2026年年中大促后怎么用ChatGPT分析用户评论数据？

那个...年中大促刚过那几天,我整个人跟打了一场仗似的，瘫再沙发上刷手机，突然想到手里攒了上百条用户评论没看，啦。

说实话以前我是那种懒得看评论的人，决得不就是好评差评嘛，直到去年双十一我踩了个大坑——当时卖的一款收纳盒被骂“盖子合不上”，我愣是隔了两周才发现，那批货全退了，亏得我肉疼。

所以这次618一结束，我就逼着自己必须干点正事，啦。

先把某东后台的评论数据导出来，好家伙，Excel打开一看三千多条，眼睛都花了。

我寻思着要是自己一条条看，看到明年也看不完，于是就想到了ChatGPT。

其实我平时用它最多是写写小红书文案，这次算是个新尝试吧。

第一步是清洗数据。

我大概把评论里那些“几十”“不错”“垃圾”这种单个词先筛掉，留着也没啥分析价值。

剩下两千多条，我分成三四个批次，每批大概五百条左右复制到ChatGPT里。

这里有个小技巧——千万记得在提示词里告诉它“每条评论用逗号隔开”，不然它会给你分条回复，乱得很。

我第一次输入的是：“请帮我分析以下用户评论，总结出产品的主要优点和缺点，用口语化的方式列出来。

”结果它给我回了特别官方的五条优缺点，神马“品质优良”“服务周到”这种套话，看得我火大。

这哪是用户说的原话啊，完全就是AI自己编的。

于是我又加了一句：“请直接引用评论中的原话，不要自己总结词语。

”这下好多了，但新的问题又出现了——它把差评集中在“包装破损”上，可我明明记得还有不少关于颜色的吐槽。

（这里插一句，我家猫上周把我新买的耳机线咬断了，气死我了，只好用旧耳机凑合着用，音质差到想哭。）

跑题了。

回到正题，我意识到ChatGPT处理大量文本时会偏向于抓取出现频率高的词，但一些细节容易被忽略。

于是我换了个思路，把评论分成好评和差评两组单独分析。

差评组我特意强调“请按问题严重程度排序”，好评组则说“请找出用户反复提到的亮点”。

果然这次出来的结果靠谱多了，差评里排第一的是“螺丝拧两下就滑丝”，排第二是“说明书根，本看不懂”，好评里“安装简单”出现了好多次。

但是问题又来了，ChatGPT没法区分哪些是真实用户留下的，哪些是刷单的水评。

我试了个笨办法——把评论发送时间也贴在每条前面，然后告诉它“请判断哪些评论看起来像是同一人批量发布的”。

它竟然真能识别出一些语气高度相似、时间间隔很短的内容。

虽然不一定百分之百准，但帮我筛掉了差不多十几条可疑评论，这效率比我肉眼高多了。

接下来我想作情感分析。

其实不用搞得太复杂，我就直接问它：“请把以下评论按照正面、负面、中性的比例做一个统计，并给出一个百分比的饼图描述。

”注意它不会画图，但能用文字描述出来，比如“正面占大概十来个点，负面占25%，中性占大概十来个点”。

然后我再结合差评的具体内容，发现主要吐槽集中在“发货慢”和“配件缺失”这两类上。

最后一步，也是最关键的一步——怎么把分析结果转化成行动方案。

我把ChatGPT输出的结果复制到一个新文档里，然后自己动手列了个清单：先说，立刻联系工厂改进螺丝工艺；第二件事，重新拍说明书视频，放店铺首页；另外一个，仓库发货前增加一道配件核对工序。

其实这个步骤ChatGPT也能帮我做，但我更喜欢自己动手，毕竟只有自己才最清楚实际情况。

做完这些差不多花了两个晚上，中间还应为充电器坏了跑了一趟线下店（结果发现线上买便宜一半，绝绝子）。

回头想想，用ChatGPT分析评论最核心的坑就是提示词得写细，不能指望它自己理解你想要的深度。

而且一定要多次迭代，第一次不行就换个问法，别怕折腾人。

对了，还有个事忘了说——中大促是6月18号开始的，我拖到6月25号才弄完，幸好没耽误后续的产品优化，不然老板肯定得锤我。

这法子我后来还推荐给了做家居的朋友，她说她直接用英文分析亚马逊的评论，效果也不错。

但我觉得中文环境里，ChatGPT对语气和调侃的理解还是有点弱，比如“这，个价格要啥自行车”这种话，它经常会归类到中性，其实明明是正面评价。

遇到这种情况，我就会手动改一下分类，毕竟AI嘛，还是个辅助工具。

总之，如果你也想用ChatGPT分析用户评论，别怕，直接上手干。先把数据搞干净，然后多试几种提示词，最后手动补充一些细节。反正工具是死的，人是活的，对吧？