文章目錄

• 明確問題
• 理解數據
• 處理數據
• • 異常值處理
  • 標簽處理
  • 新增計算列
• 數據分析
• • 分析思路
  • 描述性分析
  • 探索性分析
  • • 送達總時長時間過長，導致的差評
    • 騎手個人行為導致的差評
    • 商戶行為導致的差評
    • 其他評價標簽的白描
• 建議

明確問題

美團騎手出現差評的原因是什么？影響因素是哪些？并給出改善方案。（騎手姓名重復默認為同一個騎手；同一個騎手可能在不同站點出現差評）
數據時間：無；數據地點：站點A-E；核心業務指標：顧客配送評分；比較對象：差評訂單信息記錄。

理解數據

序號：差評訂單序號；
站點名稱：站點A-F，查找發現美團站點就是美團商家。
騎手名稱：騎手姓名；
顧客配送評分：顧客對配送訂單的打分；
顧客配送評價標簽：顧客針對配送訂單選擇的評價標簽；
顧客評價內容：顧客手動填寫的針對配送訂單的評價內容；
訂單備注：顧客手動填寫的針對訂單的備注內容；
騎手接單時長：顧客下單后到騎手接單之間所花時長；單位：分鐘；
到店時長：騎手接單后到指定站點的時長；單位；分鐘；
到店等餐時長：騎手到達指定站點后等待餐好所花時長；單位：分鐘；
送達時長：騎手取餐后送至顧客處所花時長；單位：分鐘。

處理數據

data.describe()

發現送達時長存在0這一不符合常理值，需要重點關注該值看做哪種操作，同時騎手接單時間259分鐘的也需要關注，是何原因

異常值處理

data.query('送達時長==0') #data[(data['送達時長']==0)] 數據量大使用query速度更快

查看該訂單發現，實際送達時間為52min，不到三公里路程，可能是騎手直接點了送達，或者是系統錯誤，手動修正

data.loc[data.送達時長==0,'送達時長'] = 52 data.query('騎手接單時長>259')

該接單時長過長可能是位置偏遠等問題，不需要做特殊處理

標簽處理

data['顧客配送評價標簽'].unique()

新增計算列

data=pd.merge(data,(data['顧客配送評價標簽'].str.split('|',expand=True,n=1)),how='left',left_index=True,right_index=True) data.rename(columns={0:'顧客配送評價標簽1',1:'顧客配送評價標簽2'},inplace=True) data.info()

data.loc[:, '取餐時長'] = data['騎手接單時長'] + data['到店時長']+ data['到店等餐時長'] data.loc[:, '總時長']=data['取餐時長']+data['送達時長'] data

數據分析

分析思路

描述性分析

data.describe()

騎手接單時長、到店時長、到店等餐時長大部分的數值都在正常范圍內，不是造成差評的主要原因，但上訴原因可能會影響總時長，由于在目前的數據中，沒有更多的數據支撐，所以無法得出詳細的結論，重點關注這些超過正常范圍的訂單，查看具體情況，分析原因。

data['顧客配送評價標簽1'].value_counts()

差評原因在該份數據中大概集中在九類，其中送達超時、態度不好、其他、少餐/灑餐占了差不多4/5，其中送達超時占比最大，需要重點改進

data['站點名稱'].value_counts()

差評商家在該份數據中，站點C、A、B得到的差評尤為多，需要重點關注，針對性的調整改善

data['騎手名稱'].value_counts().describe()

騎手差評次數在該份數據中，75%的騎手都在一次左右，其中李，陳，劉，王差評次數大于5次，（騎手姓名重復默認為同一個騎手，所以不考慮*所代表的其他字符），上述四人數據需重點查看差評多的原因，做針對性調整安排。

data['騎手名稱'].value_counts().head(40)

差評數前40名 分別是以上人員，需要對其進行專項培訓，找出原因專項整治。

探索性分析

送達總時長時間過長，導致的差評

listBins = [0, 10, 20, 30, 40, 50, 60, 70,80,90,100,1000] listLabels = ['0_10','11_20','21_30','31_40','41_50','51_60','61_70','71_80','81_90','91_100','101及以上'] data['總時長分布'] = pd.cut(data['總時長'], bins=listBins, labels=listLabels, include_lowest=True) data['總時長分布'].value_counts()

從訂單完成總時長分布可知，訂單完成總時長主要分布在20-90分鐘內。差評訂單數前三分別是31_40,41_50,21_30。送達總時長過長是導致顧客差評的關鍵影響因素。同時由該分布可得出初步結論，三十分鐘是一個可判斷是否好差評的“魔法數字”，但正確與否，需要更多的數據來驗證。

data['總時長分布'].value_counts('顧客配送評價標簽1'=='送達超時')

data[data['顧客配送評價標簽1']=='送達超時'].count()['總時長分布']

data[data['顧客配送評價標簽1']=='送達超時'].groupby(['總時長分布']).總時長分布.count().sort_values(ascending=False)

從送達超時的訂單完成總時長分布可知，訂單完成總時長主要分布在40-70分鐘內。41-50分鐘內的差評訂單數最多，可以優先匹配距離顧客近、熟悉顧客周圍區域的騎手，盡量保證30分鐘內送達。除此之外還存在0-15以及大于100的訂單數，深入核查發現，11-20區間內的5個訂單,有兩個訂單總訂單完成時間小于15分鐘，評價標簽分別為“送達超時”和“提前點送達|送達超時|少餐/灑餐”，因此可能是顧客故意差評/不小心點到該標簽。時長大于100分鐘的訂單數，深入核查發現，騎手接單時長、送達時長過長，其中有1條顧客評價表明騎手不熟悉路并且不主動聯系顧客，針對這一現象，鼓勵騎手有禮貌地提取詢問顧客。

data[data['顧客配送評價標簽1']=='送錯餐品'].groupby(['總時長分布']).總時長分布.count().sort_values(ascending=False)

data[data['顧客配送評價標簽1']=='少餐/灑餐'].groupby(['總時長分布']).總時長分布.count().sort_values(ascending=False)

從少餐/灑餐訂單的總送達時長分布中可知，31-40分鐘區間的訂單數最多，其次是21-30分鐘區間，可能因為騎手擔心送達超時差評，所以取餐過于著急，送餐速度過快，導致送餐出錯，少拿餐品，甚至外賣箱內的餐品傾灑，反而影響了顧客的食用體驗。

可以鼓勵商家使用更密封的餐盒，減少餐品傾灑現象的出現；同時可以設置騎手在店內取餐時，核對餐品，避免出現少餐現象。

騎手個人行為導致的差評

data[data['顧客配送評價標簽1']=='態度不好'].groupby(['騎手名稱']).騎手名稱.count().sort_values(ascending=False).describe()

態度不好的騎手，在該數據中有82個，超過一次態度不好的騎手大概有20個，最多的次數有三次。可以對態度不好的騎手進行提示，多次得到態度不好差評者，應給予相應的懲罰和教育，或限制對應騎手接單次數，待好評率達到標準后，再恢復正常接單。

data[data['顧客配送評價標簽1']=='提前點送達'].groupby(['騎手名稱']).騎手名稱.count().sort_values(ascending=False).describe()

提前點送達的騎手在該數據中，有33個，都是一次，推測可能是在發現該行為以后平臺進行了干預，但不能說沒有多次行為就可以忽視該行為，后續騎手培訓，規范等都需要重視

data[data['顧客配送評價標簽1']=='儀表不整'].groupby(['騎手名稱']).騎手名稱.count().sort_values(ascending=False).describe()

儀表不整的騎手在該數據中，有11個，都是一次，推測可能是在發現該行為以后平臺進行了干預，但不能說沒有多次行為就可以忽視該行為，后續騎手培訓，規范等都需要重視

data[data['顧客配送評價標簽1']=='騷擾威脅'].groupby(['騎手名稱']).騎手名稱.count().sort_values(ascending=False).describe()

騷擾威脅這個雖然只有一個騎手的一次行為，但這是在服務業嚴禁允許的，需要加強該方面的管控，強力整治。

商戶行為導致的差評

listBins = [0, 10, 20, 30, 40, 50, 60] listLabels = ['0_10','11_20','21_30','31_40','41_50','51_60'] data['等餐時長分布'] = pd.cut(data['到店等餐時長'], bins=listBins, labels=listLabels, include_lowest=True) data['等餐時長分布'].value_counts()

取餐時長集中在10分鐘以內，處于合理區間，因此推斷這不是導致差評的主要原因。

data[data['顧客配送評價標簽1']=='少餐/灑餐'].groupby(['站點名稱']).站點名稱.count().sort_values(ascending=False)

無法得出是否對差評有影響結論

data[data['顧客配送評價標簽1']=='送錯餐品'].groupby(['站點名稱']).站點名稱.count().sort_values(ascending=False)

無法得出是否對差評有影響結論
但可對站點C、A、B進行專項研究，分析具體原因。

其他評價標簽的白描

包含“其他”差評標簽的記錄共112條，其中僅有“其他”差評標簽的數據記錄為75條。由于數據條數較少，所以人工核查“其他”差評發生的具體原因，如果數據條數過多，需另行采取方法。通過顧客評價內容發現，存在各種各樣的原因，大致歸為菜品不滿意、沒有送至樓上、騎手儀表態度、配送過慢以及不明原因。

可以根據顧客評價內容優化差評標簽選擇，精細化歸類，鼓勵顧客選擇“其他”差評原因時，手動輸入具體差評原因，避免惡意差評現象。

建議

從用戶使用外賣軟件的流程出發，在以下幾個方面給出運營解決方案，以改善差評訂單數：

用戶下單
鼓勵用戶備注個人需求，如“少油少鹽”等標簽，方便站點配餐，提高用戶用餐滿意度。
顧客下單時，對預計等待時間進行說明，騎手接單時間超過某值時對顧客進行溫馨提醒，確定顧客是否愿意繼續等待。
可以設置送達時間區間，小于送達時長上限時顧客不能評價送達超時。可以為顧客設置溫馨提醒，周圍無騎手，如繼續等待可能等待多久時間，避免顧客等候時間過長，給出差評的現象。

騎手接單
可以設置地區標簽，騎手選擇自己熟悉的地區標簽，在顧客下單后，優先從熟悉該地區的騎手中派單；

騎手到店取餐
騎手到店等餐取餐應核對顧客點單，防止取錯餐/少餐。

站點配餐
站點配餐盡量選用密封性強的餐盒，減少食物傾灑的現象；
在店鋪中明確標注菜品口味，避免顧客盲目選擇與自己口味不合的餐品，給出差評；
注意顧客針對餐品的備注標簽。

騎手送餐
如果是對顧客所在區域并不熟悉的騎手，可以在騎手接單時提醒顧客，并鼓勵騎手主動詢問顧客路線，減少送達超時現象；
鼓勵騎手在每天上班時進行儀容儀表打卡，確保派餐騎手儀容儀表過關；
對出現態度不好差評的騎手進行提醒，如若多次出現態度不好的差評，可以限制對應騎手接單數，待滿足好評率/態度不錯的好評標簽條件后，再恢復騎手接單量。
優先匹配距離站點、顧客距離較近的騎手接單，減少騎手為趕時間，不能安全行駛，同時少餐/灑餐的現象；
可以限制騎手同一時間的最高接單量，避免騎手接單過多，導致送錯餐/送達超時/灑餐等。

顧客評分
可以根據顧客評價內容優化差評標簽選擇，精細化歸類，鼓勵顧客選擇“其他”差評原因時，手動輸入具體差評原因，避免惡意差評現象。

總結

以上是生活随笔為你收集整理的美团差评数据分析，python代码实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。