simple-review-analyzer

# Simple Review Analyzer AI驱动的电商评论深度分析工具，提供22维度智能标签、用户画像识别和专业的可视化看板。 ## 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： - **人群维度 (4)**: 性别、年龄段、职业、购买角色 - **场景维度 (1)**: 使用场景 - **功能维度 (2)**: 满意度、具体功能 - **质量维度 (3)**: 材质、做工、耐用性 - **服务维度 (5)**: 发货速度、包装质量、客服响应、退换货、保修 - **体验维度 (4)**: 舒适度、易用性、外观设计、价格感知 - **市场维度 (2)**: 竞品对比、复购意愿 - **情感维度 (1)**: 总体评价 ### 三位一体输出 1. **CSV标签数据**: 原始评论 + 22维度 AI 标签 2. **Markdown洞察报告**: 战略机会点、痛点、优化建议 3. **HTML可视化看板**: 6个交互式图表、黑金设计 ### 四位一体VOC系统 - 用户画像识别（3-4类典型用户） - 黄金样本（每类6条精选评论） - 3D头像系统（6种风格） - 情感分析（分布与关键词） ## 快速开始 ### 首次使用 1. 准备 CSV 文件（支持自动模糊匹配列名） 2. 在 Claude Code 中调用： ``` 请分析这个产品的评论：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 ## 核心工作流程 ### 第一步：收集参数 使用 AskUserQuestion 收集： - 分析数量（100条/300条/全部） ### 第二步：执行分析 1. 读取并解析 CSV 文件 2. 批量标签提取（每批最多30条） 3. 统计分析与用户画像识别 4. 生成洞察报告 5. 生成 HTML 可视化看板 ### 第三步：展示结果 在 `output/` 目录下按**产品名_日期**创建文件夹，生成三种报告： ``` output/ ├── 产品A_20260320/ │ ├── reviews_labeled.csv │ ├── 分析洞察报告.md │ └── 可视化洞察报告.html ├── 产品B_20260321/ │ ├── reviews_labeled.csv │ ├── 分析洞察报告.md │ └── 可视化洞察报告.html └── ... ``` **命名规则**： - 文件夹：`{产品名}_{日期YYYYMMDD}` - CSV：`reviews_labeled.csv` - Markdown：`分析洞察报告.md` - HTML：`可视化洞察报告.html` ## 技术架构 ### 文件结构 ``` simple-review-analyzer/ ├── skill.md # Skill 定义文件 ├── prompts/ # 提示词模板 │ ├── tagging.txt # 单条评论打标 │ ├── tagging_batch.txt # 批量打标 │ └── insights.txt # 洞察报告生成 ├── templates/ # 输出模板 │ └── report.html # HTML 可视化模板 └── utils/ # 工具脚本 ├── transform_logic.py # JSON↔CSV双向转换工具 └── csv_reader.sh # CSV 读取辅助 输出文件：生成到 output/{产品名}_{日期}/ 目录 ``` ### 提示词模板 - **单条打标**: 基于 prompts/tagging.txt，分析单条评论返回22维度标签 - **批量打标**: 基于 prompts/tagging_batch.txt，一次处理最多30条评论 - **洞察报告**: 基于 prompts/insights.txt，生成深度分析报告 ## 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。 ## 输出文件说明 ### CSV 标签数据 - 原始评论数据（保留所有原始列） - 22维度 AI 标签列（新增） - 用途：数据分析、导入 BI 工具、筛选过滤 ### Markdown 洞察报告 - 执行摘要：分析概述、关键发现 - 战略机会点：市场机会、产品差异化 - 用户痛点：问题分类、改进建议 - 用户画像：典型用户类型、需求特点 - VOC 分析：黄金样本、情感分布 ### HTML 可视化看板 - 黑金奢华设计风格 - 6个交互式 Chart.js 图表 - 响应式设计，支持移动端 - 纯 HTML 文件，可直接浏览器打开 ## 工具使用 ### transform_logic.py - 数据格式转换工具 位置：`utils/transform_logic.py` **功能**：JSON（嵌套结构）与 CSV（扁平格式）之间的双向转换 **使用方法**： ```bash # JSON → CSV（扁平化输出，22维度标签展开为独立列） python3 .claude/skills/simple-review-analyzer/utils/transform_logic.py json \ tagged_reviews.json \ reviews_labeled.csv # CSV → JSON（恢复嵌套结构，22维度标签聚合为tags对象） python3 .claude/skills/simple-review-analyzer/utils/transform_logic.py csv \ reviews_labeled.csv \ tagged_reviews.json ``` **数据结构对比**： | JSON (嵌套) | CSV (扁平) | |-------------|------------| | `tags.人群_性别` | `人群_性别` | | `tags.场景_使用场景` | `场景_使用场景` | | `tags.功能_满意度` | `功能_满意度` | | ... | ... | **应用场景**： - 将AI分析结果导出为Excel/BI工具兼容格式 - 从已有标签数据恢复嵌套JSON结构 - 数据格式验证和转换 ## 注意事项 1. **分析数量**: 推荐选择 100 条评论以平衡速度与质量 2. **并发限制**: 每批最多处理 30 条评论 3. **输出目录**: `output/{产品名}_{日期}/` （自动创建） 4. **文件命名**: 固定文件名，便于对比同一产品的多次分析 5. **编码支持**: UTF-8/GBK/GB2312 自动检测 6. **工具使用**: 可单独使用 `transform_logic.py` 进行数据格式转换