Hello 论坛的兄弟姐妹好久不见，最近太懒了都好久不发帖子了，最近在搞客户端需求分析比较多，自己也摸索出来一个很有意思的东西，我们平时做客户需求分析的时候大多数是做Amazon Review分析，这是很有必要的，最近我就在想，review都是客户买回去之后再分享的使用体验，就是都是售后的东西了。
 
一个完整的消费决策是：兴趣--了解--疑问--信任or怀疑--发生购买or离开，所以最近就做了一些售前的客户需求分析，售前分析最直观的材料就是竞品的QA，你要做一个产品，就搞清楚买这类产品的客户最关心什么问题，而且是发生购买之前最关心的内容，如果你能清楚把握到，并且合理布局到你的QA页面上，对Listing的转化肯定也会有很大的提升。
 
废话不多说了，直接上代码（为避免滥用，已做部分删除处理）

{"_id":"amaon_QA","startUrl":["https://www.amazon.com/ask/que ... X1PS/[1-22:1]"],"selectors":[{"id":"QA_Part","parentSelectors":["_root"],"type":"SelectorElement","selector":".a-section > div.a-spacing-base > div","multiple":true,"delay":0},{"id":"Title","parentSelectors":["QA_Part"],"type":"SelectorText","selector":".a-spacing-small span.a-declarative","multiple":false,"delay":0,"regex":""},{"id":"Vote","parentSelectors":["QA_Part"],"type":"SelectorText","selector":"span.count","multiple":false,"delay":0,"regex":""},{"id":"Answer","parentSelectors":["QA_Part"],"type":"SelectorText","selector":".a-col-right > span:nth-of-type(1)","multiple":true,"delay":0,"regex":""},{"id":"Answer_Quantity","parentSelectors":["QA_Part"],"type":"SelectorText","selector":".a-section span.a-declarative","multiple":false,"delay":0,"regex":""}]}

 怎么使用以上代码？
 
1.下载WebScraper

在谷歌应用商店下载WebScraper应用插件，下载地址（需要魔法）：
https://chrome.google.com/webstore/detail/web-scraper-free-web-scra/jnhgnonknehpejjnehehllkliplmbmhn?hl=zh​
 

 
2.导入 QA代码

导入方法如图所示
 
先复制以上代码，在浏览器按下F12

导入代码



 
3.怎么使用QA爬虫？





 
页面就会开始跳转开始爬取竞品的数据内容，稍等一下即可下载数据表格




 
如果你能够比较熟练的掌握WebScaraper，那么你也可以自己自定义爬取竞品的数据内容，WebScraper相对于Python来说我自己认为是方便不少的，WebScraper应该是用Webdriver技术来驱动浏览器的，python要写复杂的请求头，而且亚马逊反爬机制太强大了，有时候会给我报假数据，有精力有信心的壮士可以试试。
  
Okay，今天就扯到这里了，有机会再跟大家聊一下怎么做这部分的数据分析，感兴趣的话点一波关注吧~
 
----------------------------------------------------
2022年5月15日更新
----------------------------------------------------
 
真没想到有两百多个朋友关注了这个帖子，原本以为写这种技术贴会偏冷门的，感谢各位兄弟姐妹捧场，趁着周末再更新一下后面部分的内容吧，我也真的是很懒qwq
 
我们获取表格之后就要进行数据分析了，但是客官请慢，试问有多少朋友掌握量子阅读法读英文的，在下做不到，所以先把英文内容翻译一下吧，各个翻译软件都有api可以调用，但是要钱啊。
能白嫖的绝不掏钱，没钱使我无所不能，所以又琢磨出来用web公式直接翻译英文，下面跟大家介绍一下：

 
为了更快对数据进行分析处理，我们可以对QA进行翻译，可以选择Web公式对一列进行快速翻译，操作如下（必须要在Excel2016版本以上进行）
Excel Web翻译公式 =FILTERXML(WEBSERVICE("http://fanyi.youdao.com/translate?&i="&A1&"&doctype=xml&version"),"//translation")
 
数据处理部分内容就已经完成了，接下来则是数据分析的部分
 
------------------------------------------------------------
竞品对手QA数据分析
主要是对对手竞品QA问题种类和频次进行统计，从而分析得出结论，一条条看然后记录确实比较费时间，国外有挺多软件做相关方面的研究了，叫做NLP（Natural Language Processing）
这里就涉及到人工智能 深度学习 机器算法方面的内容了，我也搞不懂，有兴趣有精力的朋友可以去研究。
 
采用记录的数据表格表头给大家分享一下：

 
对问题类型进行分类归纳处理，可以看到产品问题主要集中在哪一些方面。
记录好之后就可以对数据表格进行更深纬度的分析，做数据透视表和数据透视图。

 
利用数据透视表进行分析，对问题类型进行频数分析，同时可以按照某一个问题类型展开看问题细项，例如使用问题里面包含哪些具体的问题？
更有利于我们把我消费者的需求，如果这个问题问的人很多，我们就可以在页面上做针对性解答，给消费者购买的信心。
 
只要你的工作做的足够细致，基本上你看市场头部的几个竞品之后你就会对这类产品很熟悉了，而且能对消费者需求把握比较准确，更上一步如果你比较细心你会发现市场上一些新的机会，例如产品升级点，QA里面有客户反映了需求，但是产品确实没办法解决这个需求的，这时候你就去挖掘相关的产品，如果你能找到满足这个需求的产品，你就可以挖掘这个细分需求的市场，这种机会不多，但是对小卖家而言也可以过的很滋润了。
 
举个例子：
*前一段时间大热的LED灯带，大多数产品都是直插直用的，但是有客户反映要反复插拔很麻烦而且不安全，那么我们能不能在线材本身上增加一个开关，或者搞个只能开关（可以用语音助手/APP/Alexa进行控制）？这里就是一个产品升级点，如果你愿意，你可以更深度去挖掘这个需求；
再举个例子：
*线材如果是安装在地上，如果环境不太好有老鼠，老鼠会不会咬坏线材，这里也是客户反映的一个需求，当初在看的时候发现这个点也不错，说不定可以以这个作为主卖点进行突破，因为市面上多数都是哪些核心需求，但是合适不合适还得看具体效果，这里只是提供一个思路~
 
-----------------------------------------------------
总结回顾：

QA主要反映的是客户售前的决策疑虑，Listing中没有找到清晰答案的，客户就会在QA进行提问。
Review则是客户使用产品之后分享自己的产品使用体验，可以做深度分析，归类卖点和痛点。
QA分析解决售前的疑虑，Review分析围绕售后体验

再次感谢所有的朋友的关注和分享~
有任何疑问或者有更好的建议都欢迎交流~~
------------------------------------
尊重知识劳动成果，禁止任何一切形式转载！！！