十年数据分析经验，被我打包成了4个跨境VOC Skill
基本信息
- 作者：饼干哥哥
- 来源：掘金
- 发布日期：2026-08-10
- 原文链接：https://juejin.cn/post/7672207624274821158
核心观点
-
VOC 3.0 全自动工作流：以宠物安神咬胶为例，从 Amazon、Reddit、X 等平台抓取 4185 条真实评论，经清洗后 3174 条进入统计分析，用 Codex 自动跑完从抓取、打标、统计到出报告的全流程。一份标记可同时覆盖选品、竞品、卖点、内容、复盘、跨市场六种业务场景。
-
VOC 核心方法论不变：从 1.0 到 3.0，核心思想始终是”文本变标签，标签变指标，指标变决策”。这套方法论不只适用于 VOC，舆情监控、客服工单、面试记录等非结构化文本分析场景同样适用。
-
四级标签体系是VOC的关键基础设施：一级标签固定四个维度——人群场景（谁、何时、被什么触发）、功能价值（效果、速度、持久性）、保障价值（安全性、稳定性、专业背书）、体验价值（好用程度、性价比、情绪感受）。一级固定，二三级根据实际评论生成，标签客观不含情感词。
-
AI统计不可靠，必须用Python脚本：实测发现 AI 直接读表格做统计出来的数字全是错的。正确做法是让 AI 编写 Python 脚本执行统计，包括三级标签频次×情感TOP20、品牌×二级标签×情感交叉表、低星缺陷排序，每张表带口径说明与n值。
-
证据链是VOC可信任的底线：每个标签打标时挂上原文和 source_id，便于逐条回查验证。AI打标还需要人工抽查——作者发现「destroying」拆家被误标为「日常吠叫」，「non returnable」差评漏选「退货退款」标签。
实操内容保留
Codex 数据采集 Prompt
为【产品/品类】做 VOC 数据采集，目标市场【美区】。
已安装 bggg-data-amazon / bggg-data-reddit / bggg-data-x 三个 skill，按各 SKILL.md 执行：
1. Amazon：ASIN 清单【3-8 个】，重点款 full 模式，逐次留档 + 失败重试
2. Reddit：核心关键词搜索 + 高赞帖完整评论树，病毒帖按母帖 ≤50 封顶
3. X：关键词搜索，只读渲染页面，滚动到量即停
统一格式：source_id / 日期 / 原文 / 星级或互动 / 来源 URL
红线：不绕验证码、不越权、不伪造
标签体系生成 Prompt
你是资深 VOC 分析师。读取评论样本 150 条。
为「你的品类」构建三级标签体系：
1. 一级标签固定四个：人群场景 / 功能价值 / 保障价值 / 体验价值
2. 二级是关注领域，三级是可统计的具体表达，名称 ≤5 个汉字
3. 标签客观不含情感词（「气味」可以，「难闻气味」不行）
4. 每个三级标签附一句判定说明
5. 输出 JSON
6. 生成后停下来等人工校准，不要直接打标
Python 统计脚本 Prompt
基于打标数据，用 Python 写脚本：
1. 三级标签频次 × 情感，输出 TOP20
2. 品牌 × 二级标签 × 情感交叉表
3. 低星子集的缺陷提及排序
4. 每张表带口径说明与 n
数据抓取技巧
- 反爬：用 Computer Use，AI 操作真实浏览器，像人一样滚动翻页
- 爬得慢：多线程并发 + 子 Agent（Codex 可同时开 6 个）
- Reddit 抓不到：走 Old Reddit，帖子 URL 后加
.json直接拿结构化数据
完整VOC生产线七步流程
评论抓取 → 数据清洗 → 打标签 → 跑统计 → 场景分析 → 出报告 → 落决策
关键概念
- VOC（用户之声分析）— 需创建实体页
- Codex — 已有实体页 Codex
- Skill — 已有实体页 AI Skill
- Computer Use — 已有实体页 Computer Use
- 标签体系设计
- 非结构化文本分析
与其他素材的关联
- 作者之前写过 VOC 1.0 和 2.0 教程，与本文构成方法论演进系列
- 文中提到「饕餮.skill」用于整合多个 Skill，与 Skill 组合/编排主题相关
- 数据抓取部分涉及 Codex 多 Agent 并发，与 Codex 和 Computer Use 实体相关联
原文精彩摘录
一般人做 VOC 不规范的流程是这样的：评论抓完后直接全丢给AI。但 AI 是有幻觉的，出来的东西看似颇有道理，实则错漏百出：数字是不是真的？出现了多少次？是哪个品牌的？原文在哪条？明天再跑一遍结论还一样吗？全都经不起问。所以 VOC 真正要做的事不是让 AI「看评论」，是把评论变成可以计算的东西，所以这里需要打标签。
从VOC 1.0 到 3.0，核心就一件事没变过：文本变标签，标签变指标，指标变决策。变的只是它跑得更稳、更快、更自动。而且这套东西也不只是做 VOC 才能用。舆情监控、客服工单、面试记录等等，只要你面前是一堆非结构化的文本，都是同一套逻辑。
把决策后的真实结果再回收：哪些标签判断准了，哪些指标没有价值，再继续调整标签体系、指标权重和判断规则。跑一轮、校准一轮，就会越来越贴近真实业务。