Amazon 评论分析工作流

要解决什么问题

运营侧手里常见的是卖家精灵（SellerSprite）导出的 Amazon 评论 .xlsx：表头固定、行数在几十到一两百条之间。人工逐条看评论、归类「会不会复购」「差评在骂什么」，再写改进建议和跟进策略，既慢又难在团队里复用同一套口径。

本技能把这条链路收成可重复的工作流：读取 Excel → 规则化分析 → 输出 Markdown 报告 → 本地结构化归档 → 可选上传 IMA 知识库，并在报告里强制为英文原文附上中文翻译，方便对内汇报。

技能如何工作

触发：用户上传 .xlsx 并要求分析 Amazon 评论（例如按 ASIN 或「帮我分析这个产品的评论」）。

读取：用 Python openpyxl 识别 Sheet、表头（ASIN、星级、VP/Vine、赞同数、评论时间、内容等），加载全部评论行。

分析分两块：

• 用户三分类（启发式）：结合复购信号关键词（如 will buy again、ordering more）、负面措辞与星级，将评论者归入高忠诚度、复购潜力、流失（产品问题 / 有保留 / 低参与）等类别，并在报告中给出判定依据与英文原文证据。
• 情感与主题：统计正面意见频次与引用；负面意见按 P0/P1/P2 严重度分级（是否直接导致差评、是否多次提及等），并汇总产品改进与客户运营建议、关键词监控词表。

产出与归档：生成 {ASIN}_{YYYY-MM-DD}_评论分析.md（含 YAML frontmatter 与数据附录）；在工作目录写入 metadata.json、更新 reviews/index.json；需要入库时调用 scripts/ima_upload.py（凭证来自 ~/.config/ima/，支持 KB ID 自动发现）。

适用边界

• 数据：仅支持卖家精灵导出格式，不支持自建爬虫。
• 规模与语言：适合约 8～200 条评论；分析逻辑面向英文评论，呈现以中文为主。
• 精度：分类依赖关键词规则，边界案例可能误判，适合作为初筛与报告草稿，而非替代人工抽检。