简介

AI 驱动的电商产品评论深度分析工具，支持 22 维智能标签、用户画像、VOC 洞察与可视化看板。

详细介绍

simple-review-analyzer 电商评论分析工具

AI驱动的电商产品评论深度分析工具，支持22维度智能标签、用户画像识别、VOC洞察和可视化看板生成。适合用于Claude Code CLI /openclaw 等工具。

核心特性

22维度智能标签系统

全面覆盖评论信息的8大维度，自动提取：

维度分类	标签数量	包含内容
人群维度	4个	性别、年龄段、职业、购买角色
场景维度	1个	使用场景
功能维度	2个	满意度、具体功能
质量维度	3个	材质、做工、耐用性
服务维度	5个	发货速度、包装质量、客服响应、退换货、保修
体验维度	4个	舒适度、易用性、外观设计、价格感知
市场维度	2个	竞品对比、复购意愿
情感维度	1个	总体评价

三位一体输出

CSV标签数据 - 原始评论 + 22维度AI标签
Markdown洞察报告 - 战略机会点、痛点分析、优化建议
HTML可视化看板 - 交互式图表、专业数据分析风格

快速开始

环境要求

Python 3.7+
Claude Code CLI（用于运行分析技能） /openclaw

使用方法

在 Claude Code /openclaw 中用自然语言调用：

# 示例1：指定文件分析
请分析这个产品的评论：reviews.csv

# 示例2：描述需求
帮我做一下竞品评论的深度分析 #reviews.csv

# 示例3：指定数量
分析最近100条评论数据 #reviews.csv

CSV 文件格式要求

必需列（自动模糊匹配）：

评论内容：内容/评价/body/review/text/comment
评分：打分/rating/score/star

可选列：

时间：时间/date/日期/time
标题：标题/title/summary
用户名：用户/user/username

输出文件

分析完成后，将在 output/ 目录生成三种报告：

output/
├── 产品A_20260320/
│   ├── reviews_labeled.csv      # 22维度标签CSV
│   ├── 分析洞察报告.md             # Markdown洞察报告
│   └── 可视化洞察报告.html          # HTML可视化看板
├── 产品B_20260321/
│   ├── reviews_labeled.csv
│   ├── 分析洞察报告.md
│   └── 可视化洞察报告.html

文件说明

文件	格式	内容说明
`reviews_labeled.csv`	CSV	原始评论 + 22维度标签数据
`分析洞察报告.md`	Markdown	深度洞察分析与建议
`可视化洞察报告.html`	HTML	高品质可视化看板

Python 工具使用

csv_processor.py

评论数据处理核心工具：

# 导出批次JSON文件
python3 .claude/skills/simple-review-analyzer/utils/csv_processor.py input.csv --export-batches -b 30

# 合并标签并导出CSV
python3 .claude/skills/simple-review-analyzer/utils/csv_processor.py input.csv --merge-tags --stats

transform_logic.py

JSON与CSV双向转换工具：

# JSON → CSV（扁平化）
python3 .claude/skills/simple-review-analyzer/utils/transform_logic.py json tagged.json output.csv

# CSV → JSON（嵌套结构）
python3 .claude/skills/simple-review-analyzer/utils/transform_logic.py csv reviews.csv tags.json

使用场景

场景1：产品优化

分析自己产品的评论，发现用户痛点，优化产品功能和设计。

场景2：竞品分析

分析竞品评论，了解竞争对手的优势和劣势，寻找差异化机会。

场景3：市场调研

批量分析多个产品的评论，了解市场需求、用户偏好和行业趋势。

场景4：用户洞察

深度了解目标用户群体，构建精准用户画像，优化营销策略。

洞察报告结构

生成的 Markdown 报告包含以下章节：

洞察总览 - 全局宏观总结，品牌所处阶段与核心机会/危机
数据统计 - 人群、场景、满意度等核心分布数据
核心用户画像与场景 - 定量统计与典型画像描述
核心卖点与价值验证 - 满意度归因与语义挖掘
主要痛点与负面归因 - 问题分布、根源追溯、严重性评估
改进建议与优先级 - 硬件/软件迭代建议与执行动作
潜在机会与差异化 - 竞品情报分析与蓝海细分场景
典型用户深度解析 (VOC) - 4个代表性用户的原文与深度解析
关键洞察总结 - 聚焦最值得关注的亮点或风险点
战略数据输出 - 护城河、软肋、执行矩阵的结构化数据

可视化看板

HTML 可视化报告特性：

6个交互式图表 - 使用 Chart.js 渲染
专业配色方案 - 色盲友好的数据分析调色板
响应式设计 - 支持移动端和桌面端
打印友好 - 优化的打印布局
纯静态文件 - 可直接在浏览器中打开

项目结构

fetch-thing/
├── .claude/
│   └── skills/
│       └── simple-review-analyzer/    # 核心分析技能
│           ├── skill.md               # 技能定义
│           ├── README.md              # 技能说明
│           ├── prompts/               # 提示词模板
│           │   ├── tagging.txt       # 单条打标
│           │   ├── tagging_batch.txt # 批量打标
│           │   └── insights.txt      # 洞察报告
│           ├── templates/             # 输出模板
│           │   └── report.html       # 可视化看板
│           └── utils/                # 工具脚本
│               ├── csv_processor.py   # CSV处理
│               ├── transform_logic.py # 格式转换
│               ├── tagging_core.sh    # 打标核心
│               └── insights_generator.sh # 洞察生成
├── output/                            # 分析输出目录
│   └── {产品名}_{日期}/
├── test-data/                         # 测试数据
├── CLAUDE.md                          # Claude Code 指南
├── README.md                          # 本文件
└── 需求说明.md                        # 项目需求文档

信息密度评分

每条评论会根据以下规则计算 info_score (1-20分)：

基础分：评论字数 > 50字得1分，> 200字再加2分
标签分：每个有效标签（非"未提及"）得1分
加分项：
- 提及竞品：+5分
- 明确复购意愿：+3分
- 描述使用场景：+2分

注意事项

分析数量：推荐选择 100 条评论以平衡速度与质量
并发限制：每批最多处理 30 条评论
输出目录：自动按 产品名_日期 创建文件夹
编码支持：UTF-8/GBK/GB2312 自动检测

License

MIT

特别感谢 https://linux.do 佬友支持

电商评论分析 Skill

简介