用 AI 分析顧客評論：從幾百則留言找出該改的重點

這篇教學要幫你把「幾百則顧客評論看到眼花、卻抓不出該優先改什麼」這件事做完──用 AI 在半小時內把 Google、蝦皮、IG 留言整理成一張可以直接拿去開會的改善清單。

為什麼人工看評論會卡關

大多數店家不是不看評論，而是看了也做不出決定。Google 商家、蝦皮賣場、IG 私訊與留言、LINE 官方帳號的常見問題各自散落在不同後台，老闆通常是想到才登入看一下，看到負評心情不好就關掉，隔幾天忘記重點在哪裡。等到留言累積到兩三百則，人工重讀一遍要花掉一整個下午，而且看完常常只有「印象」──覺得好像很多人嫌出餐慢，卻說不出精確比例，也分不出這是這個月才變嚴重、還是一直都這樣。

AI 能處理的正是這種「量大但零散」的文字資料。它不會取代你對現場狀況的判斷，但可以先把幾百則留言按情緒與主題分類、抓出重複出現的關鍵字、算出每個問題被提到的頻率，把「感覺」變成「可以排優先順序的清單」。這篇文章就是要一步步做完這件事：從整理原始資料、分類貼標籤、抓重複抱怨，到產出一份能直接分工執行的改善清單。

第一步：把散落各平台的評論匯整成一份表格

在丟給 AI 之前，資料格式要先統一，否則分析結果會很亂。建議建立一個 Excel 或 Google 試算表，欄位至少包含：

Google 地圖評論可以從商家後台匯出或手動複製；蝦皮的評價通常要一頁一頁看，量大的話可以先截圖再用 AI 幫忙轉成文字（貼上截圖描述或用 OCR 工具轉文字檔）；IG 留言與私訊建議先用關鍵字（客訴、退費、慢、髒亂等）篩過一輪，避免把大量純粹的貼圖留言也丟進去。這個階段不必求完美，先求「有一份包含原文的表格」，AI 分析的品質高低，八成取決於原始資料乾不乾淨。

第二步：用 AI 做情緒分類與主題標籤

資料整理好之後，把整份表格（或分批，每次200-300則）貼給 AI，請它同時做兩件事：判斷情緒（正面／中立／負面），以及貼上主題標籤（出餐速度、口味、服務態度、環境整潔、價格、包裝等）。以下是可以直接複製使用的 Prompt，把 {} 裡的內容換成你自己的資料：

你是一位餐飲/零售業的顧客體驗分析師。以下是{店名}在{分析期間}於{平台名稱}收到的顧客評論原文，共{評論則數}則。

請針對每一則評論完成：
1. 情緒判斷（正面／中立／負面），若同一則同時有稱讚和抱怨，請標「混合」並註明哪部分正面、哪部分負面。
2. 主題標籤（可複選，例如：出餐速度、口味/品質、服務態度、環境整潔、價格、包裝、其他），若原文沒有明確提到就不要臆測。
3. 是否為「可具體改善的問題」，還是單純的個人偏好或無法改變的因素（例如天氣、停車位不足）。

輸出成表格，欄位為：評論編號｜情緒｜主題標籤｜是否可改善｜原文摘要（15字內，不要改寫語氣）。

最後請額外整理一段「本批評論中出現3次以上的重複問題」，按出現次數由高到低排列，並註明各問題的原文出現次數。

以下是評論原文：
{貼上評論資料}

這個 Prompt 的重點在於「不要臆測」與「按次數排序」兩件事──很多人第一次用 AI 做這種分析，會讓 AI 用形容詞下結論（例如「服務態度普遍不佳」），但你真正需要的是可以驗證的數字（例如「32則評論中有9則提到服務態度，其中6則具體提到等待時結帳人員態度冷淡」）。有數字的結論，才能拿去跟店員開會討論，也才能在下個月重新統計時比較有沒有改善。

第三步：抓出反覆出現的抱怨並排優先順序

分類完成後，下一步是把「可改善的負面問題」按照兩個維度排序：出現頻率、以及對顧客決策的影響程度（會不會因此不再回購、會不會影響到店家的星等平均分）。這一步建議人工介入一起看，因為 AI 抓出來的頻率高低不一定等於嚴重程度──有時候一個問題只出現兩次，但兩次都提到「食物裡有異物」,嚴重度遠高於出現二十次的「等待時間稍長」。

以下是一個示範表格，你可以直接套用這個格式讓 AI 或自己填寫：

「出現則數區間」刻意用區間而不是精確數字，因為評論資料本身常有重複帳號、灌水或誤觸星等的雜訊，精確到個位數容易給人錯誤的精準感。用區間搭配質性描述（例如「多則提到」「少數但情緒強烈」），反而更貼近真實狀況，也比較不會被員工拿一兩則個案來反駁整體結論。

第四步：把分析結果變成改善清單與行動方案

有了排序表之後，直接請 AI 幫忙把它轉成一份可以在店務會議上使用的行動清單，格式建議包含：問題描述、根本原因假設、具體行動、負責人、預計完成時間、如何驗證是否改善（例如下個月重新統計同一主題的負評則數是否下降）。這一步的關鍵是「可驗證」──如果改善行動沒有對應的驗證方式，一個月後你還是不知道到底有沒有變好，只是憑感覺覺得「好像有比較好」。

實務上建議把改善清單控制在3到5項，不要一次列出十幾項讓店員無所適從。優先處理「出現頻率高又影響顧客回購意願」的專案，其他先記錄下來排入下一輪。

台灣案例：台北一間手搖飲料店的三個月評論分析

以一間位於台北大安區、有兩家分店的手搖飲料店為例。老闆原本只是覺得「最近好像評論變差」,但說不出具體原因。整理了近三個月Google地圖與IG留言共約240則之後，用上述方法分類發現：出餐等待時間相關的抱怨佔比明顯偏高，集中在平日下午2點到4點這個時段;其次是客製化訂單（去冰、微糖等)做錯的抱怨，分散在兩家分店都有。

店家依照分析結果做了兩件事：在下午尖峰時段增派一名人力專責出餐，以及把客製化選項改成手寫單上要求店員複誦確認。一個月後重新統計同一時段的相關留言，出餐等待的抱怨則數有明顯下降的趨勢，雖然沒有做到完全消失，但店家反映「客人比較少當場翻臉」,Google評分的平均分數也有小幅回升。這個案例的重點不在於數字有多精確，而是老闆第一次知道「問題出在哪個時段、哪個環節」,而不是含糊地覺得「服務要加強」。

誠實面對的成果與限制

用 AI 做評論分析，合理的期待是：幾個小時內把幾百則零散留言變成一份有結構的問題清單，幫你把改善資源用在刀口上。這不會讓評論瞬間變好看，改善需要的是實際的營運調整與時間，AI 只是加速「找出該改哪裡」這個步驟。如果你的評論則數本身就很少（例如一個月不到20則),統計出來的比例參考價值有限，建議累積到一定量再分析，或是拉長分析區間。

AI 的能力邊界與常見錯誤

使用這個方法時，有幾個常見的誤區值得提醒。第一，AI 對情緒與主題的判斷不是100%準確，反諷、地方用語或簡短留言（例如只打「還好」)容易被誤判，重要決策前建議抽樣人工複核，尤其是要拿來當作處分或考核員工依據的內容，一定要看過原文，不能只信任 AI 的摘要。第二，AI 無法分辨評論的真實性，同業或競爭對手灌水的假負評、機器人留言都可能混在資料裡，如果某個問題只集中在特定幾個帳號、留言時間異常密集，要先懷疑是否為灌水而非真實顧客反映。第三，「出現次數多」不代表「最需要優先處理」,前面提過的異物、食安相關問題即使只出現一兩次也要優先處理，不能單純依賴頻率排序，人的判斷仍然必要。第四，不要把 AI 分析結果直接當成對外公關宣告的依據，內部用的問題歸因和對外回覆評論的用詞是兩件事，對外回覆仍需要用比較委婉、負責任的語氣，不能照搬內部分析的直白措辭。

把這件事變成每月例行工作

分析評論最大的價值不在做一次，而在建立固定節奏。建議每個月固定一天，把上個月的評論匯整、跑一次同樣的 Prompt 分類，對照上個月的排序表看哪些問題頻率下降、哪些是新出現的。累積三到六個月之後，你會有一份「顧客真正在意什麼」的長期資料，比單次分析更有參考價值，也能用來檢視改善行動是否真的有效。如果你想要更完整的自動化做法，例如串接不同平台的資料匯出或建立每月自動提醒，可以參考站內其他自動化與流程相關的內容，把這個任務逐步變成不需要每次手動整理的固定工作流程。

常見問題 FAQ

延伸閱讀

• 更多工食譜
• AI 工作流程教學
• AI 提示詞技巧
• 產業應用指南