如何分析滴滴出行的用戶評論

01-25

摘要：本文介紹一種分析評論反饋的系統化方法。這種方法基於內容分析（Content Analysis）研究方法，但是十分簡單有效。

為什麼要分析評論反饋

任何2C的產品都避免不了海量的用戶評論/反饋，這恐怕對普通用戶來說，最直接的向產品表達看法的途徑了。如果能夠正確地分析這些評論，發現關鍵問題，產品就不會走向歪路……不過可不容易。很多產品對用戶評論的重視度並不高，即便願意花費精力去分析，即便分析了，使用的方法也是五花八門。

我以前實習的時候做過一種「打雜」的工作，就是回復用戶反饋。我那時在1禮拜之內將反饋的回復率提高到了大約80%，只剩20%實在無法理解的才沒有回復。我那段實習經歷中不乏重要項目的策劃、設計和實施，但是我卻覺得那段回複評論的「打雜」是讓我收穫最多的工作，也是對產品收益最大的工作。

有人也許想說，現在有的是分析工具、人工智慧來做大數據分析，還需要人工分析評論嗎？我們現有的工具，大多只能對文字做一個非常粗略的統計，而無法真正理解文字背後的意圖，所以真正有價值的工作，還是脫離不了人力。

該用什麼方法

現在用研也不是什麼罕見工作了，分析用戶評論的方法非常多，而且誰都可以自創一種。我並不覺得有什麼方法是一定好的，有什麼是一定不好的。不過，學術界有一個叫做內容分析（Content Analysis）的領域，專門研究文字、媒體信息，半個世紀的時間裡有很多人通過研究分析，終於找到了一套較為成熟的方法。我想，花費眾人半個世紀才研究出來的分析方法，應該還是經得起考驗的吧。所以，我決定在這裡介紹一個以內容分析法為基礎的，分析產品評論和反饋的方法。

系統化的內容分析最早是在1927年被一個叫做 Lasswell 的人用來分析政治宣傳內容，也是挺神奇。接下來的二三十年代里，內容分析被用來研究當時快速發展的電影領域。五十年代隨著電視的普及，內容分析成為了大眾傳播研究的重要手段。到了現在，內容分析以及開始運用於網路社區以及評論的分析研究。

Lasswell 最早給內容分析的定義是這樣的：「誰說了什麼，通過什麼渠道，對誰說的，有什麼影響」。

然而在產品評論和反饋這種單一場景中，這個定義裡面剩下「誰說了什麼，對誰說的」有意義，減輕了不少複雜程度。

進過這麼多年的發展，內容分析其實早已不是一種單一的手段，裡面涉及到了很多新的因素，例如多媒體內容分析、定性分析、計算機分析等等。但是真正發展成熟、被廣泛認得的，還是比較傳統的文字定量分析。我打算在這裡介紹的，也是這種已經比較確定的方法。

分析步驟

別看前面扯了一大堆，其實這個方法非常簡單，其最大的價值不過是標準化而已。為了方便理解，我使用了應用寶里滴滴出行的評論作為案例。

1、選擇樣本

這裡的樣本也就是指產品評論和反饋的內容了，通常不要少於50條。不過需要注意的是，參與分析的人必須完整讀完所有內容，所以要量力而行。為了以後方便維護，可以給每一條加上編碼。

下面是滴滴出行在應用寶里的50條最新用戶評論：

2、設計分組*

你先把前25條通讀一遍，寫下可行的分組計劃，例如「支付問題、下單問題、登錄問題」等。這個分組設計以後可以調整，但是這裡需要定製一個初始計劃。

25條這個數是針對不太複雜的產品而言的，如果是像微信這種什麼功能都有的產品，那這個數量就不夠了。如果產品模塊和功能較多，可以先將各自的評論和反饋區區分開來，再進行分析。

如果是自己獨自完成，只需寫下分組名稱就好了。如果維保準確性，多人同時進行，則需要給每組寫下描述和規則。

下面是範例：

3、完成分組

按照通過前25條設計的分組方案，閱讀其餘的內容並完成它們的分組。在這個過程中，如果發現先前設計的分組方案不合理，可以進行修改。

以下是滴滴出行的分組範例：

4、記錄關鍵問題和現象

在分組過程中或之後，仔細閱讀評論的過程中肯定會遇到一些關鍵的問題和現象，你一定要在發現的第一時間記錄下來，不然後來肯定就忘記了。

這也是通讀評論的價值所在，通過一條一條的理解，很多真正的問題都藏在粗略的文字背後。例如，滴滴出行的反饋裡面多次出現「相同路線來回價格不一致」、「預估價格與實際價格相差過大」等評論，它們是不是都指向一個問題——「缺少價格解釋」？

滴滴出行的範例：

5、統計分析

如果你整個分析都是在Excel里完成的，那麼統計起來就方便了。你可以算一算正負面評價的比例和最受關注的問題。

不過，最有用的分析可能挺不是這些定量的數據，而是你記錄下單關鍵問題和現象。通過整理，你會發現很多之前沒有想過的問題，只有真正一條一條閱讀分析才能挖掘出來。

範例：

其它

一個人的判斷不一定準確，所以這種分析可以叫上兩個人同時進行，這樣的話分組規則就不能輕易修改了。兩人分別分組之後，可以計算一下兩人得出相同結果的概率是多少，通常要80%~90%以上才能夠確保結果的可信度。

分析關鍵問題這一步驟其實已經超出傳統的定量分析，借鑒了一些定性分析的成分。因為這畢竟是產品的用戶調研，不像心理學研究那樣要求絕對的準確率與客觀性，所以這裡就可以不用太過拘泥於方法，關鍵是一定要通讀並理解所有內容。

評論和反饋中肯定有相當一部分是你無法理解或是與產品無關的，這些內容可以跳過不計。

總結

內容分析的方法畢竟太過專業，真正做的時候可以有一定的靈活性，但是這四條不能忽視：

保證內容的數量在50條以上，但也不用太多
一定要通讀並理解，不要隨便掃一眼或者乾脆搜索關鍵詞
謹慎並且不斷優化分組規則
透過現象看本質，隨時記錄發現的關鍵問題

標註：*我使用「分組」這個詞，與英文中的「coding」有很大差異。但是直譯的話會容易讓人產生誤解，所以使用了感官上較為模糊的一種翻譯。

未經允許請勿轉載