從App評論到商業洞察, 零基礎打造AI評論洞察系統: 從資料採集到雲端部署

作者：董建祺/ 劉柔萱/ 劉嘉玲

出版社：深智數位股份有限公司

出版日期：2026/06/19

頁數:336

裝訂:平裝

尺寸:17X23X1.65CM

語言：繁體中文

出版地：中國台灣

（页面参数仅供参考，具体以实物为准）

內容簡介

用 Colab × Gemini × BERT × Apps Script

完成爬蟲、AI 標註、模型訓練與智慧儀表板，

做出你的可上線 AI 產品。

►把海量評論，變成可執行的產品洞察

每天都有大量使用者在 App Store 與 谷歌 Play 留下評論。

有人抱怨閃退、登入失敗、付款卡住；也有人稱讚體驗順暢、功能好用。這些聲音，是產品團隊直接、真實的市場回饋。

然而，當評論累積到成千上萬筆，人工閱讀很快就會失去效率。

本書將帶你從零開始，打造一套 AI 評論洞察系統：從蒐集評論、清理資料、LLM 自動標註、到 BERT 分類模型訓練、智慧儀表板建置，完成部署上線。

你不需要具備工程背景。只要跟著書中的實作流程，就能一步步將大量評論轉化為可追蹤、可分析、可行動的產品洞察，讓產品決策更有依據。

你將學會：

►爬取 App Store 與 谷歌 Play 評論

►清理評論資料，掌握問題與趨勢

►使用 LLM 自動完成資料標註

►訓練 BERT，建立評論分類模型

►打造智慧儀表板，呈現關鍵洞察

►串接 Apps Script，完成雲端部署

適合讀者：

►產品經理

►行銷企劃

►數據分析新手

►AI 轉型學習者

►想打造 AI 產品的人

目錄

▍第 1 篇　為什麼你需要這本書？

► 第 1 章　背景介紹

1-1 App 評論能告訴你什麼？

1-2 為什麼手動看評論行不通？

1-3 本書目標：讓你打造一個真正可運作的 AI 專案

1-4 打造 App 評論洞察系統的七個階段

1-5 為什麼這本書特別適合非技術背景的讀者？

► 第 2 章　小白也能上手的開發工具箱清單

2-1 選工具的哲學：便宜、好用、能快速上手

2-2 谷歌 Colab：開啟你的雲端實驗室

2-3 工具包備忘錄：實作中會遇到的「工具」預覽

2-4 工具上場時機：每個階段該用什麼、在哪一章使用

▍第 2 篇　數據採集實戰 — 打造自動化爬蟲機器人

► 第 3 章　初探爬蟲—從App Store 與 谷歌 Play搬回資料

3-1 爬蟲原理白話解說： 模擬人類行為，自動取得網頁資訊

3-2 找出資料來源：評論從哪裡被取得？

3-3 工具挑選：選擇合適的工具

3-4 建立欄位清單：資料收集前的確認

► 第 4 章　打造你的評論爬蟲

4-1 爬蟲邏輯設計：抓取策略與架構圖

4-2 環境準備：套件安裝與匯入

4-3 實作 App Store 評論爬蟲

4-4 實作 谷歌 Play 評論爬蟲

4-5 延伸選讀：使用 SerpApi 取得更多 App Store 歷史評論

► 第 5 章　評論資料取得、整理與保存

5-1 讓評論資料取得流程更穩定

5-2 結構化儲存： 將散亂的資料存成好讀的 CSV 或 Excel 檔案

5-3 將爬取資料寫入 谷歌試算表

▍第 3 篇　數據煉金術 — 從資料清理到視覺化分析

► 第 6 章　數據大掃除：確保資料的品質

6-1 初步探索資料：找出需要清理的問題

6-2 資料前處理：去除特殊符號、處理重複資料與空值

► 第 7 章　探索性資料分析 (EDA)：在訓練 AI 前先看清真相

7-1 什麼是探索性資料分析（EDA）？

7-2 數值分布觀察：星等與評論長度

7-3 文字前處理：中文分詞與停用詞

7-4 找出代表性關鍵字：TF-IDF

7-5 文字視覺化：製作評論文字雲

▍第 4 篇　AI 標註革命 — 結合LLM 的高效標註流程

► 第 8 章　規則定義：如何教 AI 看懂人話？

8-1 標註任務設計：情感分類與自定義分類

8-2 標註工具實作：手動標註的流程與規範

8-3 標註工程的品質與一致性檢查

► 第 9 章　利用 LLM 加速標註流程

9-1 為什麼我們需要 LLM 輔助標註？

9-2 提示詞工程：讓 AI 精準分類

9-3 環境準備：申請 API 金鑰與設定開發環境

9-4 LLM 自動標註程式實作：情感分類

9-5 LLM 自動標註程式實作：自定義分類

9-6 進行資料驗證，確認 AI 標註品質

9-7 標註資料：關鍵詞萃取與資料整合

▍第 5 篇　深度學習實務 — BERT 模型的訓練與部署

► 第 10 章　理解 BERT 模型的核心原理

10-1 為什麼 BERT 懂語境，而關鍵字搜尋不懂？

10-2 BERT 是如何「讀懂」一句話？

10-3 BERT 如何學習語言？預訓練的兩大任務

► 第 11 章　手把手訓練你的 AI 分類器

11-1 資料集準備：訓練集與驗證集的切分

11-2 訓練模型程式碼逐行拆解

11-3 模型成效評估：什麼是 F1-score ？怎麼看模型準不準？

11-4 擴展應用：從情感分類到問題分類

► 第 12 章　模型優化與 Hugging Face 部署

12-1 調整超參數：如何讓模型更聰明？

12-2 部署至 Hugging Face：建立你的雲端模型庫

▍第 6 篇　系統視覺化 — 打造專業級分析儀表板

► 第 13 章　儀表板系統設計與開發邏輯

13-1 產品設計思維： 使用者想看哪些關鍵圖表？

13-2 儀表板設計流程：從策略到視覺的五層思考

13-3 Excalidraw 快速畫出產品原型

13-4 Data Studio 製作基礎產品原型

► 第 14 章　實作 AI 評論洞察系統

14-1 Vibe Coding 用自然語言「說」出你的系統

14-2 Vibe Coding 與 AI Coding 的差異

14-3 認識兩個工具：谷歌 AI Studio 與 谷歌 Apps Script

14-4 使用 谷歌 AI Studio 進行系統開發

14-5 搞懂系統背後的設計邏輯

▍第 7 篇　上線與維護 — 邁向正式產品之路

► 第 15 章　系統測試與部署

15-1 為什麼我們需要進行系統測試與使用者測試？

15-2 透過持續迭代，完成可行產品

15-3 部署至自訂網域，隨時隨地分享你的專案成果

15-4 部署後的維護與更新流程

► 第 16 章　專案回顧與未來擴展

16-1 從非技術小白到 AI 產品開發者的技能地圖

16-2 未來延伸：引入 AI Agent 進行工作流自動化

16-3 第五層技能：指揮層（Orchestration Layer）

▍結語：這只是起點

▍致謝

作者介紹

董建祺

畢業於台科大企管所與東吳資科所，現任外商零售數據分析師，擁有七年以上資料領域經驗。曾於研討會發表多篇論文。近期投入經營個人品牌《JT用數據說故事》，專注分享數據職涯經驗與多元知識。