用户评价情感与痛点挖掘
🎯 解决什么问题
App Store 和电商平台攒了上万条评价，人工看不过来，差评原因全靠猜。智能体批量分析评价文本，输出情感分布、TOP 10 高频痛点（带原声引用），并追踪每周变化趋势。产品迭代终于有数据依据，而不是拍脑袋。
😣 App 后台攒了上万条评价，产品经理靠抽看几十条就拍脑袋定迭代方向，差评的真正原因永远靠猜；竞品差评里藏着的用户痛点和机会，更是完全看不到。
💡 万条评价 1 小时变成可执行的产品改进清单
🛠 操作步骤（共4步）
1
导出并清洗评价数据从 App Store、京东等平台导出评价为 CSV，用 Python 清洗：去重、过滤水军刷单、统一编码。
2
AI 情感分类与痛点提取Muse 批量做情感分类（好评/中评/差评）并提取主题，归纳出 TOP 10 高频痛点，每个痛点附 1-2 条用户原话。
3
排序并追踪趋势痛点按“出现频率 × 严重程度”排序，用 Tableau 或 Python 画出每周趋势图，看哪些痛点在恶化。
4
输出改进清单针对 TOP 3 痛点各写 1 条产品改进建议，生成周报推送给产品和研发，迭代排期有数据依据。
📋 提示词模板（复制即用）
分析以下用户评价数据（共[数量]条，来源[App Store/京东等]）：[粘贴评价文本或CSV]。请输出：①情感分布（好评/中评/差评占比）②TOP10高频痛点，每个附1-2条用户原话 ③痛点按“出现频率×严重程度”排序 ④针对TOP3痛点各给1条产品改进建议。忽略明显刷单的水军评论。
🧰 用到工具
Muse · Python · Tableau
⚠️ 注意事项
- 先用规则过滤刷单水军（短时间内大量重复文本、清一色五星带图），否则痛点会被带偏
- 情感分类先人工抽查 200 条校准，确认 AI 的分类标准和你一致再全量跑
- 引用用户原话时做脱敏，别把用户名、订单号带进报告