最近收到不少留言，除了夸小Z腦洞奇清的，問最多的竟然是:

“我是偏運營/業務分析的，復雜的分析算法我不會，還有什么方法能夠對評價類數據做更深入分析嗎？”

剛開始我會昧著良心回復“詞云啊！”

然鵝總是會被DISS“詞云太簡單了吧，有點low！”

我猙獰一笑，雖然這個問題有點像“我長的不帥也沒錢，有沒有什么辦法能夠追到白富美”。但從數據分析的角度來看，仍不失為一個好問題。

好在哪里呢？在回答之前，先瞧一個數據分析常見思維誤區：

一些同學總是認為，分析不出來有價值的結果，是因為有兩只攔路虎，一是數據量和維度不夠，二是因為自己不會復雜的分析模型和算法。然后，也沒有再去思考，如何基于現狀更進一步地分析問題。

數據維度和算法的價值當然不言而喻，但總是把分析不出結果和價值的鍋甩出去，這種歸錯于外的思維非常危險，它營造了一種“分析不出結果，我也沒辦法”的心安理得。

而“我不會高階分析工具和方法，但基于現狀，去思考或者詢問有沒有更好的分析方式”，雖然這種思維也有槽點，但本身算是一種在現階段嘗試去解決問題的思路。

So，我們循著后一種思路，以李子柒在天貓上賣的一款辣椒醬評價為例：

看看基于現有的“單薄”數據維度，怎樣讓分析再向前邁進一步。

01 明確目標

魯迅曾經沒說過：“明確分析目標，你的分析已經成功了一大半”。

做深入分析之前，面對這一堆評價數據，我們要明確，究竟想通過分析來解決什么問題？只有明確分析目標，才能把發散的思維聚焦起來。

為了給大家一個明確的分析錨點，假設我們是這款辣椒醬的產品負責人，要基于評價，更好的獲悉消費者對產品的看法，從而為后續產品優化提供思路。

所以，我們的分析目標是“基于評價反饋，量化消費者感知，指導優化產品”。

注：這里給到的一個假設目標并不完美，主要是拋磚引玉，大家可以從不同的維度來提出目標假設，嘗試不同分析方向。

是不是有那么一丟丟分析思路了？別急，目標還需要繼續拆解。

02 拆解目標

這些年來，最有價值的一個字，便是“拆”了：

在數據分析中也是同理。

我們在上一步已經確定了“基于評價優化產品”的目標，但這只是一個籠統模糊的目標。要讓目標真正可落地，“拆”是必不可少的一步。

“拆”的藝術大體可以分為兩步，第一步是換位思考。

評價來源于客戶，客戶對產品有哪些方面的感知呢？我們可以閉上眼睛，幻想自己購買了這款辣椒醬。

接著進入第二步，基于換位的邏輯拆解，這里可以按照模擬購物流程的邏輯來拆解：

首先，李子柒本身有非常強的IP光環，大家在選購時或多或少是慕名而來。所以，在購買決策時，到底有多大比例是沖著李子柒來的？

Next，在沒收到貨前，影響體驗的肯定是物流，付款到收貨用了幾天？派送員態度怎么樣，送貨上門了嗎？

收到貨后，使用之前，體感最強的則是包裝。外包裝有沒有破損？有沒有變形？產品包裝是精致還是粗糙？

接下來是產品體驗，拿辣椒醬來說，日期是否新鮮？牛肉用戶是否喜歡？到底好不好吃？

吃完之后，我們建立起了對產品的立體感知——性價比。我花錢買這個產品到底值不值？這個價位是貴了還是便宜？實惠不實惠？

品牌、物流、包裝、產品（日期、口味）和性價比五大天王鋒芒初現，我們下一步需要量化消費者對于每個方面的感知。

03 Python實現

對于評價的拆解和量化，這里介紹一種簡單粗暴的方式，按標點把整條評論拆分成零散的模塊，再設置一系列預置詞來遍歷。

注：再次強調我們這篇內容的主題是“如何基于最基礎的技術，做進一步的分析，這里假設我們只會最基礎的python語法和pandas。

有同學會問“為什么不用分詞”！此問可謂正中我懷。不過，我把這個問題當作開放式思考題留給大家——如果用分詞，如何實現同樣的效果，以及有什么優缺點？

言歸正傳，我們先看看實戰爬取的評論數據，一共1794條：

把每條評論按照標點拆分成短句，為了省事，用了簡單的正則拆分：

我們發現，就算是比較長段的評論，也只是涉及到品牌、物流、包裝、產品和性價比的部分方面，所以，我們依次去遍歷匹配，看短句中有沒有相關的內容，沒有就跳過，有的話再判斷具體情緒。

以物流為例，當短句中出現“物流”、“快遞”、“配送”、“取貨”等關鍵詞，大體可以判定這個短句和物流相關。

接著，再在短句中尋找代表情緒的詞匯，正面的像“快”、“不錯”、“棒”、“滿意”、“迅速”；負面的“慢”、“龜速”、“暴力”、“差”等。

在我們預設詞的基礎上進行兩次遍歷匹配，大體可以判斷這句話是不是和物流相關，以及客戶對物流的看法是正面還是負面：

為方便理解，用了灰常丑陋的語法來一對一實現判斷。包裝、產品和性價比等其他模塊的判斷，也是沿用上述邏輯，只是在預設詞上有所差異，部分代碼如下：

defjudge_comment(df,result): judges=pd.DataFrame(np.zeros(13*len(df)).reshape(len(df),13), columns=['品牌','物流正面','物流負面','包裝正面','包裝負面','原料正面', '原料負面','口感正面','口感負面','日期正面','日期負面', '性價比正面','性價比負面']) foriinrange(len(result)): words=result[i] forwordinwords: #李子柒的產品具有強IP屬性，基本都是正面評價，這里不統計情緒，只統計提及次數 if'李子柒'inwordor'子柒'inwordor'小柒'inwordor'李子七'inword or'小七'inword: judges.iloc[i]['品牌']=1 #先判斷是不是物流相關的 if'物流'inwordor'快遞'inwordor'配送'inwordor'取貨'inword: #再判斷是正面還是負面情感 if'好'inwordor'不錯'inwordor'棒'inwordor'滿意'inwordor'迅速'inword: judges.iloc[i]['物流正面']=1 elif'慢'inwordor'龜速'inwordor'暴力'inwordor'差'inword: judges.iloc[i]['物流負面']=1 #判斷是否包裝相關 if'包裝'inwordor'盒子'inwordor'袋子'inwordor'外觀'inword: if'高端'inwordor'大氣'inwordor'還行'inwordor'完整'inwordor'好'inwordor '嚴實'inwordor'緊'inword: judges.iloc[i]['包裝正面']=1 elif'破'inwordor'破損'inwordor'癟'inwordor'簡陋'inword: judges.iloc[i]['包裝負面']=1 #產品 #產品原料是牛肉為主，且評價大多會提到牛肉，因此我們把這個單獨拎出來分析 if'肉'inword: if'大'inwordor'多'inwordor'足'inwordor'香'inwordor'才'inword: judges.iloc[i]['原料正面']=1 elif'小'inwordor'少'inwordor'沒'inword: judges.iloc[i]['原料負面']=1 #口感的情緒 if'口味'inwordor'味道'inwordor'口感'inwordor'吃起來'inword: if'不錯'inwordor'好'inwordor'棒'inwordor'鮮'inwordor '可以'inwordor'喜歡'inwordor'符合'inword: judges.iloc[i]['口感正面']=1 elif'不好'inwordor'不行'inwordor'不鮮'inwordor '太爛'inword: judges.iloc[i]['口感負面']=1 #口感方面，有些是不需要出現前置詞，消費者直接評價好吃難吃的，例如： if'難吃'inwordor'不好吃'inword: judges.iloc[i]['口感負面']=1 elif'好吃'inwordor'香'inword: judges.iloc[i]['口感正面']=1 #日期是不是新鮮 if'日期'inwordor'時間'inwordor'保質期'inword: if'新鮮'inword: judges.iloc[i]['日期正面']=1 elif'久'inwordor'長'inword: judges.iloc[i]['日期負面']=1 elif'過期'inword: judges.iloc[i]['日期負面']=1 #性價比 if'劃算'inwordor'便宜'inwordor'賺了'inwordor'囤貨'inwordor'超值'inwordor '太值'inwordor'物美價廉'inwordor'實惠'inwordor'性價比高'inwordor'不貴'inword: judges.iloc[i]['性價比正面']=1 elif'貴'inwordor'不值'inwordor'虧了'inwordor'不劃算'inwordor'不便宜'inword: judges.iloc[i]['性價比負面']=1 final_result=pd.concat([df,judges],axis=1) returnfinal_result

運行一下，結果畢現：

第一條評價，很明顯的說快遞暴力，對應“物流負面”計了一分。

第二條評價，全面夸贊，提到了品牌，和正面的物流、口感信息。

第三條評價，粉絲表白，先說品牌，再夸口感。

看起來還不賴，下面我們對結果數據展開分析。

04 結果分析

我們先對結果做個匯總：

一共爬了1794條評論，評論中有提及到我們關注點的有1937次（之所以用次，是因為一條評論中可能涉及到多個方面）。粗略一瞥，口感和原料占比較高，畫個圖更細致的看看。

看來，辣椒醬的口感（好不好吃）是客戶最最最關注的點，沒有之一，占比高達57.98%，領先其他類別N個身位。

慢隨其后的，是原料、品牌、性價比和包裝，而物流和日期則鮮有提及，消費者貌似不太關注，或者說目前基本滿足要求。

那不同類別正負面評價占比是怎么樣的呢？

整體來看，主流評論以好評為主，其中口感、品牌（這個地方其實沒有細分）、包裝以正面評價占絕對主導。

原料和性價比，負面評價占比分別是14%和38%，而物流和日期由于本身占比太少，參考性不強。

作為一個分析師，我們從原料、性價比負面評價占比中看到了深挖的機會。

原料負面評價是單純的在吐槽原材料嗎？

初步篩選之后，發現事情并沒有那么簡單。

原料負面評價共出現了53次，但里面有24次給了口感正面的評價，甚至還有8次原料正面評價！羅生門嗎？

這8次即正面又負面的原料評價，其實是揭了我們在預置詞方面的不嚴謹，前面判斷牛肉相關的短句，“小”就是負面，“大”就是正面，有些絕對。

而判斷準確的原料差評中，雖然有一半說味道不錯，但還是不留情面的吐槽了牛肉粒之小，之少，甚至還有因此覺得被騙。

如何讓牛肉粒在體感上獲取更多的好評，是應該在產品傳播層做期望控制的宣導？還是在產品層增加牛肉的“肉感”？需要結合具體業務進一步探究。

性價比呢？

性價比相關負面評價共58次，負面情緒占性價比相關的38%。這些負面評價消費者大多數認為價格偏貴，不劃算，還有一部分提到了通過直播渠道購買價格相對便宜，但日常價格難以接受。

坦白講，這款辣醬的價格在線上確實屬于高端價位，而價格體系是一個比較復雜的場景，這里暫不展開分析。

但是對于這部分認為性價比不符預期的客戶，是應該因此反推產品價格，還是把他們打上“價格敏感的標簽”，等大促活動喚醒收割，這是兩條可以考慮并推進的道路。

物流和日期提及太少，不具備參考性，但為了不那么虎頭蛇尾，我們還是順手看一眼物流負面評價：

果然，物流是一項必備需求，基本滿足預期的話消費者并不會主動提及，沒達預期則大概率會雷霆震怒。而物流暴力、速度太慢是兩個永恒的槽點。

至此，我們基于看起來簡單的評價數據，用簡單淺白的方式，做了細致的拆分，并通過拆分更進一步的量化和分析，向深淵，哦不，向深入邁進了那么一丟丟。

總結

文中涉及到的代碼，主要是拋磚引玉，大家還可以結合實際，做更精細的梳理和判斷。在整個分析過程中，去思考如何更深入的分析，如何明確分析方向，如何通過換位思考和流程拆解，把大目標拆成可以分析的小目標，并最終落地，則需要在實踐中反復磨練，與君共勉！