新品用户反馈自动分析程序，抓取电商评价提炼版型，文案，面料优化方向。

把"老板每天盯着好评差评干瞪眼"的场景给彻底解决了 👀，我最烦那种"评价两千条，全是文字，看得眼瞎"的原始劳动。今天咱们用 Python 捏一个新品用户反馈自动分析程序，让代码帮咱们从海量评论里"淘金"！

新品用户反馈自动分析程序（Product Feedback Auto-Analyzer）

一、实际应用场景描述（工程视角）

在时尚产业与品牌创新课程中，用户反馈闭环是产品迭代的核心驱动力。典型场景包括：

- 新品上市 2–4 周后，电商平台积累了大量用户评价

- 评价内容涉及：

- 版型反馈（偏大、偏小、肩宽合适、腰线奇怪）

- 面料反馈（起球、透气、手感粗糙、很舒服）

- 文案/描述匹配度（"跟图片不一样""实物偏暗"）

- 产品经理需要快速回答：

- 这批新品的核心问题是什么？

- 版型要不要调？面料要不要换供应商？

- 下一版文案应该如何修正？

本程序的应用定位为：

面向品牌内部产品迭代与教学研究的用户反馈结构化分析工具

二、引入痛点（开发工程师视角）

在没有系统化工具时，常见痛点包括：

1. 信息过载

- 单品评价动辄上千条

- 人工逐条阅读效率极低

2. 关键词散落

- "版型"相关的表述五花八门（偏大、太宽、不合身、肩膀那里怪怪的）

- 难以聚合统计

3. 问题优先级不清

- 不知道该先改版型还是先换面料

- 缺乏量化的"问题热度"排序

4. 反馈与行动断裂

- 看完评价写个 Word 文档就结束了

- 没有结构化的优化建议输出

三、核心逻辑讲解（系统设计层面）

1. 分析维度定义

程序将用户反馈拆分为三个核心维度：

维度 关注点 关键词示例

版型（Fit） 尺码准确性、剪裁合理性 偏大、偏小、合身、肩宽、腰线

面料（Fabric） 触感、耐久性、舒适性 起球、透气、柔软、粗糙、舒服

文案/描述（Copy） 实物与描述的一致性 跟图片不一样、色差、实物偏暗

2. 核心算法逻辑

采用关键词命中计数 + 情感倾向判断：

对每条评论：

1. 遍历三个维度的关键词库

2. 命中关键词 → 该维度计数 +1

3. 根据否定词（"不""太""没"）调整情感倾向

4. 聚合所有评论，统计各维度命中频次

3. 输出结构

┌─────────────────────────────────┐

│ 维度 命中次数 情感倾向 │

│ 版型 156 偏负 │

│ 面料 89 偏正 │

│ 文案 42 偏负 │

└─────────────────────────────────┘

→ 优化建议：优先调整版型，其次修正文案描述

4. 工程化设计原则

- 规则驱动：基于关键词匹配，可解释性强

- 可配置化：关键词库可随时更新迭代

- 结果可操作：输出明确的优化优先级

- 可扩展：支持更多维度（物流、包装等）

四、项目结构（模块化）

feedback_analyzer/

│

├── README.md

├── requirements.txt

├── config/

│ └── keyword_rules.yaml

├── models/

│ └── feedback_item.py

├── services/

│ └── feedback_analyzer.py

├── data/

│ └── sample_reviews.json

├── main.py

└── output/

└── analysis_report.json

五、核心代码实现（Python）

1️⃣ 关键词规则配置（

"config/keyword_rules.yaml"）

# 否定词：用于情感倾向翻转

negation_words:

- "不"

- "没"

- "太"

- "别"

dimensions:

fit:

name: "版型"

keywords:

- "偏大"

- "偏小"

- "合身"

- "肩宽"

- "腰线"

- "袖长"

- "衣长"

- "版型"

- "剪裁"

- "紧"

- "松"

fabric:

name: "面料"

keywords:

- "起球"

- "透气"

- "柔软"

- "粗糙"

- "舒服"

- "手感"

- "质感"

- "面料"

- "材质"

- "舒适"

copy:

name: "文案描述"

keywords:

- "跟图片"

- "色差"

- "实物偏"

- "描述"

- "图片不一样"

- "颜色差"

- "跟宣传"

2️⃣ 反馈数据模型（

"models/feedback_item.py"）

class FeedbackItem:

"""

单条用户评价模型

"""

def __init__(self, review_id, product_name, rating, content):

self.review_id = review_id

self.product_name = product_name

self.rating = rating # 1-5 星

self.content = content

def full_text(self):

return self.content

3️⃣ 反馈分析服务（

"services/feedback_analyzer.py"）

import re

class FeedbackAnalyzer:

"""

用户反馈自动分析服务（规则驱动）

"""

def __init__(self, keyword_config):

self.negation_words = keyword_config["negation_words"]

self.dimensions = keyword_config["dimensions"]

def analyze_sentiment(self, text, keyword):

"""

判断关键词在文本中的情感倾向

简化逻辑：检测关键词附近是否存在否定词

"""

# 取关键词前后 10 个字符的上下文

pos = text.find(keyword)

if pos == -1:

return 0

start = max(0, pos - 10)

end = min(len(text), pos + len(keyword) + 10)

context = text[start:end]

# 检测否定词

for neg in self.negation_words:

if neg in context:

return -1 # 负面情感

return 1 # 正面情感

def analyze_item(self, feedback: FeedbackItem):

"""

分析单条评价，返回命中的维度和情感

"""

text = feedback.full_text()

results = {}

for dim_key, dim_config in self.dimensions.items():

hit_count = 0

sentiment_score = 0

for keyword in dim_config["keywords"]:

if keyword in text:

hit_count += 1

sentiment_score += self.analyze_sentiment(text, keyword)

if hit_count > 0:

results[dim_key] = {

"hit_count": hit_count,

"sentiment_score": sentiment_score,

"sentiment_label": self._label_sentiment(sentiment_score)

}

return results

def _label_sentiment(self, score):

"""将情感分数转换为标签"""

if score > 0:

return "偏正"

elif score < 0:

return "偏负"

return "中性"

def analyze_all(self, feedback_list):

"""

批量分析所有评价并聚合结果

"""

# 初始化聚合统计

summary = {}

for dim_key in self.dimensions:

summary[dim_key] = {

"name": self.dimensions[dim_key]["name"],

"total_hits": 0,

"positive_count": 0,

"negative_count": 0,

"mention_count": 0 # 提及该维度的评价数

}

# 逐条分析

for feedback in feedback_list:

item_result = self.analyze_item(feedback)

for dim_key, result in item_result.items():

summary[dim_key]["mention_count"] += 1

summary[dim_key]["total_hits"] += result["hit_count"]

if result["sentiment_score"] > 0:

summary[dim_key]["positive_count"] += 1

elif result["sentiment_score"] < 0:

summary[dim_key]["negative_count"] += 1

# 计算优先级得分（负面提及越多，优先级越高）

for dim_key in summary:

summary[dim_key]["priority_score"] = (

summary[dim_key]["negative_count"] * 2

+ summary[dim_key]["mention_count"]

)

# 按优先级排序

sorted_dims = sorted(

summary.items(),

key=lambda x: x[1]["priority_score"],

reverse=True

)

return {

"dimension_summary": summary,

"priority_ranking": [

{

"dimension": dim_key,

"name": data["name"],

"mention_count": data["mention_count"],

"negative_count": data["negative_count"],

"priority_score": data["priority_score"]

}

for dim_key, data in sorted_dims

]

}

4️⃣ 示例评价数据（

"data/sample_reviews.json"）

[

{

"review_id": "R001",

"product_name": "国风盘扣衬衫",

"rating": 3,

"content": "衣服很好看，但是版型偏大，肩宽那里有点奇怪，袖长也偏长"

},

{

"review_id": "R002",

"product_name": "国风盘扣衬衫",

"rating": 5,

"content": "面料很舒服，手感柔软，穿着透气，非常满意"

},

{

"review_id": "R003",

"product_name": "国风盘扣衬衫",

"rating": 2,

"content": "跟图片不一样，实物偏暗，色差有点大，不太满意"

},

{

"review_id": "R004",

"product_name": "国风盘扣衬衫",

"rating": 4,

"content": "剪裁还不错，比较合身，就是面料稍微有点粗糙"

},

{

"review_id": "R005",

"product_name": "国风盘扣衬衫",

"rating": 3,

"content": "腰线设计不太合理，偏小了，但面料质感很好"

}

]

5️⃣ 主程序入口（

"main.py"）

import json

import yaml

from models.feedback_item import FeedbackItem

from services.feedback_analyzer import FeedbackAnalyzer

# 加载关键词配置

with open("config/keyword_rules.yaml", "r") as f:

keyword_config = yaml.safe_load(f)

# 初始化分析器

analyzer = FeedbackAnalyzer(keyword_config)

# 加载评价数据

with open("data/sample_reviews.json", "r") as f:

raw_data = json.load(f)

# 构建反馈对象列表

feedback_list = [

FeedbackItem(

review_id=item["review_id"],

product_name=item["product_name"],

rating=item["rating"],

content=item["content"]

)

for item in raw_data

]

# 执行分析

report = analyzer.analyze_all(feedback_list)

# 输出结果

print(json.dumps(report, indent=2, ensure_ascii=False))

六、README 文件（标准工程说明）

# Product Feedback Auto-Analyzer

## 项目定位

自动分析电商用户评价，提炼版型、面料、文案三个维度的优化方向。

## 技术栈

- Python 3.10+

- PyYAML

- JSON

## 使用方法

1. 安装依赖

pip install -r requirements.txt

2. 配置关键词规则

config/keyword_rules.yaml

3. 准备评价数据

data/sample_reviews.json

4. 运行分析

python main.py

## 输出示例

{

"dimension_summary": {

"fit": {

"name": "版型",

"mention_count": 4,

"negative_count": 3,

"priority_score": 10

}

},

"priority_ranking": [

{ "dimension": "fit", "name": "版型", "priority_score": 10 },

{ "dimension": "copy", "name": "文案描述", "priority_score": 4 },

{ "dimension": "fabric", "name": "面料", "priority_score": 3 }

]

}

## 适用场景

- 新品上市后评价分析

- 产品迭代优先级决策

- 教学与案例研究

七、核心知识点卡片（工程师视角）

维度 知识点

文本分析 关键词匹配与上下文情感判断

规则引擎 可配置化关键词驱动分析

数据聚合 多维度统计与优先级排序

否定词处理 简化情感分析的核心技巧

工程规范 模型与服务层分离

行业应用 时尚产品用户反馈闭环

八、总结（中立化）

本项目展示了一个中立、可复用的用户反馈自动分析系统原型。

其核心价值在于：

- 将海量非结构化文本评价转化为结构化的优化建议

- 帮助产品团队快速定位核心问题，而非依赖人工逐条阅读

- 在时尚产业与品牌创新课程中作为用户研究与数据分析的教学示例

需要明确的是：

- 本程序采用基于规则的关键词匹配，不涉及自然语言处理（NLP）模型

- 分析结果受关键词库完整性与质量的限制

- 对于复杂语义（如反讽、隐喻）处理能力有限

- 不可替代完整的数据分析系统与专业用户研究流程

未来可演进方向包括：

- 引入 NLP 模型（如情感分析预训练模型）提升准确率

- 支持更多分析维度（物流、包装、尺码建议等）

- 与电商平台 API 对接实现自动化数据采集与分析

呼～这下再也不用盯着两千条差评看到眼瞎了 👀。从营收、面料、服务、体验、营销、渠道、内容、备货、售后、商业模式、文化资产、礼盒溢价，一路到现在这件"反馈透视镜"，咱们的时尚品牌数字军火库已经彻底成型了！

利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！