差评里的抱怨,基本就是没被满足的需求。我的做法很笨:把竞品 1-3 星评论全抓下来,按痛点归类,出现频次高的那几类,就是产品改进的入口。看销量榜只能知道什么卖得动,看差评才知道为什么有人买完就骂。
- 只抓 1-3 星,四星五星是安慰剂,翻完对选品没用。
- 归类要归到「功能 / 材质 / 描述不符 / 物流 / 尺寸」这种可动手的层面,不要归成「质量差」。
- 高频痛点能不能改成卖点,先看改造成本和退货风险,两样都过不去就别碰。
差评不是用来骂竞品的
我见过太多人抓完评论,得出一个结论:竞品真烂。然后呢?没有然后。这份调研等于白做。
差评的正确用法是当需求清单读。一条 2 星评论说「盖子拧不紧,倒过来会漏」,这句话翻译过来是:有一批用户对密封性有硬要求,而市场上现有的产品没满足。这就是入口。
至于竞品这个团队行不行、供应链什么水平,跟你没关系。你要看的只有一件事:抱怨背后站着多少人。
抓多少条、抓哪个时间段
我的习惯是每个竞品抓最近 12 个月的 1-3 星评论,少于 500 条就再往前拉,够 500 条再开始归。量太小,归出来的都是噪音。
为什么卡 12 个月?评论里骂的问题会随批次变化。三年前那批货的模具问题,现在早改了,你归进去就是给自己挖坑。
竞品数量上,同一细分里挑 5 到 8 个就够。少于 5 个,痛点分布看不出来;超过 10 个,后面归类的时间成本会把你拖垮,我试过,一个下午就没了。
归类这一步,决定这份调研有没有用
归类最怕的就是图省事。全丢进「质量差」「不值这个价」这种篮子里,看着整齐,实际什么都指导不了。
我一般分这么几层:功能失效、材质做工、描述不符、尺寸适配、包装破损、物流时效、说明书看不懂。每一层下面再挂具体描述,比如「功能失效」下面挂「用了 3 个月就不转」。
- 归成情绪词:差、烂、垃圾、后悔——这些一律不算痛点。
- 归成无法验证的说法:「感觉不结实」单独成类,但要标出它出现了几次。
- 把物流问题跟产品问题混在一个篮子里,这两类改造成本差着量级。
归完之后你会看到一张分布表。前 3 类痛点通常能占到全部抱怨的 60% 到 70%,剩下的是长尾。重点看前 3 类。
哪些抱怨能改,哪些碰不得
看到高频痛点就兴奋,是新手最容易踩的坑。有些抱怨你改不了,或者改的代价比收益大。
物流时效类的抱怨,除非你自己有海外仓,否则基本无解,这类直接划掉。描述不符类的好办,改 Listing 文案和主图就能解决一部分,成本低,见效快。
材质和功能类的要算账。假设痛点集中在「电机 3 个月就烧」,你要换电机供应商,单台成本可能上浮 8 到 15 个点。这笔账得先算出来,再决定要不要做。
尺寸适配类的有时最好做,把配件做全,一个转接头的事。我遇到过一款产品,光是把接口做成三种规格可选,差评里关于「装不上」的比例就掉了一大截。这事我不敢说死,具体还是要看品类。
痛点能不能变成卖点,还要过两道关
第一关是退货风险。改善后的产品如果拆封后依然容易引发退货,那这个改造就是把利润往退货仓里送。退货率 3% 和 8%,一年下来差的钱不是小数目。
第二关是用户认知成本。有些痛点改好了,用户根本看不出来,因为他在货架上分不清你和竞品的差别。这种改造只有自己知道,市场不给你回报。
所以真正值得做的,是那种改完之后能在主图或五点描述里一句话讲清楚的痛点。讲不清楚,就等于没改。
一个具体的归类过程长什么样
举个模拟案例。假设场景:某个厨房小家电细分,抓了 6 个竞品共 720 条 1-3 星评论。
归完之后分布是这样——清洗难占 31%,噪音大占 24%,用了两个月后转速下降占 18%,剩下的是外观划痕和包装问题。
清洗难和噪音大,是设计层面的,改起来要么重开模,要么换结构,成本不低。转速下降是电机或轴承的问题,换供应商能解决,成本可控。那么这款产品的切入点就落在第三类上。
整个过程不超过 2 天。比拍脑袋想一个「我觉得这个能火」的想法,靠谱得多。
判断该不该做的三条边界
我把归类结果过一遍这三个问题,过不去就不做。
第一,这个痛点出现频次够不够高?至少要在抓取的评论里占到 15% 以上,才有代表意义。低于这个数,很可能是小众需求。
第二,改造成本能不能压进毛利里?如果改造后毛利被压到 20 个点以下,这款产品基本没有广告投放空间,做起来会很累。
第三,竞品有没有已经在改?有时候你归类完发现,头部那两个竞品最近半年的差评里,这类抱怨明显在减少。说明人家已经在动作了,你这时候进去就是追着吃尾气。
说句实在话
差评挖掘不是什么高深技术,就是把别人懒得做的笨功夫做扎实。抓评论、归类、算账,三步而已。
难的是忍住不跳过归类那一步。我见过不少人抓完评论直接跳到「我觉得应该做 XX」,中间的分类和频次统计全省了,最后做出来的东西跟竞品一样,差评也一样。
这套方法不保证选对,它只是让你少拍脑袋。选品本来就没有稳赢的路,能做的就是把判断建立在数据上,而不是情绪上。
本文的资料整理与错漏校对请 AI 帮了忙,行业判断与经验部分出自我的实操复盘。
