年中大促复盘：北京电商团队用ChatGPT分析用户评论的3个技巧？

哎，年中大促刚结束，我们北京团队连着复盘了少数天，电脑屏幕都快看吐了……
昨晚我家猫又把充电线咬断了，我一边修一边盯着评论数据，整个人裂开哈哈。

，说实话用户评论这玩意儿，以前全靠人肉翻，一天下来眼冒金星。

这次我们学聪明了点，拉着ChatGPT帮忙分析，效果还真行。

不是那种玄学AI，是就实打实把评论丢给它，让它当苦力。

今天分享一下我们摸索出来三个技巧，都是踩过坑换来得（这个我真没想到）。

先说一下背景，我们做电商小团队，十来号人，店铺在某东和某宝都有。

这次618的评论量比平时翻了快三倍，光“好评返现”那种垃圾评论就够喝一壶的。

6月20号晚上，我盯着后台的五千多条评论，突然决得不能这么蛮干了。

核心结论：先别急着让AI“分析”，先让它“分类”

很多人上来就让ChatGPT“总结用户反馈”，结果吐出来的全是车轱辘话。

我们的做法是第一步让它当“客服主管”，把所有评论按情绪分桶。

比如：质量吐槽、物流问题、尺寸纠结、客服态度、莫名其妙夸好。

具体提示词我写得很糙，但有用——“你是一个电商客服主管，请把以下评论分为五个类别，每个类别列出九十条代表例子”
就这么一句，ChatGPT就能给你分得明明白白。

注意，一次别丢五千条，我是分批丢的，每批差不多四五百条，刚好不卡。

有个细节，评论里带表情符号的，AI容意忽略。

比如“包装很好但味道一般”，它可能会归到正面的“包装很好”里。

所以我会在提示词里加一句“请特别注意差评和中性评论，不要被好评带偏”。

（这个坑我们第一轮就踩了，后来加这句话才好很多，哈。

）

分类之后，最惊喜的是发现了很多“隐性差评”——
就是那种给四星但文字里全是抱怨的，比如“还行吧，就是盖子太紧，拧了半天”。
这种以前人工根本不会当回事，但AI全给扒出来了。

具体方法：抓“高频词的场景”，然后让AI当“杠精”

分类只是第一步，真正值钱的是第二步——让ChatGPT找“高频词背后的具体场景”。

比如我们的产品是保温杯，差评里高频出现“漏水”“盖子”“缝隙”这几个词。

但光看词没用，得让AI把词和场景连起来。

提示词改成这样：“请找出这些评论中反复出现的问题场景，用‘当用户……时，他会说……’的格式写出来，哈。

”
这招绝了，AI直接帮我们整理出七八个典型场景。

比如“当用户把杯子倒过来晃时，他会说‘盖子是漏水还是我没拧紧’”。

然后第三步，也是最骚的一步——让ChatGPT当“杠精”。

我们把自己想好的改进方案丢给它，让它从用户角度反驳。

比如我们想“把盖子改成旋钮式”，AI就模拟用户骂：“旋钮式手滑根本打不开！

”
这一下就把我们拍醒了，哈哈。

后来我们学乖了，让AI同时给出三四种改进思路，然后团队投票。

投票的时候我用手机上的随机数生成器选的，纯粹图好玩（别学我，认真投票的）。

不过这轮跑完，我们还真改了两个包装上的小毛病，退货率降了一个点。

至于具体怎么让AI输出更靠谱？

我自己的土办法是：
每条评论前加一个标签，比如【质量】【物流】【客服】，然后让AI分别处理。

加了标签之后，AI分析的准确率肉眼可见地高，从差不多六七成提到九成。

这个技巧其实很简单，但就是好使。

对了，还有一点，别让ChatGPT直接生成“用户画像”那种虚头巴脑的东西。

我们试过一次，它写了半天“年轻女性注重颜值”，跟没说一样。

后来我们就让它只干两件事：数数、找例子。

数数就是统计频次，找例子就是复制原文。