亚马逊差评分析是什么？和只看星级相比，它到底多做了哪三件事

差评分析是把散在评论文本里的抱怨，归成组、算清比例、再回到原话验证，最后落成能验收的改进项。和只看星级相比，它多做的就是这三件事：归类、计数、回溯。

星级回答"多差"，差评分析回答"差在哪、为什么差、有多少人在意、谁已经解决了"。

站上 25 份公开报告、18 个品类、48 款产品、9,586 条评论逐条核对下来，最反直觉的一个发现是：**星级这个 1 到 5 的量表，买家实际上只用了三格。**5 星占比从 20% 到 74%，剩下的人跳到 3 星或者直接给 1-2 星，中间那一格几乎没人站。所以平台均分看起来很平滑，实际是被平均出来的。

一、差评分析是什么，和"看评论"差在哪

看评论是把评论当读物，读几条，感觉一下，得出结论"质量还行"或者"物流太烂"。这个过程没留下任何可复核的东西，第二个人读同样的评论，很可能得出不一样的结论。

差评分析是把评论当数据，产出的东西必须满足三个条件：能计数、能比较、能回溯。

• 能计数：不能只说"电池问题很多"，要说"电池 · 续航 · 充电这一组有 12 条提及，占该产品全部痛点提及的 37.5%"
• 能比较：两个产品用同一套分组口径，可以并排放；同一产品换一批评论，可以前后对照
• 能回溯：每个数字都能点回具体的评论 ID，看到原话

这三条缺一条，做出来的东西就退回到"看评论"了，只是换了个好看的壳。站上那篇评论分析完整指南把这套流程拆成四层，是从近 3,000 条差评里总结出来的，这里不重复。

二、星级能回答什么，不能回答什么

星级不是没用的指标，它擅长回答一类问题，只是这类问题特别少。

左边一列，一个数字就够了。右边一列，星级一个都答不上来，因为它把所有东西压成了一个平均值，而平均值会把分布抹平。

举个例子。两款电动牙刷，平台展示分 4.5 和 4.4，差 0.1，按星级的逻辑基本可以视为同一水平。但把 437 条评论的星级分布摊开看：

平台分几乎一样，分布形状完全不一样。A 款的不满几乎全压在 3 星这一格，1-2 星只有 8.6%，看起来相当健康。B 款的不满往两边散，3 星 31.4%，1-2 星 29.4%。

这两款哪个更值得买、更值得学、更值得抄，星级给不出答案。分布能给出方向，但要真正回答"差在哪"，还得往下拆文本。

顺带说一句，差评率本身也是个容易读错的指标，差评率怎么算、多少算正常那篇单独讲过，这篇只借用它的口径。

三、第一个证据：4 星这一格，买家基本不用

这是这轮核对里最出乎意料的一组数。

50 个产品记录，4 星占比的中位数是 10.2%，最低只有 1.4%，最高也不过 18.8%。其中 24 个产品的 4 星占比低于 10%。

一家 USB 数据线，5 星 52.4%，3 星 32.7%，4 星 1.4%。中间那一格几乎是空的。

这说明买家实际没在"1 到 5 分"这个刻度上打分，三种态度落三格：满意给 5 星，有意见但还愿意用给 3 星，不能用或者觉得被骗了给 1-2 星。4 星对应的"整体不错但有小瑕疵"理论上该是人最多的一格，实测反而最少。5 星加 3 星，中位数占到 65.5%。

这个结构对均分是致命的。

均分 3.9，听起来像"大家普遍觉得还行"，实际更可能是"一半人打了满分，三分之一打了 3 星，少数人打了 1-2 星"。这两种局面在运营上完全相反：前者是产品能打但有个明确短板，后者是产品平庸但没有硬伤。均分把这两种算成了同一个数字。

所以差评分析的第一件事不是算得更精细，是先把被平均掉的分布还原出来。

四、第二个证据：3 星是最大的不满池

差评率的口径是 1-2 星评论数 ÷ 文字评论总数，行业通行，站上也这么算。口径没问题，但它只统计了愤怒到给 1-2 星的那批人。

3 星那批人呢？他们写了评论、说了问题、给了中间分，然后在所有以差评率为核心的报表里消失了。

把 3 星和 1-2 星合起来算一个"不满池"，50 个产品的情况是这样：

• 不满池占样本比例的中位数是 45.5%，最低 18.0%，最高 69.3%
• 不满池 ÷ 差评率，中位数 1.68 倍，最高 5.31 倍
• 50 个产品里 19 个，3 星条数超过 1-2 星条数

那个 5.31 倍就是前面那款电动牙刷。8.6% 是 50 个产品里最低的差评率，但把 3 星算回来，不满池是 45.7%——接近一半的买家在评论里表达了某种不满，只是没给到 1-2 星。

同一款产品，两个口径，一个是"最健康的那个"，一个是"一半人有意见"。两个都是真的，区别只在于算不算 3 星。

最右边一列才是关键。差评率高的产品，倍数小；差评率低的产品，倍数大。

道理不难懂。一款产品烂到让人愤怒，不满会直接冲进 1-2 星，差评率本身就照出来了。一款产品只是"有几个明显短板但还能用"，不满会停在 3 星，差评率照不出来，倍数就大。

所以差评率低，可能是真的好，也可能是"不满没升级成差评"。这两件事在差评率上是同一个数字，在分布上是两个世界。判断办法很简单：把 3 星读一遍。

五、第一件事：把散话归成组

一条真实的差评长这样：

"用了两个月就不充电了，问客服也没人回，包装还压坏了。"

一句话里三个东西：产品故障（不充电）、服务问题（客服不回）、履约问题（包装压坏）。

按星级看，这是一条 1 星。按评论条数看，这是"1 条差评"。两种看法都把一个复合问题压成了一个点。

归类做的是把它拆开，再和别的评论合并：不充电归入电池 · 续航 · 充电，客服不回归入售后与支持，包装压坏归入包装与履约。

拆开之后才能回答"到底哪一环最烂"，因为三类处理成本完全不同。电池问题要改设计或者换电芯供应商，客服问题要加人或者改流程，包装问题换个纸箱加个护角就能解决。混在一条 1 星里，你只知道"这个产品不行"，拆开之后你才知道"先改包装，成本最低，见效最快"。

站上的报告用的是物理原因分组，把 1-2 星按产品出问题的物理环节归类。分组边界在一份报告内部固定，两个产品共用同一套，可以直接并排比。

电动牙刷那份，两个品牌各 37 条和 70 条差评，摊开是这样（百分比分母是各自的差评条数）：

这张表是看星级永远看不到的。

两家最贵的那一环都栽在电池上，占比 32% 和 29%，说明这不是某一家的设计失误，是整个品类的共性短板，谁先做出差别谁先拿到便宜。

反过来，"音质"只占 5% 和 4%，"连接 · 配对 · App"是 0 和 1%——在电动牙刷这个品类里，这些听起来很重要的环节几乎没人抱怨。不归类，你猜不到。

六、第二件事：算清比例，但分母要用对

归类只解决了"有哪些问题"，没解决"哪个问题重要"。重要程度要靠比例，而比例的分母特别容易用错，同一个数字换个分母，结论能反过来。

还是那份电动牙刷报告，Aquasonic 的"电池 · 续航 · 充电"这一组，提及 12 次：

三个数都对，回答的是三个不同的问题。

想知道"改哪个最划算"，用痛点提及做分母，看的是抱怨结构。想知道"差评的人最在意什么"，用差评条数做分母。想知道"这个问题影响多大面"，用评论总数做分母。

错得最多的是拿第一种当第三种用：把 37.5% 说成"超过三分之一用户抱怨电池"，按全部买家算其实只有 4.9%，差七倍，结论也差七倍。

站上的报告里同时存在两套百分比：分组汇总那张表，分母是痛点提及次数；按物理原因摊开的那张表，分母是差评条数。同一份报告、同样的组名、两个不同的数，各自服务不同的问题。看图不注意这一层，很容易把两组数直接比。

分母的完整算法和踩坑，怎么分析竞品差评：30 分钟跑完一遍的流程写得更细。这里只强调一句：写任何一个百分比之前，先说清分母是什么，不然这个数不能给别人看。

七、第三件事：回到原话验证

归类是规则做的，规则会错。

站上用的是一套关键词规则引擎，把 1-2 星按物理原因逐条归类，每条都能回溯到评论 ID。听起来严谨，实际跑起来有大量边界情况：

• "用了两个月不充电了，客服说这是正常损耗" —— 归电池还是归售后
• "充不进电，但换了个充电头就好了" —— 算产品问题还是配件问题
• "电池太耐用了，充一次用一个月" —— 关键词命中"电池"，这是好评被误抓

最后一种最容易出，所以报告里明确写了"3★ 评论的同类关键词归类仅作辅助对照，未计入结论"。

回溯的做法很简单，抽 20 条看原话。归到"电池"那组的抽 10 条，看是不是真在说电池；"其他/长尾"占比特别高的抽 10 条，看是不是分类体系漏了一整类。

第二条尤其重要。"其他/长尾"占比高，往往不是评论太杂，是分组没覆盖到真实问题。站上那份无线耳机报告，"其他/长尾"是 A 款的头号组，占 28.6%——这本身就说明分组体系在这个品类上需要补。

不做回溯，你会拿着一个 28.6% 的"其他"去做决策，而这 28.6% 里面可能藏着一个完整的、还没被命名的真实问题。

这也是词频统计、词云、情感分析共同的毛病：它们给结论，不给你验证结论的路径。

八、还差一层：谁已经解决了

三件事做完，你手上有一张问题地图。还差一层：这张地图上，哪些格子已经有人填了。

25 份报告里，同一份报告的两个产品，头号痛点相同的只有 6 份，不同的有 19 份。

相同的那 6 份，说明这个环节是品类共性短板，两家都没解决。猫爬架那份，两家的头号组都是耐用性，48.2% 和 37.2%；充电宝那份都是电池故障，37.1% 和 28.6%；USB 数据线那份都是充电，61.9% 和 37.5%。

不同的那 19 份，说明至少有一家在这个环节上做得比另一家好，问题被解决掉了一部分。这时候要看的东西就变了，从"问题有多严重"转到"做对的那家做对了什么"。

这个区别决定了完全不同的动作：两家相同，是品类级机会，要投研发，做出来是结构性优势；两家不同，先去看做得好的那家怎么做，多数情况下能抄。

星级把这两种情况算成同一个 4.4 分。两份评分相同的报告，一份该做研发，一份该抄作业，星级分不出来。

九、三种做法，都不是差评分析

**只读 1 星。**1 星最激烈，也最杂。物流慢、包装烂、卖家不回消息、发错货、真的坏了，全挤在里面，读完得到一堆情绪，分不清哪些是产品问题。而且 1 星往往是最少的一格，前面那款电动牙刷 1 星只有 11 条，2 星 10 条，3 星 90 条，只读 1 星等于放弃了 90 条最有信息量的。

只数条数不分组。"这个月有 100 条差评"不含任何可执行信息。100 条里如果有 40 条是同一个问题，那是一件事；如果 100 条是 100 个不同的问题，那是另一件事。

**只看词云。**词云好看，但丢了三样东西：谁说的、说的时候给几分、说了几次。"电池"在词云里很大，可能是 50 个人在抱怨，也可能是 1 个人写了 8 次；而且词云不分好评差评，"电池耐用"和"电池不耐用"会让同一个词变大。

三种做法的共同点：都没有可回溯的路径，也都算不出比例。

十、差评分析不能证明什么

主动把边界说清，比多列几个结论有用。

**样本不是全量。**9,586 条评论在抓取时优先取差评和近期评论，差评密度高于平台整体。报告里的差评率是"样本内差评率"，可以用来做产品之间的横向比较，但不能直接说"这个产品在亚马逊上有 30% 的差评"。

**差评率不等于退货率。**退货的人很多不写评论，写评论的人里很多没退货，两个指标测的是不同人群。

**文字评论有偏见。**愿意写字的人通常要么特别满意要么特别不满意，沉默的大多数不写，所以任何基于文字评论的比例都偏向两端。

**提及占比不等于影响面。**一个痛点被提及 100 次，推不出"影响了多少销量"，它只说明在抱怨结构里占多少。

**同一款产品可能被重复分析。**48 款唯一 ASIN 分布在 25 份报告、50 个产品记录里，个别产品出现在两份报告中。跨报告比较时同名分组的边界也可能不一样，这种时候要比就换成"提及 ÷ 差评条数"这种评论级口径。

**分组是规则跑的，会错。**所以才有第七节说的回溯。任何一组数字，没抽检原话之前都只能当线索。

十一、如果只做一件事

把你手上那个品类的 3 星评论，随机抽 30 条读一遍。

不用工具，不用建模，就人工读。读完记两件事：这 30 条里有多少条在说同一个环节，以及这个环节是不是已经在 1-2 星里出现过。

3 星里反复出现的问题，1-2 星里也有——那是真问题，只是程度不同的人给了不同的分。3 星里反复出现、1-2 星里几乎没提——那是被差评率漏掉的独立问题，也是最值得先动手的地方。

这一步花不了一小时，但它能回答"差评率这个数到底能不能代表我的产品"，而这个答案决定了后面所有分析有没有必要做。

所有引用数字都能在对应报告页逐条核对，比如这篇里用得最多的电动牙刷那份。