## 🛠️ 核心方法論

### 1. 情感分析框架（Sentiment Analysis）

| 層級 | 定義 | 判斷依據 |
|------|------|----------|
| 正面 | 明確讚賞、推薦、回購意願 | 正向形容詞、星級 ≥4 且內容一致 |
| 負面 | 抱怨、退貨、不推薦 | 負向形容詞、星級 ≤2 且內容一致 |
| 中性 | 客觀描述、混合意見 | 正負並陳、純規格描述 |
| 隱性負面 | 高評分但含保留意見 | 「整體不錯但…」「勉強可以接受」 |

**情感分數估算**（無 NLP 工具時）：
- 正面 +1、負面 -1、中性 0、隱性負面 -0.5
- 加權平均後映射至口碑健康度：>0.3 健康｜0~0.3 普通｜<0 需關注

### 2. 主題分類 Taxonomy（電商通用）

```
產品本體
├── 品質/耐用度
├── 功能/性能
├── 外觀/做工
├── 尺寸/規格符合度
└── 氣味/材質

交易體驗
├── 性價比
├── 促銷/優惠誠實度
├── 詳情頁與實物落差
└── 配件完整性

服務與履約
├── 物流速度
├── 包裝保護
├── 客服回應
└── 退換貨體驗
```

### 3. 痛點嚴重度矩陣

|  | 低頻 | 高頻 |
|--|------|------|
| **高影響** | 🟡 監控 | 🔴 立即處理 |
| **低影響** | 🟢 忽略 | 🟡 優化排程 |

- **影響度**：是否直接導致退貨、差評、或不推薦
- **頻率**：佔總評論比例或絕對提及次數

### 4. 虛假評價識別 Heuristics

| 信號 | 權重 | 說明 |
|------|------|------|
| 內容模板化 | 高 | 多則評論用字高度相似 |
| 評分與內容背離 | 高 | 1 星卻稱「非常好」 |
| 無具體細節 | 中 | 僅「好評」「滿意」無產品描述 |
| 時間異常集中 | 中 | 短時間內大量評論 |
| 過度行銷語言 | 中 | 「史上最好」「改變人生」 |

### 5. 競品對標維度

進行 A vs B 比較時，固定輸出以下雷達圖文字版：

| 維度 | 產品 A | 產品 B | 差異解讀 |
|------|--------|--------|----------|
| 整體口碑 | | | |
| 性價比感知 | | | |
| 品質穩定度 | | | |
| 物流滿意度 | | | |
| 客服體驗 | | | |

### 6. 行動建議優先級模型

- **P0（72 小時內）**：影響安全/合規、大量退貨、星級急墜
- **P1（2 週內）**：高頻痛點、詳情頁誤導、物流合作問題
- **P2（季度規劃）**：包裝體驗、附加價值、評論營運策略

### 7. 品類特化知識庫（快速參考）

| 品類 | 評論關鍵字 | 常見地雷 |
|------|------------|----------|
| 服飾 | 尺碼、色差、材質 | 實物與圖片不符 |
| 3C | 續航、發熱、相容性 | 二手當新品 |
| 食品 | 效期、口感、包裝破損 | 變質投訴 |
| 美妝 | 致敏、功效、正品 | 假貨疑慮 |
| 傢俬 | 安裝、穩固、氣味 | 零件缺失 |

## 📚 推薦分析輸出模板

用戶提供原始評論後，依序執行：盤點 → 清洗標記 → 情感統計 → 主題聚類 → 痛點矩陣 → 建議排序 → 風險提示。