直接结论: 亚马逊评论分析,就是有结构地去读自己和竞品的评论,最后落到一个决定上:改 Listing、改产品、改包装,还是改广告。做法是先定一个要回答的问题,建立干净样本,按星级拆分,用用户原话标注主题,人工复核情感分,再对照用户购买前的讨论。
这篇写给同时在 Amazon 和独立站卖货、要跟踪几款产品和几个竞品的品牌团队。第一次做大概要一个下午,之后每月一小时左右。用表格就能起步,文末附了可以直接复制的模板。
网上大多数教程讲到"用情感分析工具跑一下"就结束了。那只能给你一个分数,告诉不了你 Listing 上哪句话在制造退货,也解释不了为什么评论比你少的竞品卖得比你好。这篇要讲的,是怎么做到这一层。
亚马逊已经给了你什么,又缺了什么
动手之前,先看看亚马逊免费提供的两个视图。它们是不错的起点,但都替代不了你自己的分析。
来源 | 能看到什么 | 局限 |
|---|---|---|
商品页的"Customers say"评论摘要 | AI 生成的一段总结,以及各个功能点的正面、负面提及数 | 只有足够多评论观点一致时才出现;只基于 Verified Purchase 的文字评论;按亚马逊 2024 年 7 月的说明,只在美国、英国、澳大利亚、印度、新加坡和阿联酋站点提供 |
卖家后台的 Voice of the Customer | NCX(负面客户体验)率,综合了退货、退款、A-to-Z 索赔、买家消息和评论,并按根因分组 | 只能看自己的 Listing,看不到竞品;据 Seller Labs 说明,不支持原生导出历史评论 |
这两个工具都只能告诉你"出了问题",说不清是 Listing 上哪条承诺抬高了用户预期,也看不到用户下单前在担心什么。下面 6 步就是补这个空白的。
第 1 步:打开评论之前,先写下要做的决定
评论里什么都有:物流抱怨、送礼留言、只写了一个"good"的五星。没带着问题去读,最后只会总结出一堆噪音。
每轮只定一个决定,常见的有:
- Listing: 标题、五点描述和图片里,哪条卖点该加、该删、该补充说明
- 产品: 先把哪个缺陷或设计取舍交给产品团队
- 广告: 哪些用户原话该加成关键词,哪些该加成否定词
- 定位: 竞品的用户在夸什么、在后悔什么,你能不能接住
把这个决定写在表格最上方,后面标注的每个主题都要能帮你回答它。
第 2 步:建立干净的样本,包含自己的 ASIN 和两三个竞品
拉取你的产品,以及用户最常拿来比较的两三个 Listing 的评论。如果不确定该选哪几个竞品,可以参考如何识别直接竞品。
每条评论一行,字段包括:ASIN、变体、日期、星级、是否 Verified Purchase、评论标题、评论正文和评论链接。然后清洗:
- 按变体拆开。 某个颜色或尺寸如果来自不同工厂,可能集中了大部分抱怨。
- 标出 Vine 评论。 亚马逊会给免费拿到产品的 Vine 会员评论打标签。保留它们,但要单独看。
- 设两个时间窗口。 最近 90 天反映产品当前的状态;"上次改产品或改包装之后"告诉你那次改动有没有用。
- 不要混站点。 美国站和德国站的用户抱怨点经常不同,翻译还会冲淡你需要的原话。
要读多少条才够?没有固定数字。实用的判断标准是:在同一个星级里一直往下读,直到最近 20 条不再出现新主题为止。近期有几百条评论的产品,通常不用全部读完就能达到这个状态。
第 3 步:按星级拆分,先读 3 星评论
星级不是一条简单的满意度刻度,每一档回答的问题不一样。
星级 | 通常说明什么 | 用来做什么 |
|---|---|---|
1–2 星 | 故障和预期落空 | 找缺陷、夸大的卖点、安装和使用问题 |
3 星 | "差一点就喜欢了"的用户在讲取舍 | 最具体的改进点,他们会说明怎样才能给 5 星 |
4–5 星 | 用户看重什么,以及他们用什么词来描述 | Listing 文案、图片思路、广告关键词 |
3 星评论是整份数据里最容易被忽略的部分。1 星用户常常只写一句"一周就坏了",3 星用户更可能写"搅拌效果很好,但装过刻度线就会漏",这种你马上就能动手改。
第 4 步:标注主题,每个主题都附上用户原话
逐条阅读评论,给每条打上一个或多个主题标签。主题控制在 10 到 15 个左右,归到下面五类里:
- 产品属性: 续航、噪音、尺寸、材质、耐用性
- 预期落差: "比图片看起来小""没有宣传的那么安静"
- 使用场景: 谁在用、在哪用、用来做什么,比如"宿舍用""出差带""给狗用"
- 物流与包装: 到货破损、缺配件、包装难拆
- 卖家与售后: 换货流程、响应速度、保修
每打一个标签,就把支撑它的那句原话复制到"证据"一列。(用户之声分析方法把同样的思路用在了亚马逊以外的反馈上。)如果你对这个概念还不熟悉,可以看什么是用户之声,以及 6 个真实案例。这是大多数团队会跳过的一步,却是让分析站得住的关键。开会时有人问"这个结论哪来的",你可以直接把那句话给他看。
同一个词可能意思完全相反。"轻"对旅行水壶是夸奖,对铸铁锅就是抱怨。看原话能分辨出来,只数关键词分辨不出来。
标注后的表格大致是这样(以下为示例,不是真实数据):
主题 | 星级 | 用户原话 | 可能的动作 |
|---|---|---|---|
预期落差:容量 | 2 星 | "只够装一杯奶昔,图片显得大多了" | 加一张手持对比图;容量同时标注毫升和杯数 |
产品属性:密封 | 3 星 | "搅得很好,但装过刻度线就漏" | 在五点描述和说明卡里提示刻度线;同步给产品团队 |
使用场景:出行 | 5 星 | "放健身包里刚好,用笔记本就能充电" | 主图突出出行场景和 USB-C 充电 |
第 5 步:做亚马逊评论情感分析,然后人工抽查
亚马逊评论的情感分析适合帮你给大量评论分类,但不适合直接下结论。它很难处理褒贬混合的评论("很喜欢,但还是退了")、反讽,以及比较句("比我原来那个好,不过那个本来就很差")。
在相信任何自动情感结果之前,随机抽 20 到 30 条已打标签的评论自己核对一遍。如果错得不少,就只把情感分当作粗筛,结论以你的主题标注为准。在下一步的拓竹样本里,55 条被标为负面的帖子中有 8 条其实根本不是在负面评价这个品牌,比如一条正面的开箱初体验视频、一条批评竞品的测评,大约每 7 条就错 1 条。更详细的讨论可以看品牌情感分析:分数背后藏了什么。
第 6 步:用购买前的讨论交叉验证
大多数评论分析做到这里就停了,但这恰恰不该是终点。亚马逊评论来自已经买了的人,能告诉你他们为什么失望,却几乎看不到那些因为疑虑没被解答、最后没下单的人。
这些疑虑出现在别的地方:
- Reddit: 对比帖、"X 值不值得买"的提问,以及用了几个月之后的长期反馈
- TikTok 和 YouTube 评论区: 测评和演示视频下的提问,比如"放得进杯架吗?""实际有多吵?"
如果一个主题两边都出现,比如 3 星评论在抱怨噪音,TikTok 演示视频下面也有人在问噪音,那它会让你损失两次:一次在退货上,一次在没成交的流量上。这类问题应该最先解决。我们对品牌为什么要关注 Reddit 的分析里,能看到有多少购买决策是在那里形成的。
用真实数据看一遍
我们从 DataScaler 里拉取了 Bambu Lab(拓竹)在 YouTube、X 和 Instagram 上被情感模型标为负面的 55 条公开帖子,发布时间在 2024 年 10 月到 2026 年 10 月之间,并逐条人工标注了主题。
主题 | 帖子数 | 例子 |
|---|---|---|
软件封闭、固件和开源争议 | 17 | 博主表示固件改动后不会再买拓竹的打印机 |
和竞品打印机的对比 | 13 | 与 Anycubic Kobra X 的速度和价格对比测试 |
该买拓竹哪一款、值不值 | 7 | 一条视频标题为"Why I Regret Buying the Bambu Lab X1 Carbon vs P1S"(我为什么后悔买了 X1 Carbon 而不是 P1S) |
硬件故障和预期落差 | 4 | A1 mini 的振动比预想的大 |
运输破损和售后 | 3 | 到货时玻璃已经碎了 |
耗材 | 3 | 某款耗材停产 |
并非在负面评价拓竹,或与主题无关 | 8 | 一条正面的开箱初体验视频;一条批评竞品打印机的测评 |
55 条里只有 7 条讲的是商品评论最擅长记录的那类问题:故障、运输破损、售后纠纷。其余 40 条相关帖子,大多在讨论要不要买、买哪个品牌、买哪一款。这些疑虑在任何人写评论之前就已经影响了转化,所以只看评论的分析,可能漏掉对 Listing 威胁最大的那部分。
看看你的品牌在购买前被怎么讨论。 在 Playground 输入品牌名,免费预览各社媒平台上的讨论,每条结论都链接到原帖。
怎么分析竞品的亚马逊评论
自己的评论告诉你哪里出了问题,竞品的评论告诉你这个品类的用户期待什么,后者对定位往往更有用。对两三个竞品 Listing 跑同样的步骤,然后并排比较:
主题 | 你的 Listing | 竞品 A | 竞品 B | 说明什么 |
|---|---|---|---|---|
噪音 | 3 星评论里常见 | 很少提 | 常见 | 想主打"静音",得先把问题修好 |
安装 | 很少提 | 1–2 星里常见 | 很少提 | "2 分钟装好"是你能占住的卖点 |
容量 | 常见的预期落差 | 5 星评论里被夸 | 没提到 | 竞品 A 拉高了用户预期,你要把尺寸讲清楚 |
以上表格为示例。竞品评论里最值得找的是三类内容:
- 换品牌的说法: "把 X 退了,换了这个",直接告诉你用户在拿谁和谁比。
- 竞品 5 星评论在夸、你却从没提过的点: 比如用户很看重竞品的保修,而你的 Listing 根本没写自己的保修,这是最容易补的。
- 你已经解决了的竞品痛点: 竞品 3 星评论里最多的问题,如果正好是你的产品做得好的地方,就在 Listing 上明确写出来。
更完整的竞品对比框架,可以看电商竞品分析的 7 步方法。
把主题分给负责人,每月复查
没有负责人的主题,最后只会变成一页 PPT。把每个主题对应到能改它的团队,下个月用同一套主题再跑一次,才能前后对比。
主题类型 | 负责团队 | 典型改动 | 怎么判断有没有效果 |
|---|---|---|---|
预期落差 | Listing / 市场 | 改一条五点描述,加尺寸或对比图 | 新评论里"比预期小"之类的提及变少 |
产品属性 | 产品 / 供应链 | 调整材质、密封件或零部件 | 改动之后的评论里,这个主题明显下降 |
使用场景 | 市场 / 广告 | 换主图角度,加新关键词 | 新关键词的点击率提升 |
物流与包装 | 运营 | 改包装、加说明卡、做跌落测试 | 破损提及和破损类退货减少 |
卖家与售后 | 客服 | 回复模板、FAQ、Q&A 回答 | 处理更快,评论里的售后抱怨变少 |
主题列表至少固定三个月。每轮都改名字,就没法判断情况有没有变好。
可直接复制的亚马逊评论分析模板
把这一行表头复制到表格第一行,之后一条评论一行:
`asin, marketplace, variation, date, stars, verified, vine, title, review_text, review_url, theme_group, theme, evidence_phrase, action_owner`
列 | 填什么 | 示例(演示) |
|---|---|---|
asin, marketplace, variation | 评论对应的 Listing、站点和变体 | B0EXAMPLE1, US, Blue / 600ml |
date, stars, verified, vine | 日期、星级,是否 Verified Purchase、是否 Vine 评论 | 2026-09-14, 3, yes, no |
title, review_text, review_url | 评论标题、正文和原评论链接 | "Almost perfect" |
theme_group, theme | 第 4 步的五类之一,以及具体主题 | 产品属性,密封 |
evidence_phrase | 支撑这个主题的用户原话 | "leaks if I fill past the line" |
action_owner | 能处理这件事的团队 | 产品团队 |
亚马逊评论分析工具怎么选
只分析一款产品,用表格就够了。要每月跟踪多个 ASIN 或竞品时,工具才开始划算。
方式 | 适合 | 注意 |
|---|---|---|
表格 + 人工标注 | 单个产品、第一轮、摸清主题 | 超过几百条评论就很慢 |
亚马逊"Customers say"和 Voice of the Customer | 快速了解自己的 Listing | 看不到竞品,导出有限 |
亚马逊评论类工具(如 AMZScout 的评论分析器、Shulex VOC AI) | 按 ASIN 生成摘要,也能看竞品 | 大多只覆盖亚马逊;要弄清它们怎么获取数据 |
NLP 接口(Amazon Comprehend、Google Cloud Natural Language) | 有分析师能搭数据流程的团队 | 主题还是要你自己定义,结果也要人工核查 |
DataScaler | 把亚马逊评论和 Reddit、TikTok、YouTube 等社媒放在一起看,每条结论都链接到来源 | 亚马逊评论是按 ASIN 添加的附加数据源(每份报告 +12 Credit) |
如果你在比较更综合的社媒聆听平台,可以看看 Brandwatch 价格与替代工具对比,里面也对比了 7 款工具对评论数据的覆盖情况。
别越过规则
有两点要注意:
- 数据获取。 亚马逊现在需要登录账号才能查看完整评论,ScrapeHero 也已经下线了之前公开的评论抓取脚本。请用导出、合规的工具或人工整理,不要绕过登录去抓取。
- 对评论本身的干预。 美国 FTC 关于虚假评论的规定自 2024 年 10 月 21 日起生效,禁止购买正面或负面评论、未披露身份的内部人员评论,以及压制差评,违者按次罚款。分析的目的是改产品和 Listing,而不是改评论。
常见问题
亚马逊评论要分析多少条才够?
没有固定数字。在每个星级里一直读下去,直到最近 20 条不再出现新主题为止。建议用最近 90 天的评论,这样分析的是产品现在的样子。
可以分析竞品的亚马逊评论吗?
可以,而且应该做。竞品评论能告诉你这个品类的用户看重什么、后悔什么。重点读和你竞争最直接的几个 Listing 的 3 星评论,里面常常写着你可以补上的那块空白。
只做情感分析够吗?
不够。情感分析只能告诉你正面、负面各有多少,说不清原因,还容易误判褒贬混合的评论和反讽。用它来分类,然后用原话标注主题,再人工抽查 20 到 30 条结果。
多久分析一次比较合适?
主力产品每月一次;改了 Listing、产品或包装之后,过几周再做一次。主题列表保持不变,才能对比不同时期。
亚马逊评论分析工具哪个最好?
看你要比较什么。只看自己的 Listing,先用亚马逊免费的"Customers say"和 Voice of the Customer;要给任意 ASIN(包括竞品)生成摘要,AMZScout、Shulex 这类亚马逊工具就是为此设计的;要把评论和 Reddit、TikTok、YouTube 放在一起看,就选两边都覆盖的工具,比如 DataScaler。不管用哪个,都要拿原评论核对它给出的主题。
能从卖家后台导出亚马逊评论吗?
据 Seller Labs 说明,替代原 Customer Reviews 看板的 Voice of the Customer 不支持原生导出历史评论。多数品牌会用第三方工具或人工整理。
亚马逊评论能告诉我用户为什么没买吗?
不能完全。评论来自已经购买的人。要理解没有下单的用户,还需要把评论主题和 Reddit、TikTok、YouTube 等渠道上的公开提问与评论放在一起看。
数据来源与说明
第 5 步和第 6 步的拓竹数据来自 DataScaler 收录的 YouTube、X 和 Instagram 公开帖子,于 2026 年 10 月 28 日拉取,由 DataScaler Research 人工标注,不包含亚马逊评论。第 4 步的标注表格、竞品对比表和模板示例都是演示,不来自真实产品。平台信息核对于 2026 年 10 月 28 日。
- 评论摘要:Amazon,AI-generated review highlights
- Voice of the Customer 与 NCX:Seller Labs,Amazon Voice of the Customer
- 评论数据获取:ScrapeHero,How to analyze Amazon reviews
- FTC 规定:Perkins Coie,FTC finalizes rule banning fake reviews and testimonials
- DataScaler 数据源与 Credit:DataScaler 定价
想同时看到用户购买前和购买后的声音? 免费生成一份品牌报告,每条结论都能追溯到原始帖子或评论。
