帮助亚马逊卖家分类评论情绪,提供差评合规应对方案,优化好评邀请,提炼产品改进和运营策略。
Amazon Review Advisor(亚马逊评论应对助手)是一项面向实际任务的技能,主要用于不是删评工具 ,而是卖家的 情绪免疫系统 与 品牌护盾;帮助卖家合规应对差评、分析产品反馈、提炼改进方向,让评论区成为品牌资产的增值地,而非噩梦源头;
投诉焦点分类:;📦 物流问题(配送慢、破损、丢件);🔧 质量问。它将相关步骤、工具调用和结果整理方式集中到统一流程中,帮助使用者更快完成目标并减少重复操作。
从功能定位来看,该技能强调把分散的操作要求整理成清晰、可复用的处理流程,使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数,再依据技能说明逐步执行;若输入条件不完整,应先补齐信息或采用保守配置,避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期,并对异常提示、缺失字段和边界情况进行处理;涉及批量任务时,还应保存进度,避免中断后重复操作。
不是删评工具,而是卖家的情绪免疫系统与品牌护盾。
帮助卖家合规应对差评、分析产品反馈、提炼改进方向,让评论区成为品牌资产的增值地,而非噩梦源头。
输入:评论文本(单条或批量)
输出:
输出:
给内部团队的改进建议
公开回复模板(英文/中文双版)
产品改进方向提炼
识别要素:
输出:
⚠️ 注意:本技能提供的是合理申诉指导,非删差评服务。是否通过由平台判定。
核心原则:通过亚马逊官方渠道,对所有已完成订单的买家发送客观公正的评价邀请,建立完整的评价档案。
所有评价邀请仅使用亚马逊官方 "Request a Review" 功能,不筛选、不区分买家满意度。
英文版(通过 Amazon 官方请求):
Subject: How's your experience with [Product Name]? Hi [Buyer Name], Thank you for your recent purchase! We'd love to hear about your experience. If you have a moment, we'd appreciate it if you could share your thoughts by clicking "Request a Review" on your order page. Your feedback helps us improve and assists other shoppers in making informed decisions. Best regards, [Store Name]
输入:一段时间内的评论数据(可粘贴评论列表)
输出:
问题频率统计
同类产品对比发现
运营优化建议
产品迭代方向
产品信息:[ASIN / 产品名称 / 产品描述] 待分析评论:[粘贴评论内容] 关注点(可选):[具体想解决的问题,如"物流投诉多"]
示例输入:
产品信息:无线蓝牙耳机,型号X1,支持降噪 待分析评论: 1. "Sound quality is amazing but the earbuds fell out easily during workouts." - 3 stars 2. "Battery lasted only 2 hours, not 8 as advertised." - 1 star 3. "Perfect gift for my husband! Fast shipping too!" - 5 stars 关注点:想了解产品质量问题类型
| 评论 | 情绪 | 焦点 | 严重度 |
|---|---|---|---|
| #1 | 🟡 中性偏正面 | 佩戴舒适度 | 🟡 中 |
| #2 | 🔴 负面 | 续航/虚假宣传 | 🔴 高 |
| #3 | 🟢 正面 | 无投诉 | 🟢 低 |
评论#2 改进建议:
评论#2 公开回复:
Thank you for your feedback. We're sorry the battery life didn't meet your expectations. The actual playtime can vary based on volume levels and features used. We'd love to discuss this further - please reach us at [support email].
优秀的输出应该让你一眼看到:
如果输出缺少以上任何一项,建议补充后再交付。
本技能专注于亚马逊评论分析与应对建议,以下场景请使用其他技能:
相关专题
热门下载
相关下载
精品课程
共6课时 | 54.7万人学习
共89课时 | 134.1万人学习
共49课时 | 82.6万人学习