火鍋店線上評論分級回覆流

🎯 這條流程解決什麼

對一間火鍋店來說，Google 商家評論和外送平台的星等，幾乎決定了新客要不要踏進門。問題是這些評論散在好幾個後台：Google 地圖一個、Uber Eats 一個、foodpanda 又一個，店長每天從備料、出餐忙到打烊，根本沒有餘力一個個後台點進去看。結果就是負評放著好幾天沒人回，潛在新客滑到你的頁面看到一則沒被回應的客訴，轉頭就去訂隔壁家；而那些特地留下好評、甚至幫你拍美照的客人，因為沒收到任何回應，下次也不一定記得你。

把人工處理的成本算清楚：一間有穩定客流的火鍋店，三個平台加起來一週可能新增 15 到 30 則評論。如果店長要認真經營，每則評論從看到、判斷語氣、想措辭、登入對應後台貼上去，平均要 5 分鐘，一週就是一個半到兩個半小時——而且這是「願意做」的前提下，實際上多數店長根本擠不出這段時間，導致回覆率長期偏低、負評晾在那裡發酵。

這條流程把評論經營從「偶爾想到才做」變成「每天都跟得上」：每則新評論自動分級、依品牌語氣草擬回覆、負評與食安關鍵字即時通知店長。店長只要在通知裡花幾秒鐘審稿、按下發布，門市口碑與星等就能持續維護。想讓滿意的客人順勢變成回頭客，可以搭配 會員回流經營流程 與 自動化專區 一起部署。

導入後的改變

導入前，評論經營是「事後補救、被動救火」：通常是某則負評被客人截圖轉傳、或星等掉到某個數字才驚覺要處理，平時根本沒人盯。回覆率低、反應慢，負評在搜尋結果裡裸奔。

導入後，整條流程變成「主動監測、分級擬稿、店長一鍵把關」。具體效益估算如下：

• 店長處理評論工時：從每則 5 分鐘（含找後台、想文案）壓到每則 30 秒以內（只審稿、按發布），整體省下約八成的評論作業時間。
• 回覆率與回覆速度：負評從「拖好幾天甚至不回」變成「同一天內就有回應」，好評回覆率也能拉到接近全覆蓋。研究與實務都顯示，商家認真回覆評論能提升整體星等與新客點擊意願。
• 負評止血速度：食安、衛生類關鍵字即時通知店長，把可能擴大的客訴在第一時間攔下，避免演變成公開糾紛。
• 行銷加值：好評回覆裡自然帶入新品或會員資訊，把口碑頁面變成低成本的曝光管道。

整體來說，這條流程讓一間原本「評論放生」的店，用幾乎零增加的人力成本，把口碑經營補上一塊長期缺口。

流程怎麼運作

對應 frontmatter 的五個節點，逐步驟說明：

1. 🔍 觸發：新評論——排程器定時（例如每小時）抓取 Google 商家與各外送平台的新評論，或在評論寫入時觸發，把內容、星等、平台來源、時間統一寫進一份 Google Sheet 待處理。
2. 🗂️ 情緒分級——AI 分級節點依星等加內容把評論分成三級：好評（4–5 星且正面）、普通（3 星或中性、混合）、負評（1–2 星或含抱怨）。同時掃描是否出現食安、衛生、異物、過敏等高敏感關鍵字並另外標記。
3. ✍️ 草擬回覆——依分級套用不同語氣的草稿：好評偏向感謝與邀請回訪、普通偏向感謝建議並說明改善、負評偏向誠懇致歉與後續處理。所有草稿都吃進你設定的品牌語氣與固定簽名格式。
4. 🚨 負評通知——一旦判定為負評或命中食安關鍵字，立刻透過 LINE OA 或 Slack 把原文與建議草稿推給店長，標明平台與連結，讓店長馬上知道、馬上處理。
5. 👤 送出前人工確認——所有回覆草稿一律由人工確認與調整後再公開發布，系統只負責擬稿，不自動對外發言。

需要的工具與串接重點

平台用 n8n 或 Make。各工具角色如下：

• Google 商家 / 外送平台來源：評論的資料來源。Google 可走官方 API；外送平台若沒有開放 API，可用定時擷取或人工貼入待處理表的折衷做法。
• AI 分級與文案節點：負責情緒分級、關鍵字偵測與草稿生成，是整條流程的大腦。
• Google Sheet：評論的中央台帳，記錄每則評論的分級、草稿、是否已回覆，方便追蹤回覆率。
• LINE OA / Slack：負評即時通知與店長審稿的管道。
• 排程器：定時抓取的觸發器。

串接重點：第一，品牌語氣要先寫成明確的提示詞範例（給三五則理想回覆當範本），不然 AI 容易產出罐頭式、八股的回覆，反而扣分；第二，負評通知要走最即時的管道（建議手機常開的 LINE），別讓它淹沒在每日彙整裡；第三，去重很重要，同一則評論不要因為定時抓取被重複擬稿與通知，靠評論 ID 做唯一鍵。

常見錯誤與注意事項

• 負評一律人工把關，AI 不取代專業判斷：涉及食安、衛生、客訴賠償或法律爭議的負評，務必由店長親自判斷與回應，回覆草稿一律經人工確認後再公開發布，避免 AI 措辭不當或承諾過頭引發二次糾紛。
• 不要承諾你做不到的事：草稿若出現「全額退費」「保證」等字眼，務必由店長改寫，免得對外承諾變成把柄。
• 個資與隱私：回覆中不要公開客人的姓名、訂單編號或私下聯絡方式，要把客人引導到私訊或客服管道處理細節。
• 避免複製貼上同一句：每則好評若回得一模一樣，反而顯得敷衍，提示詞要鼓勵 AI 根據評論內容做個別化回應。
• 食安事件優先人工：任何提到吃壞肚子、異物、過敏的評論，一律當作高風險事件由店長親自處理，不走自動草稿流程對外。

台灣中小企業情境案例

新北一間連鎖火鍋的單一門市店長小陳，手上同時管 Google、Uber Eats、foodpanda 三個後台，過去評論幾乎是放生狀態，Google 星等卡在 4.0、負評常常一週後才被發現。導入這條流程後，每小時系統自動把新評論抓進台帳並分級，負評一出現就 LINE 通知他，附上一份語氣誠懇的致歉草稿。

跑了兩個月，變化很明顯：負評平均在當天就被回覆，好評回覆率從不到三成拉到九成以上；因為每則回覆都針對內容客製、語氣得體，門市 Google 星等慢慢從 4.0 爬到 4.3。小陳自己估算，他每天花在評論上的時間從原本「想到才做、做就半小時」變成「審稿三五分鐘」，而且再也沒有負評在頁面上裸奔好幾天的情況。

延伸應用

這條流程可以延伸出更多價值。第一，把評論台帳的資料做月度分析，找出客人反覆抱怨的關鍵字（例如「等太久」「鍋底偏鹹」），回饋給營運端做實質改善，而不只是回覆漂亮話。第二，把高品質好評自動匯整成行銷素材，挑出最有畫面的評論做成社群貼文或店內 POP。第三，串接會員系統，對留下好評的客人主動發送回饋優惠，把口碑直接轉成回流。第四，把同樣的分級擬稿架構套用到客服訊息與私訊客訴上。想找更多可組合的行銷與客服流程，逛逛 食譜配方庫、工作流總覽 與 自動化專區。

流程圖

用到的工具

更多「餐飲美食」工作流

瀏覽全部工作流藍圖 → 自動化工作流中心 → AI Skills 食譜庫 →