Come strutturare un prompt efficace per l'analisi recensioni
Un prompt efficace per analizzare recensioni segue una struttura precisa in quattro blocchi: ruolo/contesto, compito, vincoli e formato output.
Blocco 1 - Ruolo e contesto: Definisci chi deve "essere" l'AI e il contesto operativo. Esempio: "Sei un analista e-commerce specializzato in prodotti per la casa venduti su Amazon.it. Devi analizzare recensioni di un set di pentole in acciaio inox vendute a 89€."
Blocco 2 - Compito specifico: Indica esattamente cosa cercare. Troppo generico ("analizza queste recensioni") produce output vaghi. Meglio: "Identifica i 5 problemi tecnici più menzionati, il sentiment generale in percentuale, e i termini positivi usati per descrivere qualità e prestazioni."
Blocco 3 - Vincoli e focus: Limita l'analisi a ciò che conta. "Ignora recensioni con meno di 20 parole. Concentrati su difetti ripetuti almeno 3 volte. Evidenzia problemi che impattano la decisione d'acquisto."
Blocco 4 - Formato output: Specifica come vuoi i dati. "Produci una tabella con colonne: Tema | Menzioni | Sentiment | Impatto business (Alto/Medio/Basso)."
Esempio di prompt completo:
Sei un analista prodotto per un seller Amazon.it.
Analizza queste 50 recensioni di una friggitrice ad aria venduta a 119€.
Task:
- Identifica problemi di prodotto menzionati almeno 4 volte
- Classifica sentiment: positivo/neutro/negativo (in %)
- Estrai aggettivi ricorrenti (min 3 occorrenze)
- Segnala recensioni che citano confronti con competitor
Output: tabella markdown con colonne Problema | Frequenza | Gravità | Citazioni esempio
Questo approccio funziona con ChatGPT-4, Claude, Gemini o qualsiasi LLM. Più sei specifico, più l'output è utilizzabile per decisioni concrete.
Prompt pronti per casi d'uso reali di seller italiani
Ecco cinque prompt testati su scenari reali di venditori e-commerce italiani, pronti da copiare e adattare.
Prompt 1 - Identificare difetti di prodotto da sistemare
Ruolo: Analista QA per prodotti elettronici venduti su Amazon.it
Analizza queste recensioni di [prodotto] e:
1. Elenca difetti/malfunzionamenti citati 3+ volte
2. Separa problemi di produzione vs problemi di design
3. Calcola % di recensioni che menzionano ciascun difetto
4. Indica se il difetto causa resi (cerca parole: reso, rimborso, restituito)
Output: Tabella con Difetto | Tipo | % Recensioni | Causa resi (Sì/No) | Esempio citazione
Prompt 2 - Ottimizzare bullet point e descrizione prodotto
Sei un copywriter e-commerce. Analizza queste recensioni verificate di [prodotto] venduto a [prezzo]€.
Estrai:
- 10 benefit/caratteristiche più apprezzate dai clienti
- Linguaggio esatto usato dai clienti (aggettivi, espressioni)
- Caratteristiche citate come "decisivi per l'acquisto"
- Confronti positivi con prodotti concorrenti
Produci: elenco puntato di 5 bullet point ottimizzati per scheda Amazon, usando le parole esatte dei clienti
Prompt 3 - Analisi sentiment per monitorare qualità nel tempo
Analizza sentiment di queste recensioni del prodotto [ASIN].
Dividi recensioni per periodo:
- Ultimi 30 giorni
- 31-90 giorni fa
- 90+ giorni fa
Per ogni periodo calcola:
- % Positivo/Neutro/Negativo
- Rating medio percepito
- Problemi emergenti nel periodo recente vs precedente
Output: tabella comparativa che evidenzi trend in peggioramento o miglioramento
Prompt 4 - Trovare keyword long-tail per campagne PPC
Sei uno specialista Amazon Ads per il mercato italiano.
Da queste recensioni estrai:
- Frasi di 3-5 parole che descrivono utilizzo/benefici del prodotto
- Termini di ricerca impliciti (es. "perfetto per..." "ideale quando...")
- Problemi risolti dal prodotto (keyword "soluzione a...")
- Confronti con alternative ("meglio di..." "sostituisce...")
Produci: 20 keyword long-tail in italiano per campagne Manual Targeting, ordinate per potenziale di conversione
Prompt 5 - Gestire recensioni negative strategicamente
Analizza queste recensioni negative (1-2 stelle) del prodotto [nome].
Per ogni recensione negativa:
1. Classifica tipo: problema prodotto / aspettativa errata / errore logistica / uso improprio
2. Indica se risolvibile con aggiornamento prodotto
3. Valuta se merita risposta pubblica (danneggia reputazione se ignorata?)
4. Suggerisci risposta tipo (se applicabile)
Focus su recensioni degli ultimi 60 giorni. Output: tabella Recensione | Tipo problema | Azione consigliata | Priorità (Alta/Media/Bassa)
Come raccogliere e preparare le recensioni da analizzare
Prima di usare i prompt, serve raccogliere le recensioni in formato utilizzabile. Per seller Amazon, eBay o Etsy italiani, ecco il processo pratico.
Metodo 1 - Copia manuale (fino a 50 recensioni)
Per volumi limitati, copia direttamente dalla pagina prodotto. Organizza in un file .txt o Google Doc con struttura:
Rating: 5/5
Data: 15/01/2024
Testo: "Ottimo prodotto, arrivato in 2 giorni..."
---
Rating: 3/5
Data: 10/01/2024
Testo: "Buono ma la confezione era danneggiata..."
Metodo 2 - Estrazione con tool terze parti (50-500 recensioni)
Per volumi maggiori usa tool come Helium 10 Review Downloader o Jungle Scout (costo medio 30-80€/mese per piano base). Questi permettono di esportare recensioni di qualsiasi ASIN in CSV. Scarica il file, mantieni solo: rating, data, testo, variante.
Metodo 3 - Scraping API per monitoraggio continuo
Seller con catalogo ampio possono usare Amazon Product Advertising API o servizi come Keepa (circa 19€/mese). Per la maggior parte dei seller italiani, export mensile manuale o via tool è sufficiente.
Preparazione dati per l'AI
Una volta raccolte, pulisci le recensioni:
- Rimuovi recensioni duplicate
- Elimina recensioni con solo emoji o "ok" generici (meno di 10 parole)
- Separa recensioni per variante se vendi configurazioni diverse
- Per set grandi (+100), crea campioni rappresentativi (es. 30 positive + 30 negative + 20 neutre)
Formato ideale da incollare nel prompt:
Recensione 1 (5 stelle): "Testo..."
Recensione 2 (4 stelle): "Testo..."
Limiti tecnici: ChatGPT-4 gestisce circa 25.000 parole in input. Una recensione media Amazon è 50-80 parole, quindi puoi analizzare circa 250-300 recensioni in un singolo prompt. Per volumi superiori, suddividi in batch e chiedi poi un'analisi aggregata.
Interpretare i risultati e trasformarli in azioni concrete
L'output dell'AI va tradotto in decisioni operative. Ecco come usare i risultati per ottimizzare vendite e prodotto.
Da problemi ricorrenti a miglioramento prodotto
Se il prompt identifica "il coperchio non chiude bene" citato in 15 recensioni su 100 (15%), hai un difetto che impatta il 15% dei clienti. Azione: contatta il fornitore, richiedi campioni di controllo, valuta lotto difettoso.
Da sentiment analysis a strategia review
Tabella esempio prodotta dall'AI:
| Periodo | Positive | Neutre | Negative | Rating medio |
|---|---|---|---|---|
| Ultimi 30gg | 65% | 20% | 15% | 4.2 |
| 31-90gg | 78% | 15% | 7% | 4.5 |
| 90+gg | 82% | 12% | 6% | 4.6 |
Peggioramento evidente. Possibili cause: cambio fornitore, lotto difettoso, modifica packaging. Azione immediata: sospendi rifornimenti, verifica batch recenti, attiva programma di sostituzione proattivo.
Da keyword estratte a campagne PPC
Prompt 4 produce liste tipo:
- "friggitrice senza olio facile da pulire"
- "cottura sana per famiglia numerosa"
- "sostituisce forno tradizionale"
Queste long-tail hanno CPC medio su Amazon Ads Italia di 0,40-0,80€ (vs 1,20-2,50€ per keyword generiche). Crea campagne Manual Targeting con exact match su queste frasi. Budget test: 10€/giorno per 7 giorni.
Da recensioni negative a customer service preventivo
Se l'AI classifica il 40% delle recensioni negative come "aspettativa errata", il problema è la scheda prodotto. Esempio: seller di integratori riceveva recensioni negative perché clienti si aspettavano risultati in 7 giorni. Soluzione: aggiornato bullet point con "Risultati visibili dopo 30 giorni di assunzione costante". Recensioni negative calate del 60% in 3 mesi.
Metriche da tracciare nel tempo
Crea dashboard mensile con:
- % sentiment positivo/negativo (target: >75% positivo)
- Top 3 problemi ricorrenti e loro trend
- Nuove keyword organiche emerse dalle recensioni
- % recensioni che citano competitor
Tool: Google Sheets con grafici, aggiornamento manuale mensile (30 minuti).
Errori comuni nell'uso dei prompt per recensioni
Errore 1 - Prompt troppo generici
"Analizza queste recensioni" produce riassunti inutili. Sempre specificare: quali aspetti, quale formato, quali metriche. Differenza: prompt generico dice "i clienti apprezzano la qualità", prompt specifico dice "23% delle recensioni cita 'facile da montare' come benefit principale".
Errore 2 - Analizzare sample non rappresentativi
Prendere solo le prime 20 recensioni (ordinate "più utili") distorce l'analisi: Amazon mostra recensioni con più interazioni, spesso polarizzate. Soluzione: ordina per "più recenti", prendi campione distribuito temporalmente.
Errore 3 - Ignorare il contesto variante
Se vendi prodotto con 4 colori/taglie, recensioni aggregate mascherano problemi specifici. Esempio: zaino venduto in nero e rosso. Il rosso ha difetto di tintura, ma aggregando tutte le recensioni il problema sembra marginale. Sempre separare l'analisi per variante.
Errore 4 - Non iterare sui prompt
Il primo prompt raramente è perfetto. Workflow corretto: esegui prompt → valuta output → raffina. Esempio: primo prompt produce "problema: qualità". Troppo vago. Raffina: "specifica se qualità riguarda materiali, assemblaggio, finiture, durata".
Errore 5 - Affidarsi solo all'AI per decisioni critiche
L'AI identifica pattern, ma l'interpretazione è tua. Se l'analisi dice "30% recensioni negative citano consegna lenta", il problema non è il prodotto ma la logistica. Sempre incrociare insight AI con dati Seller Central.
Automazione: quando e come scalare l'analisi
Per seller con catalogo ridotto (1-5 prodotti), analisi manuale mensile con prompt è sufficiente. Per cataloghi più ampi serve automazione parziale.
Setup base automatizzato (10-50 prodotti)
Workflow con Make.com (ex Integromat, piano base 9€/mese) + OpenAI API:
- Scraper mensile estrae recensioni nuove
- Make invia recensioni a OpenAI con prompt predefinito
- Output salvato in Google Sheets
- Notifica email se emergono problemi critici
Costo: 9€ Make + circa 5-15€/mese OpenAI API. Setup iniziale: 3-4 ore o 200-300€ per freelancer.
Quando NON automatizzare
Automazione ha senso solo se:
- Catalogo 10+ prodotti con flusso recensioni costante (min 20 nuove/mese)
- Monitori anche competitor
- Team esteso che deve accedere a insight regolari
Per singolo seller con 2-3 prodotti, analisi manuale mensile (30 minuti) batte automazione in rapporto costo/beneficio.
Monitoraggio competitor
Usa gli stessi prompt per analizzare recensioni dei top 3 competitor. Identifica:
- Problemi che loro non hanno risolto (opportunità di differenziazione)
- Feature apprezzate da copiare/migliorare
- Gap di prezzo/valore
Frequenza: trimestrale per prodotti maturi, mensile per nuovi lanci.