。如果你用的是其他平台，操作类似，找"评价导出"或"订单评价"功能。
导出后你会拿到一堆列：买家昵称、评价内容、评分、商品名称、评价时间。你只需要保留三列：评价内容、评分（或好评/中评/差评标签）、商品名称。
打开Excel，删掉其他列，把文件另存为CSV格式（文件→另存为→CSV UTF-8）。为什么要CSV？因为通义千问和DeepSeek对CSV的解析比Excel更稳定，不容易丢数据。
如果你的评价量超过500条，建议按商品类别分成多个文件。比如"猫粮评价.csv""猫砂评价.csv""玩具评价.csv"。分批喂给AI，效果比一次性塞进去好得多。
我那个朋友3000多条评论，分成了4个文件，每个文件700-900条。
第二步：用三段式prompt让AI做结构化分析
打开通义千问（tongyi.aliyun.com），新建对话。第一段消息发角色设定：
你是一个资深用户研究分析师，擅长从电商评价数据中提取可落地的产品和运营改进建议。
你的分析风格：不说正确的废话，每一条结论都必须对应具体的行动建议。
你的输出格式：用表格呈现数据，用短句给出建议，禁止使用"建议关注""值得注意"这类模糊表达。
第二段消息发分析指令（和你的CSV文件一起发）：
请分析附件中的客户评价数据，完成以下任务：
1. 差评归因：把所有3星及以下评价按原因分类（产品质量/物流/包装/客服/与描述不符/其他），统计每类占比，列出每类中最高频的3个具体描述。
2. 好评提炼：把4-5星评价中反复出现的正面关键词提取出来，按频次排序，标注这些关键词对应的产品卖点。
3. 隐藏需求：找出评价中"要是能……就好了""希望增加""为什么不……"这类句式，归类为未被满足的需求，按提及次数排序。
4. 竞品线索：找出评价中提到其他品牌或产品的内容，分析用户对比的维度是什么。
5. 输出格式：每个任务用表格呈现，最后给出3条优先级最高的改进建议，每条必须包含：问题描述→影响范围→具体动作→预期效果。
第三段消息发约束条件：
补充要求：
- 如果某类评价数量少于10条，标注"样本量不足，仅供参考"
- 不要编造数据中没有的信息
- 如果数据量不足以支撑某个结论，明确说"数据不足，无法判断"
- 每条改进建议必须是一个具体动作，不能是"优化用户体验"这种空话
把CSV文件作为附件上传，发送。通义千问支持直接上传CSV文件，一次最多传几个文件取决于文件大小，单个文件不超过10MB就行。
如果你用的是DeepSeek，操作一样，在对话框点附件图标上传CSV。
第三步：追问深挖，把报告从"能看"变成"能用"
AI第一轮给出的分析通常是个框架。真正值钱的东西在追问里。
等第一轮结果出来后，针对差评最多的那个类别，追问：
针对"包装破损"这个差评类别，请进一步分析：
1. 这些差评集中在哪些商品上？是某个特定SKU还是普遍现象？
2. 差评的时间分布是什么样的？是最近突然增多还是一直存在？
3. 买家在差评中具体描述了什么样的破损情况？请逐条列出原文。
4. 给出3个具体的包装改进方案，每个方案标注预估成本和实施难度。
针对隐藏需求，追问：
你提到有47条评价希望"出小包装试用装"。请进一步分析：
1. 这些用户的其他评价内容是什么？他们是新客还是老客？
2. 他们购买的是什么价位段的产品？
3. 如果我要做试用装，基于这些评价，规格和定价应该怎么定？给出具体数字和理由。
这种追问可以做3-5轮。每一轮都会让分析颗粒度更细，从"用户不满意包装"细化到"3公斤装猫粮的纸箱在南方梅雨季节受潮变形，建议换成五层瓦楞纸+PE内膜，单个成本增加0.8元"。
我朋友那3000多条评论，我追问了4轮，最后拿到了一份比调研公司还细的报告。
第四步：把分析结果变成行动清单
报告出来之后别急着存档。最后一步是让AI帮你把分析结果转化成一份可以直接分发给团队的行动清单：
基于以上所有分析结果，请生成一份行动清单，格式如下：
| 优先级 | 问题 | 负责部门 | 具体动作 | 完成标准 | 预估时间 | 预估成本 |
|--------|------|----------|----------|----------|----------|----------|
规则：
- 优先级P0：影响复购率的问题，本周必须启动
- 优先级P1：影响转化率的问题，两周内完成
- 优先级P2：锦上添花的优化，一个月内排期
- "具体动作"必须是动词开头的句子，比如"联系包材供应商索要五层瓦楞纸样品"
- "完成标准"必须是可验证的，比如"连续2周包装相关差评为0"
把这张表复制出来，发给你的运营、产品、客服。每个人领自己的活儿，下周开会对着表逐条过。
结果验证
做完之后怎么知道有没有用？看三个数字：
第一个数字：分析时间。 传统调研公司做一份用户满意度分析报告，10人以下团队至少2周，费用5000-20000元。用这套方法，3000条评价从导出到出报告，我用了2小时15分钟。如果你第一次操作，预留一个下午足够。
第二个数字：差评归因准确率。 我让朋友把AI分析结果和调研公司的报告做了对比。差评分类上，两者重合度92%。AI多发现了一个调研公司漏掉的点：有31条评价提到"赠品质量差拉低了整体感受"，调研公司把这部分归进了"其他"。
第三个数字：改进后的业务指标。 我朋友照着报告做了三件事：换包材、上试用装SKU、改详情页卖点排序。6周后，包装相关差评从月均47条降到6条，试用装贡献了当月14%的新客，详情页停留时长从38秒涨到55秒。
你做完之后，把改进前一个月的差评数量和分类截图保存，改进后一个月再截一次。两张图放在一起，就是你验证这套方法有效性的最直接证据。
关注我，每天一个AI实操技巧，不讲道理只教你做。
💬 评论