先从技术角度解释一下亚马逊稽查系统对Review的大概审核原理，以便大家在实际操作中能主动避免比较低级的错误。
亚马逊大数据系统会对Review、Feedback(本文统称为评价)行为进行特征分类统计，主要算法是聚类分析以及神经决策网络。评价特征分析根据统计学原理对各种维度指标安排概率或某种规律进行分类，特征值包括下单与评价间隔、订单折扣、评价频率、星级打分、评价与反馈比例、晒图比例、视频比例、打分分布、评价密度、订单购买特征、评价内容敏感词、评价账号各种特征等等，实际上计算机自动统计分类的指标远远超过上述十几个。
当某些账号评价出现异常特征时，系统会认为该评价存在操作的可能性(支持度)，进而会对该评价类似特征的评价再次进行特征分类分析，并且有神经决策网络计算人为操纵的支持度。比如：低价成交、绝对化词过密、评价频率高、下单与评价间隔规律这几项或者和其他操作特征同时出现，那么人为操纵的支持度就非常高。支持度达到某个水平，就会触发警告信或者直接封号。这个过程与警察断案非常类似，大家日常操作就要避免某些行为成为规律。 以下是几个在操作过程中比较容易犯的错误，请大家平时多加留意。
1、日常操纵订单如有条件，尽量维持比较低的留评价比例。
这个比例主要是只操作订单的比例，不是所有订单的比例。建议控制在10%-20%之间，尽量就低不就高。 原理：操纵的订单即使做的再完善，也一定会有某些类似的特征值，会部分形成操作订单的聚类(操作越安全被聚为一两类的可能性越低，专业与山寨的功力很多在此体现)。如果这些聚类后续的评价出现大量操纵的其他特征，其操纵的支持度就会很高，风险也就越高，被发现的概率也就越大。
2、对于操纵订单，新产品前面几十个单不建议留评价，老产品前几单不建议留评价。
原理：亚马逊行业数据统计客户留评价比例非常低，也就是阶段性的评价密度和特征呈高度的随机性，老产品会有波动率较低的特征值。对于新品来说，前期的留评价比例会突然出现特征波动，并且持续波动(假设前面几十个留评维持20%)。对新品来说操纵评价的支持度是非常高的，老产品因为历史特征分类则不会出现较大特征波动。
3、下单与评价的时间间隔尽量分散，不要经常在某个间隔安排review。
比如：15天、20天、30天、60天各种间隔都有安排。 原理：真实的客户留评价是高度随机性的，下单后几个月内哪天都有可能留评价。亚马逊的该项特征值也是呈随机分布的，如果某些List的评价经常出现某种时间间隔值过度集中，则会引起该聚类的进一步操纵特征分析。比如：突然出现15-20天内间隔的过多，或者10天和15天的过多等等。OHS可以随意设置订单的评价日期，请大家40天内完成内容设置就行，务必使间隔分散。
4、尽量用自己原创性Review内容，避免过度的绝对化、诱导性用词，禁止抄袭同类产品Review或者拼凑Review内容。
原理：为检测客户的消费行为特征，亚马逊会对Review的内容进行语义分析，提炼有价值的评价特征。重点是分析形容词、名词、动词等语义，如果是抄袭内容或者拼凑内容则会出现于其他产品语义特征高度雷同。绝对化、诱导性用词过多会更多概率被判定为利益交换评价。这样很容易被审核不通过，或者后期被删除。
5、关于review的来源无法三点：真实回流，送测，刷单
真实回流这里不说了基本是随缘，在送测方面一定要审查好账号的留评情况，不要找那些疯狂测评的买家来操控，这些买家的账号是非常不安全的，另外还要谨防亚马逊钓鱼，刷单的话账号一般是刷单公司控制，如果是靠谱的刷单公司的话合理操控还是比较安全的，做好整体账号情况的数学建模，未来将是考验一个这方面公司水准的基本要求。
