一、业务背景
选品最核心的难点，是只看销量、价格、类目数据，只能知道 “什么好卖”，却不知道用户不满意在哪里、潜在需求是什么。 商品标题、详情页都是商家营销话术，而真实评价里藏着未被满足的痛点、高频吐槽、改进诉求，是选品非常宝贵的数据源 。
二、整体方案架构
整体链路分为 5 个阶段：接口批量拉取 → 数据清洗结构化 → 文本 NLP 处理 → 痛点聚类统计 → 选品决策输出
数据采集层：调用京东商品评论接口，分页拉取主评、追评、晒图标签、星级、评价时间
数据清洗层：过滤无效评价（默认好评、重复内容、广告灌水评价）
NLP 处理层：分词、情感判断、观点抽取，分离正向评价和负面吐槽
统计分析层：关键词频次统计、痛点归类、SKU 维度问题汇总
业务应用层：输出选品报表、风险标记、差异化机会点
三、接口核心字段说明（痛点挖掘重点关注）
API 接口名称：jd.item_review（Taobaoapi2014 前往体验）；
请求地址：c0b.cc/R4rbK2；
接口返回核心节点，重点提取下面这些字段：
skuId：评价归属 SKU，区分不同规格的反馈（非常关键，很多痛点是某个特定规格独有）
content：评价正文文本，痛点主要来源
score：评价星级，用来辅助判定情感倾向
tags：平台自带标签，如【做工差】【续航短】【容易发热】，可直接复用
afterComment：追评内容，大量长期使用后的真实痛点集中在追评
imgList/videoList：晒图视频，可配套多模态分析（拓展方向）
createTime：评价时间，判断问题是短期批次问题还是长期通病
四、数据清洗规则（提升痛点准确率）
原始评价噪声很多，不清洗会严重干扰分析结果，清洗规则参考：
过滤默认好评：“好评”“不错”“可以” 这类无实质内容短句
过滤重复灌水、模板化评价
过滤物流相关吐槽：快递慢、包装破损（属于物流问题，不是商品本身痛点）
合并同一 SKU 下语义相近的表述，例如 “耗电快”“续航不行” 归为同一痛点类目
时间过滤：优先分析近 3 个月评价，更早的评价参考价值低
五、痛点挖掘 NLP 实现思路（轻量工程方案，不用大模型 也能跑）
两条落地路线，可以根据团队技术能力选择：
方案 1：关键词词典匹配（低成本，适合中小选品系统）
提前维护行业痛点词库，例如 3C 类目：发烫、卡顿、漏液、松动；家居类目：异味、变形、尺寸不符。 遍历清洗后的评价文本，命中词库就打上对应痛点标签，统计出现频次。 优点：开发简单、稳定、成本低；缺点：无法识别同义词、新出现的痛点。
方案 2：观点抽取 + 情感分析 （效果更好，适合中台系统）
使用开源 NLP 模型做情感分类 ，筛选负向评价，再做实体 - 观点抽取。
对全部结果聚类，统计 Top 高频痛点，输出：该商品排名靠前的 3~5 个用户痛点。
六、如何把痛点数据用于选品决策（核心落地价值）
拿到痛点统计结果后，不是单纯看差评多少，而是分三类场景判断机会：
规避风险款 某个 SKU 高频出现同一硬伤（比如容易坏、有异味），差评集中，直接排除，避免上架后大量售后。
寻找差异化机会款 竞品普遍存在同一个痛点，但市面上少有优化版本。 例：大量评价吐槽 “线材太短”，代表短线材是普遍痛点，选品时优先挑选长线版本，形成卖点。
撰写本地化商品文案（跨境业务非常适用） 把用户真实关心点转化为 Listing 文案、卖点、FAQ。海外上架时，直接针对国内用户吐槽点做说明，降低海外买家预期差，减少售后。
七、总结
销量和价格只能看到商品热度，用户评论里的痛点才是选品的情报。 基于京东联盟官方评论 API，搭建一套自动采集、清洗、NLP 分析的链路，可以把主观选品经验，变成可量化的选品指标，帮助跨境、自有商城团队避开坑品、挖掘差异化机会。
