Review 第 3 篇：差评改 Listing

差评是亚马逊卖家最容易浪费的一个数据源。它就在公开页面上，每个卖家都能看到，但大部分人看完只会焦虑。

这篇讲清楚一件事：怎么把差评系统性地翻译成下一版 Listing 的改动。

一、先分类，再处理

差评不是一类东西。把所有差评混在一起看，得不到可执行结论。

我习惯把差评分四类：

第一类，物流和包装相关。

例如 “包装破了”、“盒子变形了”、“等了 30 天才到”。这类差评和产品本身关系不大，但销量高了会拉低整体评分。

第二类，对产品功能或属性的预期偏差。

例如 “尺寸比想象的小”、“颜色和图片不一样”、“说明书没中文”。这类是 Listing 文案或图片表达不准。

第三类，质量或材质问题。

例如 “用了两周就坏了”、“面料起球”、“充电充不进去”。这类是真实的产品问题，需要反馈给供应链。

第四类，平台或服务相关。

例如 “FBA 给我发错了”、“客服回复慢”、“退货流程麻烦”。这类是 FBA 体验问题，不是产品问题。

四类的处理路径完全不同。混在一起看，只会得出”差评好多”这个没用的结论。

二、用 AI 把差评做成结构化表

拿到 100 条差评后，不要一条一条读。让 AI 做三件事：

第一件：分类。

让 AI 把每条差评归到上面四类中，输出”差评原文 → 分类 → 关键词”的表格。

第二件：聚合。

让 AI 把同一类差评的关键词聚合，例如”包装破了”和”快递磕碰”应该归到同一组”运输破损”。

第三件：频次排序。

让 AI 输出”分类 → 差评数 → 占总数比例”，你看一眼就能知道最严重的问题是哪个。

AI 在这一步价值最大，因为它不怕重复。人工看 100 条差评看到第 30 条就开始烦躁，AI 看到第 1000 条还是同样的注意力。

三、5 个步骤把差评变改动

差评处理不能停留在”知道了”。要给运营一个明确的 SOP，下面是我用的 5 步。

第一步，确认是不是 Listing 的问题。

不是所有差评都要改 Listing。如果 80% 的差评都是”等太久才到货”，你改 100 次 Listing 也没用。这种情况下，差评处理的责任不在运营，在 FBA 备货周期。

第二步，找出现频最高的 3 个具体问题。

从聚合表里挑出频次最高的 3 个真实问题。注意是”具体问题”不是”用户感受”。例如”用户觉得不值这个价”不是具体问题，“尺寸比预期小 30%“才是。

第三步，把每个具体问题映射到 Listing 字段。

例如”尺寸比预期小 30%“，映射到：

• 标题：加上具体尺寸数字
• 主图：换带尺寸参照的拍摄
• 五点：在第一条写明尺寸
• A+：加尺寸对比图

每个问题至少要有 2 个 Listing 字段响应。

第四步，用 AI 生成新版本。

把旧 Listing 内容、差评聚合表、要改的具体问题，喂给 AI，让它生成 3 套候选版本。不要只生成 1 套，因为 AI 的第一版通常带有”幻觉”和”通用表达”。

第五步，人工审一遍再上。

这一步不能省。AI 生成的版本里经常出现”加了一些原 Listing 没有的卖点”或”用了用户根本不会搜的词”。人工要核对每一处新增的承诺是否对得上产品本身。

四、避免三个常见错误

错误一：把差评当敌人。

差评是免费的市场调研。竞品差评里的”用户痛点”，就是你 Listing 里”差异化卖点”的来源。

错误二：一次改太多字段。

不要因为一批差评就大改 Listing。每次只改 1-2 个字段，跑两周数据看效果。改太多你无法判断是哪个改动起了作用。

错误三：改了之后不复盘。

改完 Listing 不看数据，等于没改。改完后至少看两个数据：差评里同类关键词的出现频次有没有下降、Listing 的 CVR 是否有提升。

五、AI 在差评改 Listing 中的边界

AI 适合做：分类、聚合、生成候选版本、检查原 Listing 是否提到某个关键词。

AI 不适合做：判断差评是否合理、决定要不要改主图、判断承诺是否对得上产品、判断差评是偶发还是结构性问题。

最后一公里的判断，永远是运营的责任。

六、最后

差评不是终点，是下一版 Listing 的需求文档。

读差评的姿势，决定你能从差评里拿到多少。下一次你看到 1 星评价时，先别急着点开”申诉”按钮，先把它复制进 AI 关键词表里。