[商業數據分析] Google map 評論分析- 顧客關注項目、負向評論原因

通常到一些連鎖餐廳用餐時，他們都會請顧客填寫用餐的餐後問卷，目的是要了解這是用餐的滿意程度，對顧客而言加分、扣分的項目是什麼 ? 以便之後對品項進行改善。但除了連鎖餐廳外，我很少收到其他餐飲業者的問券，原因大概有幾項：

1. 問卷的設計成本，發放、回收率低；
2. 結果多數是正向樣本，要透過問券了解需改善的項目難度高；

而我們想進行市場調查的原因則是：不清楚國外與台灣市場的顧客關注差異

但因為Covid-19疫情，歐洲禁止集會，所以也沒辦法進行問券調查，所以從google map的評論作為市場調查替代，但是這個抽樣的母體可能與以問卷的有所不同，會是：造成顧客到google map留言的原因。但大概還是可以得到下面資訊：

1. 顧客在各個連鎖店、獨立店面的關注項目
2. 現有連鎖店營業的加分、扣分項目，作為借鏡

結果呈現

先附上結果，再說明是如何做的。圖1是統計結果，最左邊的Type是使用者在google map的評論中，是否有提到的屬性；而第二欄是All_num，表示提到這個屬性的數量；第三欄All_ratio則是提到這個屬性占所有評論的比例，而因為一則評論可能同時提到多項屬性，所以加總會大於1。右邊P、N則是將正向、負向評論分開檢視。

圖1. Starbucks 顧客關注統計表

圖1最後一列，All_num = 736，表示有736則評論提到跟產品有關的關鍵字；而All_ratio = 0.377，則表示有3成7的評論者是因為產品而留言、2成3是因為品牌、2成因為服務。而正負評論方面，第二列廁所，正向評論數 P_num = 6，而負向評論數N_num = 46，可能可以解讀為，當你提供了一項額外服務，做得好加分的可能不多；但做的差則會被嫌到死。

只看Starbucks可能無法看到整個市場情況，圖2是 5 家獨立飲料店評價的統計結果，可以看到產品的屬性占評價的8成2，這可以反映出如果沒有品牌，產品的占比會有多重要。這項理解來自於我們對於市場上的了解，一個方便的地點、聊天的座位，供人聊天是歐洲人進到店家的重要原因。但從圖2的結果看起來，一個獨立店面，相較於加分項目，產品的重要性比起連鎖店要來的重要得多。而這個表的各個屬性比例，會隨著不同性質連鎖店會有差異。

圖2. bubble tea shop顧客關注統計表

這個將Google map評論整理的做法，其實就是問券的多選題，或是將問卷開放式問題統整，但多選題在統計分析上是困難的，所以僅進行敘述統計。但還有幾個討論點

1. 這是其他店家的統計結果，僅能選擇與自己相似的店家進行參考
2. 屬性是個人主觀分類，有誤差
3. 對於特定的商業問題，無法靠公開評論解析，仍需要進行問卷調查。ex：綠茶(指定產品)在歐洲市場的接受度? 是否願意付更多錢?

整理過程

這裡整理的原則是，我們統計一則評論中，是否有出現特定關鍵字，當有出現關鍵字時，我們就認為該評論具有某種特性。所以我們需要針對每一個詞，給定我們想知道的屬性。

整理過程大致就2個步驟，以下為均將不同類型店面分開整理

1. 去除無效字詞
2. 賦予高頻字詞屬性

1. 去除每則評論的無效字詞

這裡指三個項目，第一個是評論中，會出現很多主詞、冠詞、代名詞等。而這些字詞通常對於屬性的定義沒有幫助，部分舉例如下：

‘a’, ‘about’, ‘above’, ‘after’, ‘again’, ‘against’, ‘all’, ‘also’, ‘am’, ‘an’, ‘and’, ‘any’, ‘are’, “aren’t”, ‘as’, ‘at’, ‘be’, ‘because’, ‘been’, ‘before’, ‘being’, ‘below’, ‘between’, ‘both’, ‘but’, ‘by’, ‘can’, “can’t”, ‘cannot’, ‘com’, ‘could’, “couldn’t”, ‘did’, “didn’t”, ‘do’, ‘does’, “doesn’t”, ‘doing’, “don’t”, ‘down’, ‘during’, ‘each’, ‘else’, ‘ever’, ‘few’, ‘for’, ‘from’, ‘further’, ‘get’, ‘had’, “hadn’t”, ‘has’, “hasn’t”, ‘have’, “haven’t”, ‘having’, ‘he’, “he’d”

第二個是，有一些評論是一個廣義的稱讚、敘述的單詞、可能附有多種意義，沒有指特別的屬性。舉例如下：

‘good place’、‘time’(多重意義。有可能是來的次數，或是真的指時間)、‘busy’(無特別屬性；通常指這家店很忙碌)、‘standard’(不好不壞)

第三個是google評論特有的狀況，會有外國人留言，所以要去除外國文字。舉例而言：

‘(Tnslted by Google)’、‘(Ognl)’、‘y’、‘e’、‘il’、‘la’、‘de’、‘un’

2. 賦予高頻字詞屬性

步驟如下：

(1) 將每則已經去除無效字詞的評論，再去除重複的單詞。舉例若評論是 ‘very very very very very good place’，‘very good place’

(2) 將所有評論集合做字頻統計。如圖3.，會發現大多數詞都是無效的，會不斷加入新詞至無效字詞中。

圖3. 字詞統計(節錄)

(3) 針對高頻字詞賦予屬性

結果如圖4.，這裡需要先定義出你們關注的屬性，而我定義的屬性包含‘產品’、‘地點’、‘服務’等等。那如果有我特別想知道的項目，我會再新增，如‘WIFI’。

而在賦予完屬性後，我會再回頭檢視沒有被任何賦予屬性的評論。這時有很多確實無法歸類(約占總留言數的1/5)，但也有很多是罕見字，如barrista、vegan、espressobel、espresso等。這時我會把這些單詞賦予屬性。這時我們就可以得到個屬性的統計表。

圖4. 字詞屬性定義(節錄)

結論

這篇文章將Google map的評論轉化成類似問卷多選題的形式，了解不同特性店面客群在意的點、造成顧客負面觀感的項目，藉以改善店家的缺點。而因為google map為開放問題，所以可以藉由自定義屬性。

但像我們更在意顧客對市場上茶飲的評價，這時就會再將茶類的評論抓出來做更細緻的探討。