我是饼干哥哥，我的十年数据分析经验又派上用场了。
我把这些经验打包进 4 个 VOC Skill，用 Codex 自动跑完从抓取、打标、统计到出报告的全流程：
以「宠物安神咬胶」为例，从 Amazon、Reddit、X 甚至加上 TikTok、YouTube、Facebook 等多平台，抓取了 4185 条真实评论，打一次标就能回答选品、竞品、卖点、内容、复盘、跨市场六种业务场景的问题。
这已经是 3.0 版本了。
之前出过VOC 分析的1.0、2.0 教程，很多人一落地就出问题：流程没法复用，换个品类重开；数据越来越难抓，平台反爬一轮比一轮严，全靠人工截图了。
9000字落地实操：AI做用户购后评论洞察分析
Reddit VOC调研太慢？搭一个AI专家团队半小时洞察任何品类｜以猫用饮水机为例
所以进化成 3.0 就是来解决这些问题的。上周轮到我给圈子直播，正好讲了这个内容。
直播结束后甚至有圈友说把我蒸馏了哈哈哈。
接下来给大家复盘下我是怎么做的。
先了解下品类。
犬用安神咬胶，是给狗吃的安神软零食，让狗在烟花、雷暴、独处这些高压场景下镇定下来。
我选了三个品牌、五个 ASIN、Amazon、Reddit、X 三个平台让 Codex 一起抓。
开始前，把下面这段提示词丢给 Codex：
最终抓回来原始数据 4185 条。剔掉跑题的、纯推广的，剩 3688 条进入分析。Reddit 病毒帖封顶处理完，最后拿来做统计的是 3174 条。
跑完最终交付出来一份 HTML 报告。
完整报告包含：
并且所有结论都能用 source_id 回查到原始评论。
那这条工作流是怎么搭的呢。
先看整体框架。
整条线一共七步：评论抓取 → 数据清洗 → 打标签 → 跑统计 → 场景分析 → 出报告 → 落决策。
一般人做 VOC 不规范的流程是这样的：评论抓完后直接全丢给 AI。（看看是不是你「狗头」）
但 AI 是有幻觉的，出来的东西看似颇有道理，实则错漏百出：数字是不是真的？出现了多少次？是哪个品牌的？原文在哪条？明天再跑一遍结论还一样吗？全都经不起问。
所以 VOC 真正要做的事不是让 AI「看评论」，是把评论变成可以计算的东西，所以这里需要打标签。
那标签怎么设计？
我用的是四大用户价值层级，一级标签固定四个：
一级固定，二三级根据实际评论生成。
整个标签体系的生成规则放这里，直接改品类名就行：
整个 VOC 流程我还做了一份文档给圈友，这里单独拎几个Tips说一下。
Tip 1 - 数据抓取
现在评论越来越难抓，讲几个要点。
.json 直接拿结构化数据。Tip 2 - 打标需要抽查
AI 打标不能直接信。
我们抽了 30 条复核，发现「destroying」拆家被打进了「日常吠叫」；还有差评明明写了 "non returnable"，但「退货退款」标签漏选了。
Tip 3 - 统计必须用 Python 脚本
我测过，让 AI 直接读表格做统计，出来的数字全是错的。让它写脚本跑准：
Tip 4 - 结论要有证据链
每个标签打的时候就挂上原文和 source_id。
比如报告里写「气味提及 126 次」，我也能一条一条翻回去确认看看。
从VOC 1.0 到 3.0，核心就一件事没变过：文本变标签，标签变指标，指标变决策。
变的只是它跑得更稳、更快、更自动。
而且这套东西也不只是做 VOC 才能用。舆情监控、客服工单、面试记录等等，只要你面前是一堆非结构化的文本，都是同一套逻辑。
后面还能怎么进化？
把决策后的真实结果再回收：哪些标签判断准了，哪些指标没有价值，再继续调整标签体系、指标权重和判断规则
跑一轮、校准一轮，就会越来越贴近真实业务。
当然，如果你手上也有类似的 Skill，可以直接用我的「饕餮.skill 」，把这 4 个 VOC Skill 吃了。
至于怎么吃得更香、消化得更好……可能就是下一期「饕餮.skill 2.0」了。
好的 skill 从来都迭代出来的！！