01
先写下你想解决的一个问题
例如“观众在购买手冲器具前有哪些信息缺口”,比“分析一下这些评论”更容易得到可用结果。明确内容范围、时间和采样方式。
演示样本适合练习表格结构和分析步骤;要形成真实结论,必须换成你有权处理的真实材料,并注明样本边界。
02
导出,并保留原始证据
在调试台复制响应,将整份 JSON 粘贴到转换工具。检查评论编号、文本、作者和计数,下载 CSV 后保留原始 JSON。
另记平台、对应内容编号、获取时间与页数。多页合并时用“平台 + 评论编号”识别重复项。缺失计数留空,不要补成 0。
03
用一个小而清楚的标签集
先读少量评论,建立几个互斥程度足够高的标签,例如“产品选择”“操作困难”“价格”“无关”。允许“无法判断”,不要迫使每条评论都支持某个结论。
需要 AI 协助时,可以把下面的要求连同材料交给你自己的 AI 客户端。DataNavoAPI在此提供提示词;不会将评论自动发送给外部模型。
请仅根据我提供的评论分析这个问题:[填入研究问题]。 1. 先说明样本范围与不足,不推断整个市场。 2. 将评论归入 3–6 个主题,允许“无关”和“无法判断”。 3. 每个主题给出原始评论 ID 和短引文作为证据。 4. 区分直接观察、你的推断和仍需验证的假设。 5. 不补全缺失数据,不虚构引文或评论编号。
04
把洞察变成下一次验证
完成后人工核对引文与编号,尤其检查否定语气、反讽和多语言表达。主题计数只描述这份样本,不代表整体受众比例。
最终输出可以是三个待验证问题、一个内容选题清单,或下一轮访谈提纲。每条建议保留证据,方便新样本到来后更新判断。