shield_lock
金大哥
← 返回 Skill 列表
extension
分类: 数据与分析无需 API Key

口碑管家·门店评价分析

门店评价分析专家「口碑管家」。整合多维评价分析与差评语义归因，在 WorkBuddy 本地用 Python（pandas + openpyxl）对餐饮门店评价 Excel/CSV 做分析，输出结构化 Excel 报告（最多 18 个 Sheet）。触发词：评价分析、口碑分析、差评归因、差评分析、差评标签、门店评价、用户评价、评论分析、口碑管家、分析评价数据、导出评价报告、菜品口碑、高危预警、评价导出、品牌对比、门店预警、改善建议、UGC分析、点评分析、食品安全、好评亮点、review analysis。

person作者: user_8f3198c0hubcommunity
download下载资源包

差评语义归因分析工具包

版本：v2.0
用途：将餐饮门店评价数据中的差评进行语义归因，通过关键词匹配自动打上 38 个细分标签，输出结构化的 Excel 分析报告，支持竞品对比和学城XML输出。
适用：单城市/多城市最多 18 Sheet 报告 + 竞品对比 + 学城 XML。

一、环境准备

1. 安装 Python 3.8+

确认已安装 Python，然后安装依赖库：

pip install pandas openpyxl

二、文件说明

| 文件 | 说明 | |------|------| | analyze.py | 核心分析脚本，命令行直接运行 | | SKILL.md | Skill 描述文件 | | README.md | 本说明文档 |

三、使用方法

命令行运行

python analyze.py <输入xlsx文件路径> [城市名] [输出目录] [--brand 品牌名] [--compare 竞品1.xlsx 竞品2.xlsx] [--xuecheng]

示例

# 基本用法：分析深圳门店评价数据
python analyze.py /data/深圳评价明细.xlsx 深圳 /output

# 指定品牌名称
python analyze.py /data/深圳评价明细.xlsx 深圳 /output --brand 海底捞

# 竞品对比：主品牌 vs 竞品A vs 竞品B
python analyze.py /data/海底捞评价.xlsx --brand 海底捞 --compare /data/巴奴评价.xlsx /data/呷哺评价.xlsx

# 同时生成学城XML文档
python analyze.py /data/深圳评价明细.xlsx 深圳 --xuecheng

# 全部功能组合
python analyze.py /data/海底捞评价.xlsx 深圳 /output --brand 海底捞 --compare /data/巴奴.xlsx --xuecheng

四、输入数据要求

支持两种输入类型

  1. 全量评价数据（推荐）：包含好评+差评的完整评价表，脚本会自动筛选差评
  2. 已是差评明细：文件名含「差评」「中差评」「极差评」「bad」等关键词，脚本会直接读取不做筛选

必需字段（列名会自动识别）

| 字段 | 候选列名（脚本自动匹配） | |------|------------------------| | 评价原文 | 评论正文、评价内容、评论内容、内容、content、review | | 综合评分 | 综合评分、评分、score、星级、总评分 | | 来源平台 | 平台名称、来源、平台、source、渠道、评价来源 | | 门店名称 | 门店名称、店铺名称、店名、store_name、storename、store、门店 | | 评价时间 | 评价时间、评论时间、时间、date、日期、创建时间 | | 精选标记 | 评论状态、是否精选、精选、selected、精选标记 | | 城市名称 | 城市名称、城市、city |

列名识别采用四轮优先级：精确匹配 → 结尾匹配 → 开头匹配 → 包含匹配（跳过 ID 列）

五、差评筛选规则

自动判断评分制度

脚本根据原始数据的最大评分值自动判断评分制度：

| 原始最大分 | 评分制度 | 差评阈值 | 极差评阈值 | |-----------|---------|---------|-----------| | > 40 | 50 分制 | < 20 | ≤ 10 | | > 10 | 100 分制 | < 40 | ≤ 20 | | > 0 | 5 分制 | ≤ 3.5 | ≤ 2 |

筛选条件（全量数据时）

  • dp（大众点评）：精选评论（评论状态 含「精选」且不含「非精选」）
  • mt（美团）：全部评论
  • 综合评分低于阈值（见上表）

若筛选后差评数 < 10 条，自动退回只用评分条件（忽略平台/精选条件）

六、标签体系（9 大维度 × 38 细分标签）

| 维度 | 细分标签 | |------|---------| | 口味问题（7） | 口味偏淡、口味偏咸、口味偏辣、口味偏酸、口味偏油、口味不正、口味偏甜 | | 食材/品质（5+1） | 食材不新鲜、分量不足、品质下滑、食材有问题、未熟/过熟、食品安全 | | 服务问题（5） | 服务态度差、上菜慢、服务不专业、催单/催位、米饭问题 | | 等位问题（1） | 排队等位 | | 环境问题（6） | 环境嘈杂、环境卫生差、空间拥挤、停车不便、营业信息有误、环境温度差 | | 价格问题（5） | 价格偏高、价格上涨、隐形消费、优惠套餐问题、退款售后问题 | | 菜品问题（4） | 菜品售罄、菜品单一、菜品温度差、菜品与描述不符 | | 预期落差（1） | 预期落差 | | 其他（3） | 外卖问题、优惠/活动问题、结账问题 |

每条差评可命中多个标签，未命中任何标签的标记为「未分类」

七、输出报告结构

基础报告（最多 12 个 Sheet）

| Sheet | 名称 | 内容 | |-------|------|------| | 1 | 差评归因总览 | 维度汇总 + 细分标签逐行 + 典型原声 + 维度级汇总 | | 2 | 门店差评分布 | 门店排名（极差评/中差评/逐月/主要问题）+ 门店×维度交叉矩阵 | | 3 | 标签明细-频次排名 | 所有细分标签按频次降序，含占比、所属维度、示例原文 | | 4 | 月度趋势 | 维度×月份数量矩阵 + 趋势判断（首尾对比，↑恶化 ↓好转） | | 5 | 差评原文明细 | 全量差评原文，含门店/平台/月份/评分/分级/主归因/命中标签 | | 6 | 门店排名-差评集中度 | 按差评数量排名的门店列表，含 TOP3 问题标签和示例原文 | | 7 | 重点问题洞察 | 每个维度：核心问题描述 + 消费者原声（3 条）+ 改善建议 | | 8 | 城市店均差评归因 | 多城市时自动生成，按城市门店数倒序 | | 9 | 食品安全分级 | 有食安问题时生成，按红/橙/黄/绿严重度排序 | | 10 | 改善建议 | 按餐前/餐中/餐后/服务全程分组，含严重度和预期效果 | | 11 | 菜品口碑 | 动态提取高频菜品词 TOP20，标注口碑良好/一般/较差 | | 12 | 门店预警 | 全量数据时生成，好评率分级着色 🟢🟡🔴 |

v2.0 新增 Sheet

| Sheet | 名称 | 内容 | |-------|------|------| | 13 | 月度异动检测 | 环比波动 ≥50% 标红预警 + 自动关联原因（门店集中/新增门店/主要标签） | | 14 | 关键词自学习 | 未分类原文高频词自动发现，高置信度词自动追加重跑，压降未分类率 | | 15 | 门店交叉对比 | 同品牌门店差评维度热力图 + 品牌通病 vs 个别门店问题诊断 | | 16 | 好评亮点 | 好评高频正面词 TOP25 + 频次占比 + 典型好评原声 | | 17 | 情感强度分析 | 1-5级情感打分分布 + 高危评论 TOP20（情感≥4级优先处理） | | 18 | 竞品对比分析 | 多品牌维度占比对比 + TOP20标签对比 + 竞品洞察（需 --compare） | | - | 未分类原文 | 未分类率 >0% 时生成 |

学城 XML 输出（需 --xuecheng）

同时生成 .xml 文件，包含数据概览、归因维度分布表、月度异动预警、分环节改善建议，可直接粘贴到学城文档。

八、v2.0 新增功能详解

1. 关键词自学习

自动从未分类评论中提取 2-4 字高频词组（频次≥5），与已有标签规则做相似度匹配，高置信度的自动追加到标签规则并重跑打标。典型效果：未分类率可下降 5-15 个百分点。

2. 月度异动检测

对 9 大维度按月统计差评数，计算环比变化率。波动 ≥50% 的维度标红预警，并自动分析可能原因（是否集中在某门店、是否新增门店贡献、哪个细分标签突增）。

3. 门店交叉对比

差评 ≥5 条的门店（最多 TOP15）做横向对比，生成维度占比热力图。自动诊断每个维度是「品牌通病」（标准差<5，所有门店都有）还是「个别门店问题」（标准差≥10，集中在少数门店）。

4. 好评亮点提取

从全量评价的好评中提取高频正面词 TOP25（排除差评相关停用词），配合典型好评原声展示，帮助品牌提炼营销卖点。

5. 评论情感强度分析

基于关键词、文本长度、标点密度的三维打分模型（1-5级），识别最严重的差评。级别5=涉及投诉举报/身体伤害，级别4=情绪激动/措辞激烈。高危评论 TOP20 按强度降序展示，方便优先处理。

6. 竞品对比分析

通过 --compare 传入竞品 xlsx 文件，与主品牌一起做 9 大维度和 TOP20 标签的占比对比。维度差异 ≥5pp 自动标红，并生成竞品洞察摘要。

7. 学城 XML 输出

通过 --xuecheng 生成学城文档格式的分析报告，包含数据概览、归因维度分布表、月度异动预警、分环节改善建议四个章节。

九、配色方案

| 用途 | 颜色 | |------|------| | 标题行 | 深蓝 #1F3864 | | 表头 | 中蓝 #2E75B6 | | 红色预警（高频/极差评/店均≥5/异动飙升/竞品差异大） | 背景 #FCE4D6 / #FFC7CE | | 绿色正面（好转/已追加/低危） | 背景 #C6EFCE | | 黄色洞察/中等 | 背景 #FFF2CC | | 灰色分区 | 背景 #F2F2F2 | | 维度交替色 | 9 种浅色交替填充 |

十、注意事项

  1. 评分制度判断：必须用原始数据的最大分判断，不能用筛选后的差评数据
  2. 门店名称识别：find_col 四轮匹配可防止 ID 列被误命中
  3. 多城市 Sheet8：只要城市名称列存在且城市数 ≥ 2，自动生成
  4. 关键词自学习：会修改运行时的 LABEL_RULES 全局变量，不会修改源代码文件
  5. 门店交叉对比：需要门店名称列且差评 ≥5 条的门店 ≥2 家
  6. 竞品对比：需要至少 2 个有效品牌数据文件（含主文件）
  7. 同一条评价可命中多个标签，统计时按标签展开计数
  8. 若筛选后差评数 < 10 条，自动退回只用评分条件
  9. 未分类率超过 30% 时，建议审阅「关键词自学习」Sheet 中的候选关键词

十一、输出示例

运行完成后，控制台会输出关键发现：

读取文件: /data/海底捞评价.xlsx
差评数量: 1561 条
关键词自学习: 自动新增8个关键词，未分类从511条降至423条
食品安全问题: 23 条（红色3 / 橙色8 / 黄色7 / 绿色5）
标签覆盖率: 72.9%（未分类: 423 条）
TOP5标签: [('预期落差', 361), ('上菜慢', 175), ...]
竞品对比: 已生成 3 个品牌对比分析

报告已保存: /output/深圳海底捞-差评归因分析报告.xlsx
共生成 18 个 Sheet: 差评归因总览, 门店差评分布, ...
TOP3问题: 预期落差(361条/23.1%) > 上菜慢(175条/11.2%) > 分量不足(155条/9.9%)
学城文档已保存: /output/深圳海底捞-差评归因分析报告.xml

十二、扩展与定制

添加新标签

在 analyze.py 中修改 LABEL_RULES 字典，添加新的关键词：

LABEL_RULES = {
    # ... 现有标签
    '新标签名称': ['关键词1', '关键词2', '关键词3'],
}

同时需要在 DIMENSION_MAP 中将新标签归入对应维度。

调整情感强度关键词

修改 INTENSITY_BOOSTERS 字典中的关键词来调整情感强度识别。

修改改善建议

在 DINING_PHASE_MAP 中修改或添加用餐环节的改善建议。

十三、技术支持

如有问题或建议，请联系工具作者。