为什么要分析评论反馈
任何2C的产品都避免不了海量的用户评论/反馈，这恐怕对普通用户来说，最直接的向产品表达看法的途径了。
有人也许想说，现在有的是分析工具、人工智能来做大数据分析，还需要人工分析评论吗？我们现有的工具，大多只能对文字做一个非常粗略的统计，而无法真正理解文字背后的意图，所以真正有价值的工作，还是脱离不了人力。
分析步骤
为了方便理解，我使用了应用宝里滴滴出行的评论作为案例。1、选择样本这里的样本也就是指产品评论和反馈的内容了，通常不要少于50条。不过需要注意的是，参与分析的人必须完整读完所有内容，所以要量力而行。为了以后方便维护，可以给每一条加上编码。
下面是滴滴出行在应用宝里的50条最新用户评论：
2、设计分组*
你先把前25条通读一遍，写下可行的分组计划，例如“支付问题、下单问题、登录问题”等。这个分组设计以后可以调整，但是这里需要定制一个初始计划。
25条这个数是针对不太复杂的产品而言的，如果是像微信这种什么功能都有的产品，那这个数量就不够了。如果产品模块和功能较多，可以先将各自的评论和反馈区区分开来，再进行分析。
如果是自己独自完成，只需写下分组名称就好了。如果维保准确性，多人同时进行，则需要给每组写下描述和规则。
下面是范例：
3、完成分组
按照通过前25条设计的分组方案，阅读其余的内容并完成它们的分组。在这个过程中，如果发现先前设计的分组方案不合理，可以进行修改。
以下是滴滴出行的分组范例：
4、记录关键问题和现象
在分组过程中或之后，仔细阅读评论的过程中肯定会遇到一些关键的问题和现象，你一定要在发现的第一时间记录下来，不然后来肯定就忘记了。
这也是通读评论的价值所在，通过一条一条的理解，很多真正的问题都藏在粗略的文字背后。例如，滴滴出行的反馈里面多次出现“相同路线来回价格不一致”、“预估价格与实际价格相差过大”等评论，它们是不是都指向一个问题——“缺少价格解释”？
滴滴出行的范例：
5、统计分析
如果你整个分析都是在Excel里完成的，那么统计起来就方便了。你可以算一算正负面评价的比例和最受关注的问题。
不过，最有用的分析可能并不是这些定量的数据，而是你记录下的关键问题和现象。通过整理，你会发现很多之前没有想过的问题，只有真正一条一条阅读分析才能挖掘出来。
范例：
其它
一个人的判断不一定准确，所以这种分析可以叫上两个人同时进行，这样的话分组规则就不能轻易修改了。两人分别分组之后，可以计算一下两人得出相同结果的概率是多少，通常要80%~90%以上才能够确保结果的可信度。
分析关键问题这一步骤其实已经超出传统的定量分析，借鉴了一些定性分析的成分。因为这毕竟是产品的用户调研，不像心理学研究那样要求绝对的准确率与客观性，所以这里就可以不用太过拘泥于方法，关键是一定要通读并理解所有内容。
评论和反馈中肯定有相当一部分是你无法理解或是与产品无关的，这些内容可以跳过不计。
总结
内容分析的方法毕竟太过专业，真正做的时候可以有一定的灵活性，但是这四条不能忽视：
- 保证内容的数量在50条以上，但也不用太多
- 一定要通读并理解，不要随便扫一眼或者干脆搜索关键词
- 谨慎并且不断优化分组规则
- 透过现象看本质，随时记录发现的关键问题
全国网约车司机交流群，交流经验，添加 微信：gua561 备注：加群！
如若转载，请注明出处：https://www.wyczc.com/21906.html