电商评价分析与可视化

要解决什么问题

电商评论往往散落在 Excel 或 CSV 里：字段不统一、默认好评与空评论混在一起、还有串品或规格写进正文的情况。业务侧常见诉求是「做口碑分析但不知道口径」，或「要结构化分类、情感、人群场景，还要能交给同事继续改表」。若一上来就全量打标签再出结论，样本口径一旦错了，后面的图表和归因都会偏。

技能如何工作

本技能把原始评论按固定六步走完，交付物是带下拉校验的 Excel 母表和可视化 HTML 分析报告，并自带质检与出表脚本（如 quality_check.py、build_master_table.py、build_report.py），字段与报告结构以 references/classification_schema.md、references/report_spec.md 为准。

1. 数据准备（先质检、等确认）：运行质检脚本识别中文字段，输出《数据质量检查表》与建议排除规则（空评论、默认评价、疑似串品等），暂停等待你确认后再处理。
2. 结构化分类：对有效样本逐条标注主分类、多标签、情感倾向与判断依据，生成可继续编辑的母表。
3. 人群与场景：从评论归纳买家身份与使用场景，用饼图、条形图统计并写简要结论。
4. 评论归因：分别梳理正面口碑来源与负面问题关键词，给出可执行的优化方向，并尽量配代表性原话。
5. 参照物识别：提取用户提到的竞品、替代品或同店其他 SKU；无明确品牌时不编造。
6. 可视化报告：汇总为 JSON 后渲染 HTML，含执行摘要、分类情感、场景、正负面归因与参照物等章节。

三条铁律贯穿全程：只信评论原文、结论可复核、低频个案不包装成趋势。

适用边界与注意

• 适用：你已有一份评论表（Excel/CSV），需要结构化分析、情感与口碑归因、或一份可交付的报告与可编辑母表。
• 第一步未确认排除规则前，不应写入处理后的数据文件；关键字段识别失败时需先核对表头，勿强行推断列含义。
• HTML 报告依赖 Chart.js CDN，离线打开时图表可能不显示，表格与文字结论仍可读；图表中文显示受运行环境字体影响。