在零售电商实验室，我们把商品评论当作结构化的质量信号源，而不是只看评分和情感倾向。
做法分三步：一是对评论文本做细粒度切分，剥离物流、客服等非商品因素；二是用可解释聚类把差评归到「尺码偏差」「材质手感」「包装破损」「描述不符」等主题，并保留原始评论供人工抽检；三是按品类、SKU、时间窗聚合主题，输出给商品与供应链侧作为改进或选品参考。
进展：
- 在约3万条历史评论上做离线验证，差评可归因比例约82%，人工抽检的主题一致率约85%；
- 归因结果接入选品周会试点后，从差评集中出现到形成改进动作的平均周期，由约两周压缩到数天。
下一步计划把退货原因、客服工单与评论做多源对齐，验证跨渠道归因能否提升稳定性，同时观察小样本品类下的主题漂移问题。
评论