爲何總給外賣打差評？我們來數據分析一下！

↑ 關注 + 星標 ~ 有趣的不像個技術號

每晚九點，我們準時相約  

本次項目使用Excel進行數據清洗，使用Tableau進行可視化分析。

文中涉及相關數據以及文件下載地址見文末。

儀表盤展示

在這裏插入圖片描述

項目背景

該項目源於美團面試分析題，主要分析用戶不滿意的原因，並據此提出可落地的建議來降低不滿意率。

分析目的

差評原因分析，並給出改善方案。

問題拆解

在這裏插入圖片描述

數據概覽

騎手姓名重複默認爲同一個騎手；同一個騎手可能在不同站點出現差評。

數據清洗

1. 檢查有無缺失值異常值（評價內容和備註會有缺失值，不影響分析）

2. 顧客配送評價標籤由“|”分割，需要拆分。

3. 新增兩個維度，取餐時長和用戶等待時長。

拆分字段

使用Excel的Power Query對顧客配送評價標籤進行拆分。

1. 選中站點名稱、騎手名稱和顧客配送評價標籤，複製黏貼到新表格（僅黏貼值），全選後點擊數據→從表格

2. Power Query界面中選中顧客配送標籤列，右鍵→拆分列→按分隔符。分隔符爲"|"。拆分位置選擇“每次出現分隔符時”。

3. 選中拆分出來的9列，右鍵→逆透視列，刪除屬性列，保留值，關閉並上載。

4. 重命名上載後的工作表爲“差評標籤”，將原數據中的“顧客配送評價標籤”列刪除，將原表中的“顧客評價內容”及“訂單備註”剪切至新的工作表。

新增維度

1. 取餐時長=騎手接單時長+到店時長+到店等待時長

2. 用戶等待時長=取餐時長+送達時長

由於缺少用戶下單到商家確認訂單的時長統計，所以我們這裏默認用戶等待時長即爲從用戶下單到拿到餐品的時長。Excel內使用sum函數即可完成兩個維度新增，本文不再贅述。

清洗好的數據

數據分析

站點分析

在這裏插入圖片描述

1. 從整體的差評標籤來看，“送達超時”、“態度不好”、“其他”及“少餐/灑餐”是用戶給差評時伴隨最多的標籤。

2. 根據站點進行篩選，站點BCEF的“送達超時”差評標籤超過30%；AB站點“態度不好”差評標籤佔比超過20%；E站點有18.92%的差評標籤是“送達不通知”。

C站點的各項指標都是表現最差勁的，E站點是這幾個站點中獲差評最少的站點，應根據排名對站點的管理人員進行不同檔次的績效獎懲。

1. 從各站點用戶等待時長來看A站點是耗時最短的。C站點是耗時最長的。

2. 站點CEF的用戶等待時長都在平均值以上，這就可以解釋爲什麼CF站點的差評標籤中有30%以上的標籤爲"送達超值"。

3. 站點E的用戶等待時長是第二久的，該站點除了騎手接單時長外，到店時長、到店等餐時長及送達時長皆在平均值以下，所以要重點考慮該區域的騎手接單速度問題。

• 是否是因爲商家或用戶距離太遠導致的騎手不願意接單（但從到店時長和送達時間來看都在平均值附近）。

• 是否有系統/網絡/手機延遲導致的騎手接單速度慢。

• 是否存在車子經常爆胎、電瓶老是被偷、跳水救人、救火、幫顧客搓麻將、打遊戲。。。

從數值上來看F站點的用戶等待時長只超過平均值的2%，但是差評標籤中“送達超時”的佔比高達37.25%，由於缺少差評時間的數據，所以只能猜測該地區應該是辦公集中區域，人們對於外賣配送時長的要求相較於別的站點會高出很多。

雖然AB站點的用戶等待時長都在平均值以下，但是這兩個站點的“態度不好”標籤佔比過高，需要考慮對騎手進行職業道德規範培訓。

騎手分析

大部分的騎手是第一次上“光榮榜”，但是也有部分騎手多次被授予差評，對於差評一次的騎手應該進行警告，多次差評應該進行績效扣減，限制單數或停運的懲罰。

對於特殊情況應該特殊對待。

在這裏插入圖片描述

1. 差評數最多的幾位騎手從用戶等待時長來看都在平均值附近。查看這幾位的差評標籤可以發現“送達超時”佔32.20%，“其他”佔20.34%，“態度不好”佔18.64%，我們無法判斷“其他”到底是什麼因素，所以只能在服務態度上進行狠抓。

2. 部分站點的接單時間長是因爲存在個別異常值。接單時長最長爲136分鐘。需要和該騎手和店家聯繫瞭解情況。

   這麼久才接單，用戶這一單等了3個小時纔拿到手，厲害厲害。

3. 存在個別騎手到店等餐時長過久，導致送達超時。對於這個現象應該與店家聯繫，不能一味的怪責騎手，若店家多次出現等餐時長過久導致的騎手差評，平臺方應該對其限制流量或降低搜索權重。從上圖可以看出平均用戶等待時長爲43分鐘，下四分位爲31分鐘，用戶自下單起超過31分鐘收到餐品就很可能給騎手打差評。（太太太可憐了。。缺少地域屬性，我好想知道哪個地域的騎手這麼慘。）差評數與差評標籤數的關係如上圖所示。可以發現“其他”、“送達超時”、“態度不好”及“提前點送達”的差評標籤數與差評數呈現一定的線性關係。

假設差評標籤數與差評數無關，上圖趨勢線P<0.0001,>0.3，拒絕原假設，所以上述提出的幾個差評標籤數與差評數有關。

總結

1. 用戶給差評最主要因素是“送達超時”，以及“態度不好”，“其他”和“少餐/灑餐”爲次要原因。

2. C站點的表現最差勁，E站點是這幾個站點中獲差評最少的站點。E站點的接單時長遠超平均值。

3. 對於騎手來說“送達超時”、“態度不好”、“其他”和“提前點送達”更可能獲得差評。自接單起，超過31分鐘送達就很可能被打差評。

4. 大部分騎手都是第一次被打差評，但存在部分騎手多次被打差評的現象。

建議

1. 督促各站點負責人加強騎手培訓及管理。尤其是C站點。

2. 所有站點都存在"送達超時"和“態度不好”的問題，對於前者建議優化騎手配送路徑算法，搶單界面；對於後者，管理人員一定要加強對騎手的服務培訓，要多關心騎手，適當改進獎懲措施，提高騎手服務態度，提高用戶體驗，防止用戶流失。

3. 通過增加站點之間及站內騎手之間的競爭以達到內部競爭效果。增加榮譽榜等獎項滿足騎手的尊重需求，給予適當物質獎勵滿足騎手的安全需求，舉行團建活動滿足騎手的社交需求。

4. 對於打差評的用戶，可以以金額爲該次下單消費額的一定百分比的優惠券形式來補償用戶，並配以真誠的道歉私信，挽留住客戶，刺激二次消費。

   對打差評用戶可以通過RFM模型來篩選，同時要區分是否是惡意差評。

參考文章

[1]

數分面試題——美團不滿意率分析: https://zhuanlan.zhihu.com/p/131404140

本文的源數據，以及相關源碼文件

關注公衆號「凹凸數據」後臺回覆“外賣”即可獲取

後臺回覆「進羣」，加入讀者交流羣~

點擊「積分」，瞭解積分規則~

五

本次聯合【機械工業出版社華章公司】爲大家送上1本正版書籍《Python數據可視化》！

朱小五

參與方式：點贊並轉發本文到朋友圈（或相關學習羣）保留1小時以上，截圖回覆到公衆號，小五隨機抽取一位送出本書，其他參與者隨機抽取送出積分！

截止時間：4月26日晚6點（明晚）

本書全面講解Python在不同應用領域的可視化方法；涵蓋Python的各種繪圖選項，包含大量實際案例。並介紹了數據、信息與知識之間的關係。