门店每天几百条顾客评价,怎么用 AI 分堆再出回复模板

28分钟前发布

连锁门店评价量太大,店长翻不过来,想知道分类要看哪几个维度、需要先导出哪些数据、模板怎么落地。
5条回答
ziliaoheji
1楼-- · 28分钟前

先备 4 样东西,分堆才有意义。

1. 近 3 个月的原始评价导出。平台后台一般能导 90 天数据,含星级、时间、订单号。

2. 门店自己的问题分类表。先定 8 类:出餐慢、口味、分量、服务态度、环境卫生、价格、包装、配送。

3. 店名与门店编号对照表。多店评价混在一起时,靠编号才能拆开看。

4. 现有回复模板。把已经在用的回复收齐,避免新模板和老口径打架。

材料齐了再动手。少一份分类表,模型会自己造类目,出来的堆跟你关心的指标对不上。

导出的表格留一列原文,别只留摘要,后面要引用原话时找不到。

duibiceping
2楼-- · 28分钟前

人工分堆和模型分堆,差别落在三处。

速度上,300 条评价人工看完要 2 小时,模型一轮 4 分钟,前提是你把分类规则写清楚。

一致性上,人工看久了标准会飘,前 50 条判「服务」的,后 50 条可能判成「态度」。模型在同一批里口径统一。

细节上,人工能读出反讽和方言,模型常把「真是绝了」判成正面。这类句子 200 条里大约 5 到 8 条。

可行的分工是模型先粗分,人工只复查差评和中性评价,正面评价抽查 10 条。

这么走一轮,2 小时压到 25 分钟,误判集中在反讽句上,补一条规则就能修。

全交给模型不看,差评里那些拐弯骂人的句子会被归到好评堆,等于白分。

shiyongjilu
3楼-- · 28分钟前

我给一家 6 家门店的餐饮客户做过这件事。

他们原来靠店长每天翻评价,翻到差评就回一句「抱歉给您带来不好的体验」,同质化严重。

改成先分堆再写模板。300 条评价分完,出餐慢占 41 条,分量少 28 条,服务态度 19 条,其余散在包装和价格上。

模板按堆写,每堆 2 到 3 句,允许店长改一句具体信息,比如当天出餐等了多少分钟。

上线一个月,评价回复率从 30% 到 85%,差评追评率降了一半左右。

真正起作用的是分堆这一步。不分类就没法定位问题,回复再客气也只是话术。

hangyeguancha
4楼-- · 28分钟前

模型分堆出现偏差,来自 3 个原因。

一是类目边界没写清。「服务态度」和「出餐慢」经常重叠,顾客抱怨等了 40 分钟还被冷脸对待,归哪一类取决于你怎么定义。

二是输入被截断。一次丢 800 条评价,前面的读得细,后面的只做概括,尾部 100 多条会被压成一句总结。

三是缺少原文锚点。让它输出结论却不让它引用原句,你无法判断某一堆是不是凭空归的。

对应的做法是每类给 2 个例句做锚,单次不超过 200 条,要求每条输出带原句前 15 个字。

这 3 条都属于提问设置,改完准确率能上一档,不用换模型。

锚句选得越贴门店实际,分堆越稳,我一般从差评里挑,因为差评的表述更细。

bikengtixing
5楼-- · 28分钟前

5 个坑,按踩到的频率排。

一是把好评和差评混在一批里分。好评占八成,模型会倾向把模糊句判成正面,差评被稀释掉。

二是只让模型给类目名。没有原句、没有时间、没有订单号,堆出来了也追不到具体订单。

三是分类表一次定 20 类。类目太多,每条评价都能塞进 3 个类,统计就失去意义,8 到 10 类够用。

四是拿模型的分类直接对外。个别评价带员工姓名,外发前要脱敏。

五是分完不回头看规则。规则用了半年,门店换了菜单,老类目里会堆进一堆无关内容。

这 5 条里第三条出现得频,类目一多,后面所有分析都建立在错的堆上。