在全球化市場中，用戶反饋是產品和服務優化的重要依據。對于像Coohom這樣的家居設計和3D渲染技術公司來說，海外用戶的反饋尤為重要。然而，面對不同文化背景下的海量評論，如何高效地進行分析成為一大挑戰。本文將介紹如何利用ChatGPT等人工智能工具，快速解析海外用戶評論，提煉出核心洞察，為產品優化和市場拓展提供數據支持和戰略參考。

在全球化市場中，用戶的聲音往往是產品和服務優化的重要指引。對于以家居設計和3D渲染技術為核心的Coohom來說，海外客戶的反饋更是理解多元化需求、提升用戶體驗的關鍵。然而，面對來自不同文化、語言背景的海量評論，如何高效地進行調研和分析，成為了Coohom面臨的重要挑戰。

幸運的是，像ChatGPT這樣的人工智能工具，憑借其強大的自然語言處理能力，能夠幫助團隊快速定性解析評論內容，提煉出核心洞察，為產品優化和市場拓展提供數據支持和戰略參考。這項技術不僅提升了調研效率，更為Coohom的全球化發展注入了創新動力。

一、如何獲取海外用戶評論 – SaaS平臺評論的獲取

國外主流的SaaS平臺軟件測評主要有四個：G2, Capterra, Trustpilot, Software Advice。在這些基礎上，還有一些社交媒體中的評論可以瀏覽，如Facebook，Youtube評論，Reddit，Instagram等。

然而，就信息量而言，社交媒體上的信息有的時候只是隨意抒發的言論，存在信息量少，信息嘈雜的特點。因此，如果想要系統的爬取分析，最好從上述提到的四個專業網站上進行獲取。

這幾個網站，通常會要求用戶對對應軟件進行評分，對軟件撰寫長評，并且對軟件的優缺點進行分析。因此，查找這些網站的數據時，不但可以獲取評論，還可以收集多名用戶對于軟件的評分，獲取多維度的分析。

在本次對于Coohom海外用戶評論的調研中，筆者對Trustpilot和Software Advice兩個網站的評論內容進行了爬取和分析，運用了Octparse這款非代碼用戶友好的軟件。之所以選擇這兩個網站，是因為G2與Capterra有反爬蟲機制，運用Octparse無法從上面提取內容。因此，只爬取了上述兩個網站。

*Trustpolite – Coohom評分和評論

*Software Advice – Coohom評分，評論，和優缺點分析

*Octparse – 網站評論爬取界面

Octparse爬取輸出的內容，為包含用戶信息，評論時間點，評論網址，評論內容等的excel表格。爬取時，由于代碼的重復獲取的因素，會有大量的depulicated評論。對于這部分評論的處理方式有兩種：

1. Octparse有自動去重復評論的機制，因此可以要求其自動去除。
2. 但在自動去除時，有些評論可能會識別錯誤或者讀取不靈，所以請務必瀏覽一下。可以將Octparse提取出來的評論部分單獨復制進一個新的excel表格中，靈活運用excel的內置功能查找重復項，然后進行處理。

與此同時，還有一點需要注意，由于海外文化對于隱私保護及其敏感，因此，最好將原文件的評論部分單獨復制出來進一個新的excel文件，再進行分析。與此同時，源文件的其他內容，最好銷毀，至少也是進行加密處理，以防隱私泄露。在處理數據時，尤其是海外數據，保護隱私這一習慣應當作為肌肉記憶來進行培養。

第一部分操作的產物，應當為一個或者幾個excel表格 – 每個表格包含且只包含了對應網站上爬取的評論內容。

二、評論的初步分析 – 利用ChatGPT進行主題獲取

在第一步評論獲取和去重完成之后，筆者獲得了387條有效評論。但該評論只是評論源文本，還未進行主題分類。這個時候第一步，是需要運用ChatGPT對原文本進行主題的粗提取。

*GPT現有的模型

圖示為GPT現有的3個模型：4o，o1和o1-mini。就這次分析的經驗來說，4o宛若一個智障，不但要多次返工還會瞎編，所以在不建議作為主力分析模型使用。o1和o1-mini的文字歸納和推理能力尚可，因此可以在進行評論主題分類的時候使用。

這兩者中，o1和o1-mini推理能力有所差別 – 就如名字所指示的那樣，o1-mini在長文本推理和歸納方面是o1的閹割版，并且文本處理條數也受限，因此，如果需要處理長評或者復雜文本，o1是首選，其次o1-mini。除非在實在沒有辦法的情況下，不要用4o，如果不得已要用，請務必校準其輸出結果。

但是考慮到大模型的資源受限（筆者的GPT賬號是個人會員版），其中o1以及o1-mini都是有限次數使用，因此，需要將4o，o1-mini和o1搭配著使用，其中o1在核心推理步驟才使用，其余時間都是使用4o和o1-mini。至于什么是核心推理步驟，下面會詳細說明。當然，如果后續人使用的是富裕的pro版，那就無腦o1，因為推理性能最好。

源數據到手，就是387條亂序評論。這時候需要進行主題的初步框定。筆者嘗試過將387條評論一次性輸入進GPT（o1模型）中進行分析，但是得到的結果是：文本量過大，無法處理。因此，只能采取分批次處理策略，一次性輸入20-30條，然后對這些評論進行主題分析，歸納出對應主題；然后再次輸入下20-30條，填充進現有主題，或者增添新主題，直到所有評論按批次處理完畢。

在前期主題提取的過程中使用的模式是o1 – 因為需要從無到有的創造主題，因此對于模型的推理能力要求更高；但是，當筆者發現主題飽和出現之后，果斷將模型切換為o1-mini – 因為這種情況下對于文字推理的能力要求出現降低，只需要在現有的主題框架下填充評論即可。

但是，由于o1-mini本身的推理能力限制，在該模型進行推理完輸出評論后，務必人工校準一下，因為mini偶爾會出現主題歸納不規范的情況。這時候，需要手動校準 – 錯誤概率不是很多，可能每40-50條評論，或者模棱兩可的評論會出現這樣的情況。

在主題提取的過程中，筆者從領導那里獲取了一個框架：需要區分正/負面評論。那在該大框架下，筆者又手動調校了一個二級框架，設定為：

正面評論（P）

主題一

主題二

主題…

負面評論（N）

主題一

主題二

主題…

在完成這一步之后，接下來是訓練人工智能。首先，就像筆者剛才所說的那樣，非關鍵步驟不要使用o1，因此，在這步，先使用4o – 開啟GPT一個新主題，第一個prompt，開始介紹背景：”我現在需要給Coohom這一設計工具進行用戶評論的定性分析。接下來，我會給你輸入一個框架，你理解一下輸出給我你的理解。如果和我要求的一致，我會給你輸入新的指令?！?/p>

這時候，GPT應該給你一個繼續指令的回復。下一步，就是將框架輸入給它，然后看它的理解。我輸入給它框架后，它的答復如下：

很幸運，它的回答基本與我想要的一致。那我現在告訴它：我現在會給你輸入評論，以20條為單位。這樣子，它會回答你準備開始接收。這個時候，就做好了AI定性分析環境的搭建。

這個時候開始主題分析。在這種情況下，需要將模型切換為o1，因為要開始復雜文字推理 – 進行主題提取和創建。于此同時，在復制評論的過程中也有一個小細節 – 從excel中直接復制過去的評論，是不帶句首序列點的。因此，GPT帶讀取的過程中，可能會出現語句混淆，然后影響分析精度。

因此，excel中復制評論過來，需要新開一個word處理一下，對每條評論進行手動標序，并且人工校準。這樣，GPT讀取的評論才是精準的，可以用來主題分析。

*未手動標號，直接從excel中復制粘貼的評論，會使得GPT的文本分析進行混淆

因此，在將20條評論進行手動標號之后，我會先給它做一點準備工作 – 將模型切換為4o, 輸入這20條評論，然后跟他同步：“這是我要你分析的評論，你先記住，我稍后會給你指令”。等它形成記憶之后，再切換為o1，輸入指令：”參考我最開始教會給你的框架，首先區分正面和負面評論，輸出結果我們對齊?！爱斀Y果輸出被分類為正面評論和負面評論后，再次使用o1輸入指令：”在你之前分析的基礎上，我需要在正面評論（P-category）和負面評論（N-category）下對評論進行子主題的提取。你分析這些評論，提取主題，然后將對應評論放在相應的主題下。不要分析單個詞語，要分析完整的句子上下文，然后打印這些完整的句子在主題下?！?/p>

這一步其實有三個要點：

1. 與GPT對齊評論是為了使得它形成記憶，方便后續分析進行提取。
2. 分步式的輸入指令：雖然我說o1推理能力相對較強，但是如果它在同一步的指令過多，它也會智障化，不是瞎編就是漏掉這個漏掉那個，徒增工作量。因此分步式的操作有利于提高精度。并且，當分步式的分析流程形成后，也可以push GPT打包這一部分操作過程，使得它形成AI版的定性分析SOP，后續只需對SOP包中的prompt進行微調即可。
3. 如果不加下劃線那個要求，它默認會根據單個詞語或者詞組的意思進行主題分類，這與人工分析中讀取上下文的分析習慣不符，也容易造成錯誤。因此，這一部分指令要添加。

*GPT o1模型根據評論所形成的主題

當前一步完成之后，GPT中就應該有了由20條評論形成的粗主題框架。在進行下一步操作之前，可以將之前分步式操作形成的SOP創建一下?？梢砸驡PT:我剛才給你展示的一個工作流程。接下來，我會再次給你輸入20條評論，你按照上面教你的方法，先對評論進行P/N categories 的分類，然后在把對應category下的評論放置在子評論的范圍內；如果出現新主題，創建新主題并放置評論。我要求你輸出P/N category下創建的主題，然后每條主題下打印出詳細的評論內容，并且index回原輸入的評論批次，標明是評論中的第幾條。如果你學會了，回答yes.

這么創建prompt有兩個原因：

• push GPT形成工作記憶SOP，之后就可以直接扔給它評論輸出結果
• 要求它打印出詳細的答案，適合分析完之后直接校驗。在定性分析時，AI對于上下文的讀取未必與我們理解的相同，故務必校驗，且GPT會瞎編，要小心。

*教會GPT新的工作流程后的產物

在用這流程的prompt進行每20條多輪迭代之后，窮盡所有評論，GPT應該會給你一組所有評論歸納出來，由P/N category分類后的主題。這時候，需要將主題copy進一個word文檔中再進行微調，因為有的時候GPT給你的主題可能沒有按照業務想要的邏輯進行拆分，那樣其實在針對性上會出現問題。這個時候，就需要與業務或者領導進行溝通，共同協助進行主題拆分。在本次調研中，拆分后的主題如下：

正面評價主題

• 渲染質量與速度：提供高質量渲染效果，速度快，滿足高效設計需求。
• 用戶友好性與易用性：界面直觀、操作簡單，適合新手和專業用戶，學習成本低。
• 素材與模型庫：提供豐富的3D模型和素材庫，支持定制與更新，節省設計時間。
• 工具功能豐富：提供多樣化設計工具，支持復雜建模和自定義設計需求。
• 模板豐富：提供多種設計模板，簡化創意設計流程，助力高效設計。
• 設計與創意支持：支持創新設計，提供可視化和優化設計呈現效果的功能。
• 價格與價值：提供高性價比的功能與訂閱選項，滿足個人與小型企業需求。
• 客戶支持與服務：良好的客戶服務與支持

負面評價主題

• 價格與訂閱策略問題：價格較高，訂閱續費機制不透明，部分功能需額外收費。
• 素材與模型庫問題：模型和素材不足，缺乏更新，導入導出兼容性差。
• 界面復雜：用戶界面設計不合理，操作不直觀，難以快速上手。
• 功能復雜：功能設置繁瑣，工具間過渡不流暢，操作步驟過多。
• 渲染速度慢：渲染時間過長，影響設計效率，尤其是在高分辨率或復雜項目中。
• 渲染效果失真：渲染結果與預期不符，出現色差、光影效果不自然等問題。
• 技術與性能問題：軟件運行緩慢、卡頓，渲染時出現延遲或錯誤，影響用戶體驗。
• 客戶支持與服務問題：客服響應慢，問題解決不及時，缺乏詳細操作指導和幫助資源。

在GPT的原版分析中，P category下“工具功能豐富”和“模板豐富”原本隸屬于一個主題下。但是領導根據對于業務的洞察力，要求筆者分為了兩個維度。同時，N category下的“界面復雜”和“功能復雜”原本也是同一個主題，同樣按照相同的邏輯進行了拆分。再進行主題微調并于領導溝通過之后，就可以開始最后一輪的定性分析，評論solidate了。

三、最后一輪定性分析

這一部分的起手勢，是先將模型調成4o，然后將方才調整過的主題輸入GPT:這是一組主題框架，你先記住，我稍后輸入指令。當4o回答記住之后，將模型調整為o1，輸入指令：我接下來會給你20條評論，你根據整句上下文，將相應評論放置在對應主題下。打印出每個主題下的詳細評論內容，以及每個主題的頻數，以及P/N category的總頻數。將詳細內容打印給我，我需要校對。然后輸入標好號的評論，GPT輸出結果將如下：

每20條評論校對完畢之后，建議創建一個word文檔保存輸出結果，因為GPT能力有限，當上下文過多，特別是在300多條評論的情況下，其上下文索引會出錯。因此，分階段保存，是預防這個風險的方法。后續如果需要統計頻數和百分比，手動計算即可。

當評論在新的主題下分類完畢之后，操作者應該就有了一個統計性文件：定性主題以及每個主題下的所有評論，以及相應的頻數。這個時候稍作整理，創建一個excel表格，可以將相關內容全部整理在上面。

四、精選評論

當每個主題下的評論全部整理完畢時，這個時候可以要求GPT進行評論的精選。對于頻數多的主題，可以精選10條; 頻數少的，可以精選五條或者更少。為了達到此步驟的目的，需要先切換模型為4o，輸入prompt: 我接下來要給你輸入一組評論，你先記住，我稍后會告訴你怎么操作。

然后，將模型切換為o1，輸入：從剛才的評論中精選出信息量最大的10條（信息量大的定義為評論者不但說出了渲染好，還說出了原因），每條索引到原評論的序號，然后打印出評論內容，選取原因和中文翻譯。這樣的prompt輸出的內容便于人工校準，如果不滿意，還可以另換。如果某個主題下評論內容過多（大于150條）GPT算力不夠的話，可以分批次處理精選，再優中選優，最后達到目標。GPT的輸出效果如下：

當所有主題的評論都跑完畢的時候，就可以輸出整體文件內容啦！

五、定性分析中寫GPT prompt的技巧

1. 避免一次性輸入過多內容，分批次處理校準
2. prompt的內容精確，標準化，比如規定處理要素和輸出內容等（避免只處理詞組，輸出完整內容）
3. prompt忌一次性輸入太多要求，可以分步式要求GPT處理，確認其學會后，打包為SOP為下面分析做準備。
4. 重要分析步驟記得備份，當GPT涉及的上下文過多時，其可能會混淆。

以上