挖深還是鋪開：這是第一個決定
想要一萬則評論做文字分析，有兩條路：
- 挖深：找一個爆款商品，把它的評論盡量取全
- 鋪開：取一百個商品，每個取前一百則
多數人第一反應是挖深，但平台機制不允許——單個商品的評論清單有可翻頁深度上限，超出部分不再展示。一個顯示兩萬則評論的爆款，實際能翻到的往往只是其中一部分。
而且即使能取全，挖深也不一定是對的：一個商品的評論只反映那一個商品的問題。做品類研究、做產品改進方向判斷，橫向鋪開的樣本代表性更好。
所以正確的問法不是「能取多少則」，是「這個分析需要多少個商品的多少則評論」。這兩個數字定下來，可行性才有意義。
變體評論：不定口徑必失真
同一件商品的不同顏色、尺寸，在平台上共用一個父商品編號，但各自有子編號。評論在頁面上通常是合併展示的——你看到的兩萬則評論，可能橫跨十幾個變體。
這帶來兩個必須先定的口徑：
一、依父編號還是子編號交付。 依父編號：一筆商品紀錄對應全部評論，數量大但你不知道某則評論說的是哪個規格。 依子編號：能對應到具體規格，但同一則評論可能在多個子編號下重複出現。
二、去重規則。 如果依子編號取，同一則評論出現在多個變體下算幾筆？不定這個，最終筆數可能虛高好幾倍，而你在做詞頻統計時會把同一句話數很多次。
做產品改進分析時這一條尤其關鍵——「這個尺碼偏小」和「這個顏色偏暗」是兩個完全不同的問題，混在一起看等於沒看。測試階段我們會把兩種口徑的範例並排給你，確認後再全量。
相關的合併口徑問題寫在多個來源的資料怎麼合併。
激勵評論：能標記，不能保證識別
平台對部分激勵評論有標記，但涵蓋並不完整。所以我們不做「這則是不是刷的」這種判斷，只保留能讓你自己判斷的原始維度：
- 評分分布形態 —— 正常商品的評分分布通常有一定形狀，異常尖銳的分布值得警惕
- 發布時間密集程度 —— 短時間內集中出現大量好評，是一個訊號
- 已驗證購買標記 —— 頁面公開顯示的，我們照原樣保留
做競品比較時這一點特別重要。 如果不看這兩個維度，很容易把對方的營運力度誤讀成產品口碑——一個投了大量激勵的競品，評分會明顯高於它的真實水平。
這和 B2B 軟體評論站的情況類似，那邊的說明在 B2B 軟體評論站。
評論文字能回答什麼問題
能回答：
- 反覆出現的具體問題 —— 尺碼、材質、說明書、包裝、物流，這類具體抱怨在評論裡最密集
- 和競品比差在哪 —— 同品類多個商品的評論放一起，負評主題的差異往往很明顯
- 詳情頁該補什麼 —— 大量評論在問同一個問題，說明詳情頁沒講清楚
- 負評是不是在增多 —— 需要週期性擷取，單次快照沒有基準
回答不了：
- 精確的好評率 —— 取到的不是全量，算出來的比例不等於頁面顯示的評分
- 誰在寫負評 —— 不做身分識別，這一條沒有例外
- 評論真偽 —— 前面說過，只給判斷依據不給結論
擷取節奏與快照
評論是累積型資料，和價格那種快照欄位不一樣：
- 價格今天和明天不同，取的是兩個瞬間
- 評論今天和明天不同，是因為多了幾則——舊的還在
所以評論的週期性擷取不是覆蓋式更新，而是增量追加。我們預設保留每次擷取的完整結果並標記擷取時間，這樣你能還原「負評是什麼時候開始集中出現的」——這個時間點往往比負評內容本身更有價值，因為它能對上你的某次改版或換供應商。
週期性專案要提前定的事寫在週期性資料更新要提前確認什麼。
提需求時說清這五項
- 商品範圍：給定 ASIN 清單，還是依關鍵字／類目搜出來的一批
- 每個商品取多少則：受深度限制，說清是「盡量全」還是「前 N 則」
- 變體口徑：父編號還是子編號，重複評論怎麼去重
- 站點：不同國家站的評論是分開的，要幾個站說清楚
- 一次性還是週期性：看變化必須週期性，看現狀一次就夠
這五項定下來，測試階段會先跑幾個代表性商品，把實測可取筆數和兩種變體口徑的差異給你。商品與價格擷取本身的說明在 Amazon 平台頁，地圖評論的對應說明在 Google 地圖評論怎麼擷取。