任何2C的產(chǎn)品都制止不了海量的用戶評論/反饋，這恐怕對普通用戶來說，最直接的向產(chǎn)品表達(dá)看法的途徑了。如果能夠正確地分析這些評論，發(fā)現(xiàn)關(guān)鍵問題，產(chǎn)品就不會走向傍門……不過可不容易。很多產(chǎn)品對用戶評論的重視度并不高，即便愿意花費(fèi)精力去分析，即便分析了，使用的方法也是八門五花。

我以前實(shí)習(xí)的時候做過一種“打雜”的工作，就是回復(fù)用戶反饋。我那時在1禮拜之內(nèi)將反饋的回復(fù)率提高到了大約80%，只剩20%實(shí)在無法理解的才沒有回復(fù)。我那段實(shí)習(xí)經(jīng)歷中不乏重要項(xiàng)目的策劃、設(shè)計和實(shí)施，但是我卻覺得那段回復(fù)評論的“打雜”是讓我收獲最多的工作，也是對產(chǎn)品收益最大的工作。

有人也許想說，現(xiàn)在有的是分析工具、人工智能來做大數(shù)據(jù)分析，還需要人工分析評論嗎？我們現(xiàn)有的工具，大多只能對文字做一個非常粗略的統(tǒng)計，而無法真正理解文字背后的意圖，所以真正有價值的工作，還是脫離不了人力。

現(xiàn)在用研也不是什么罕見工作了，分析用戶評論的方法非常多，并且誰都可以自創(chuàng)一種。我并不覺得有什么方法是必然好的，有什么是必然欠好的。不過，學(xué)術(shù)界有一個叫做內(nèi)容分析（Content Analysis）的領(lǐng)域，專門研究文字、媒體信息，半個世紀(jì)的時間里有很多人通過研究分析，終于找到了一套較為成熟的方法。我想，花費(fèi)眾人半個世紀(jì)才研究出來的分析方法，應(yīng)該還是經(jīng)得起考驗(yàn)的吧。所以，我決定在這里介紹一個以內(nèi)容分析法為基礎(chǔ)的，分析產(chǎn)品評論和反饋的方法。

系統(tǒng)化的內(nèi)容分析最早是在1927年被一個叫做 Lasswell 的人用來分析政治宣傳內(nèi)容，也是挺神奇。接下來的二三十年代里，內(nèi)容分析被用來研究當(dāng)時快速發(fā)展的電影領(lǐng)域。五十年代隨著電視的普及，內(nèi)容分析成為了大眾傳播研究的重要手段。到了現(xiàn)在，內(nèi)容分析以及開始運(yùn)用于網(wǎng)絡(luò)社區(qū)以及評論的分析研究。

Lasswell 最早給內(nèi)容分析的定義是這樣的：“誰說了什么，通過什么渠道，對誰說的，有什么影響”。

然而在產(chǎn)品評論和反饋這種單一場景中，這個定義里面剩下“誰說了什么，對誰說的”有意義，減輕了不少復(fù)雜程度。

進(jìn)過這么多年的發(fā)展，內(nèi)容分析其實(shí)早已不是一種單一的手段，里面涉及到了很多新的因素，例如多媒體內(nèi)容分析、定性分析、計算機(jī)分析等等。但是真正發(fā)展成熟、被廣泛認(rèn)得的，還是比較傳統(tǒng)的文字定量分析。我打算在這里介紹的，也是這種已經(jīng)比較確定的方法。

別看前面扯了一大堆，其實(shí)這個方法非常簡單，其最大的價值不過是尺度化罷了。為了便利理解，我使用了應(yīng)用寶里滴滴出行的評論作為案例。

這里的樣本也就是指產(chǎn)品評論和反饋的內(nèi)容了，通常不要少于50條。不過需要注意的是，參與分析的人必需完整讀完所有內(nèi)容，所以要量力而行。為了以后便利維護(hù)，可以給每一條加上編碼。

下面是滴滴出行在應(yīng)用寶里的50條最新用戶評論：

你先把前25條通讀一遍，寫下可行的分組計劃，例如“支付問題、下單問題、登錄問題”等。這個分組設(shè)計以后可以調(diào)整，但是這里需要定制一個初始計劃。

25條這個數(shù)是針對不太復(fù)雜的產(chǎn)品而言的，如果是像微信這種什么功能都有的產(chǎn)品，那這個數(shù)量就不夠了。如果產(chǎn)品模塊和功能較多，可以先將各自的評論和反饋區(qū)區(qū)分開來，再進(jìn)行分析。

如果是本身獨(dú)自完成，只需寫下分組名稱就好了。如果維保準(zhǔn)確性，多人同時進(jìn)行，則需要給每組寫下描述和規(guī)則。

下面是范例：

根據(jù)通過前25條設(shè)計的分組方案，閱讀其余的內(nèi)容并完成它們的分組。在這個過程中，如果發(fā)現(xiàn)先前設(shè)計的分組方案分歧理，可以進(jìn)行修改。

以下是滴滴出行的分組范例：

在分組過程中或之后，仔細(xì)閱讀評論的過程中必定會遇到一些關(guān)鍵的問題和現(xiàn)象，你必然要在發(fā)現(xiàn)的第一時間記錄下來，否則后來必定就忘記了。

這也是通讀評論的價值所在，通過一條一條的理解，很多真正的問題都藏在粗略的文字背后。例如，滴滴出行的反饋里面多次出現(xiàn)“相同路線來回價格紛歧致”、“預(yù)估價格與實(shí)際價格相差過大”等評論，它們是不是都指向一個問題——“缺少價格解釋”？

滴滴出行的范例：

如果你整個分析都是在Excel里完成的，那么統(tǒng)計起來就便利了。你可以算一算正負(fù)面評價的比例和最受關(guān)注的問題。

標(biāo)簽：九江 林芝 烏魯木齊 鹽城 東營