文章目錄

• 明確問(wèn)題
• 理解數(shù)據(jù)
• 處理數(shù)據(jù)
• • 異常值處理
  • 標(biāo)簽處理
  • 新增計(jì)算列
• 數(shù)據(jù)分析
• • 分析思路
  • 描述性分析
  • 探索性分析
  • • 送達(dá)總時(shí)長(zhǎng)時(shí)間過(guò)長(zhǎng)，導(dǎo)致的差評(píng)
    • 騎手個(gè)人行為導(dǎo)致的差評(píng)
    • 商戶(hù)行為導(dǎo)致的差評(píng)
    • 其他評(píng)價(jià)標(biāo)簽的白描
• 建議

明確問(wèn)題

美團(tuán)騎手出現(xiàn)差評(píng)的原因是什么？影響因素是哪些？并給出改善方案。（騎手姓名重復(fù)默認(rèn)為同一個(gè)騎手；同一個(gè)騎手可能在不同站點(diǎn)出現(xiàn)差評(píng)）
數(shù)據(jù)時(shí)間：無(wú)；數(shù)據(jù)地點(diǎn)：站點(diǎn)A-E；核心業(yè)務(wù)指標(biāo)：顧客配送評(píng)分；比較對(duì)象：差評(píng)訂單信息記錄。

理解數(shù)據(jù)

序號(hào)：差評(píng)訂單序號(hào)；
站點(diǎn)名稱(chēng)：站點(diǎn)A-F，查找發(fā)現(xiàn)美團(tuán)站點(diǎn)就是美團(tuán)商家。
騎手名稱(chēng)：騎手姓名；
顧客配送評(píng)分：顧客對(duì)配送訂單的打分；
顧客配送評(píng)價(jià)標(biāo)簽：顧客針對(duì)配送訂單選擇的評(píng)價(jià)標(biāo)簽；
顧客評(píng)價(jià)內(nèi)容：顧客手動(dòng)填寫(xiě)的針對(duì)配送訂單的評(píng)價(jià)內(nèi)容；
訂單備注：顧客手動(dòng)填寫(xiě)的針對(duì)訂單的備注內(nèi)容；
騎手接單時(shí)長(zhǎng)：顧客下單后到騎手接單之間所花時(shí)長(zhǎng)；單位：分鐘；
到店時(shí)長(zhǎng)：騎手接單后到指定站點(diǎn)的時(shí)長(zhǎng)；單位；分鐘；
到店等餐時(shí)長(zhǎng)：騎手到達(dá)指定站點(diǎn)后等待餐好所花時(shí)長(zhǎng)；單位：分鐘；
送達(dá)時(shí)長(zhǎng)：騎手取餐后送至顧客處所花時(shí)長(zhǎng)；單位：分鐘。

處理數(shù)據(jù)

data.describe()

發(fā)現(xiàn)送達(dá)時(shí)長(zhǎng)存在0這一不符合常理值，需要重點(diǎn)關(guān)注該值看做哪種操作，同時(shí)騎手接單時(shí)間259分鐘的也需要關(guān)注，是何原因

異常值處理

data.query('送達(dá)時(shí)長(zhǎng)==0') #data[(data['送達(dá)時(shí)長(zhǎng)']==0)] 數(shù)據(jù)量大使用query速度更快

查看該訂單發(fā)現(xiàn)，實(shí)際送達(dá)時(shí)間為52min，不到三公里路程，可能是騎手直接點(diǎn)了送達(dá)，或者是系統(tǒng)錯(cuò)誤，手動(dòng)修正

data.loc[data.送達(dá)時(shí)長(zhǎng)==0,'送達(dá)時(shí)長(zhǎng)'] = 52 data.query('騎手接單時(shí)長(zhǎng)>259')

該接單時(shí)長(zhǎng)過(guò)長(zhǎng)可能是位置偏遠(yuǎn)等問(wèn)題，不需要做特殊處理

標(biāo)簽處理

data['顧客配送評(píng)價(jià)標(biāo)簽'].unique()

新增計(jì)算列

data=pd.merge(data,(data['顧客配送評(píng)價(jià)標(biāo)簽'].str.split('|',expand=True,n=1)),how='left',left_index=True,right_index=True) data.rename(columns={0:'顧客配送評(píng)價(jià)標(biāo)簽1',1:'顧客配送評(píng)價(jià)標(biāo)簽2'},inplace=True) data.info()

data.loc[:, '取餐時(shí)長(zhǎng)'] = data['騎手接單時(shí)長(zhǎng)'] + data['到店時(shí)長(zhǎng)']+ data['到店等餐時(shí)長(zhǎng)'] data.loc[:, '總時(shí)長(zhǎng)']=data['取餐時(shí)長(zhǎng)']+data['送達(dá)時(shí)長(zhǎng)'] data

數(shù)據(jù)分析

分析思路

描述性分析

data.describe()

騎手接單時(shí)長(zhǎng)、到店時(shí)長(zhǎng)、到店等餐時(shí)長(zhǎng)大部分的數(shù)值都在正常范圍內(nèi)，不是造成差評(píng)的主要原因，但上訴原因可能會(huì)影響總時(shí)長(zhǎng)，由于在目前的數(shù)據(jù)中，沒(méi)有更多的數(shù)據(jù)支撐，所以無(wú)法得出詳細(xì)的結(jié)論，重點(diǎn)關(guān)注這些超過(guò)正常范圍的訂單，查看具體情況，分析原因。

data['顧客配送評(píng)價(jià)標(biāo)簽1'].value_counts()

差評(píng)原因在該份數(shù)據(jù)中大概集中在九類(lèi)，其中送達(dá)超時(shí)、態(tài)度不好、其他、少餐/灑餐占了差不多4/5，其中送達(dá)超時(shí)占比最大，需要重點(diǎn)改進(jìn)

data['站點(diǎn)名稱(chēng)'].value_counts()

差評(píng)商家在該份數(shù)據(jù)中，站點(diǎn)C、A、B得到的差評(píng)尤為多，需要重點(diǎn)關(guān)注，針對(duì)性的調(diào)整改善

data['騎手名稱(chēng)'].value_counts().describe()

騎手差評(píng)次數(shù)在該份數(shù)據(jù)中，75%的騎手都在一次左右，其中李，陳，劉，王差評(píng)次數(shù)大于5次，（騎手姓名重復(fù)默認(rèn)為同一個(gè)騎手，所以不考慮*所代表的其他字符），上述四人數(shù)據(jù)需重點(diǎn)查看差評(píng)多的原因，做針對(duì)性調(diào)整安排。

data['騎手名稱(chēng)'].value_counts().head(40)

差評(píng)數(shù)前40名 分別是以上人員，需要對(duì)其進(jìn)行專(zhuān)項(xiàng)培訓(xùn)，找出原因?qū)ｍ?xiàng)整治。

探索性分析

送達(dá)總時(shí)長(zhǎng)時(shí)間過(guò)長(zhǎng)，導(dǎo)致的差評(píng)

listBins = [0, 10, 20, 30, 40, 50, 60, 70,80,90,100,1000] listLabels = ['0_10','11_20','21_30','31_40','41_50','51_60','61_70','71_80','81_90','91_100','101及以上'] data['總時(shí)長(zhǎng)分布'] = pd.cut(data['總時(shí)長(zhǎng)'], bins=listBins, labels=listLabels, include_lowest=True) data['總時(shí)長(zhǎng)分布'].value_counts()

從訂單完成總時(shí)長(zhǎng)分布可知，訂單完成總時(shí)長(zhǎng)主要分布在20-90分鐘內(nèi)。差評(píng)訂單數(shù)前三分別是31_40,41_50,21_30。送達(dá)總時(shí)長(zhǎng)過(guò)長(zhǎng)是導(dǎo)致顧客差評(píng)的關(guān)鍵影響因素。同時(shí)由該分布可得出初步結(jié)論，三十分鐘是一個(gè)可判斷是否好差評(píng)的“魔法數(shù)字”，但正確與否，需要更多的數(shù)據(jù)來(lái)驗(yàn)證。

data['總時(shí)長(zhǎng)分布'].value_counts('顧客配送評(píng)價(jià)標(biāo)簽1'=='送達(dá)超時(shí)')

data[data['顧客配送評(píng)價(jià)標(biāo)簽1']=='送達(dá)超時(shí)'].count()['總時(shí)長(zhǎng)分布']

data[data['顧客配送評(píng)價(jià)標(biāo)簽1']=='送達(dá)超時(shí)'].groupby(['總時(shí)長(zhǎng)分布']).總時(shí)長(zhǎng)分布.count().sort_values(ascending=False)

從送達(dá)超時(shí)的訂單完成總時(shí)長(zhǎng)分布可知，訂單完成總時(shí)長(zhǎng)主要分布在40-70分鐘內(nèi)。41-50分鐘內(nèi)的差評(píng)訂單數(shù)最多，可以?xún)?yōu)先匹配距離顧客近、熟悉顧客周?chē)鷧^(qū)域的騎手，盡量保證30分鐘內(nèi)送達(dá)。除此之外還存在0-15以及大于100的訂單數(shù)，深入核查發(fā)現(xiàn)，11-20區(qū)間內(nèi)的5個(gè)訂單,有兩個(gè)訂單總訂單完成時(shí)間小于15分鐘，評(píng)價(jià)標(biāo)簽分別為“送達(dá)超時(shí)”和“提前點(diǎn)送達(dá)|送達(dá)超時(shí)|少餐/灑餐”，因此可能是顧客故意差評(píng)/不小心點(diǎn)到該標(biāo)簽。時(shí)長(zhǎng)大于100分鐘的訂單數(shù)，深入核查發(fā)現(xiàn)，騎手接單時(shí)長(zhǎng)、送達(dá)時(shí)長(zhǎng)過(guò)長(zhǎng)，其中有1條顧客評(píng)價(jià)表明騎手不熟悉路并且不主動(dòng)聯(lián)系顧客，針對(duì)這一現(xiàn)象，鼓勵(lì)騎手有禮貌地提取詢(xún)問(wèn)顧客。

data[data['顧客配送評(píng)價(jià)標(biāo)簽1']=='送錯(cuò)餐品'].groupby(['總時(shí)長(zhǎng)分布']).總時(shí)長(zhǎng)分布.count().sort_values(ascending=False)

data[data['顧客配送評(píng)價(jià)標(biāo)簽1']=='少餐/灑餐'].groupby(['總時(shí)長(zhǎng)分布']).總時(shí)長(zhǎng)分布.count().sort_values(ascending=False)

從少餐/灑餐訂單的總送達(dá)時(shí)長(zhǎng)分布中可知，31-40分鐘區(qū)間的訂單數(shù)最多，其次是21-30分鐘區(qū)間，可能因?yàn)轵T手擔(dān)心送達(dá)超時(shí)差評(píng)，所以取餐過(guò)于著急，送餐速度過(guò)快，導(dǎo)致送餐出錯(cuò)，少拿餐品，甚至外賣(mài)箱內(nèi)的餐品傾灑，反而影響了顧客的食用體驗(yàn)。

可以鼓勵(lì)商家使用更密封的餐盒，減少餐品傾灑現(xiàn)象的出現(xiàn)；同時(shí)可以設(shè)置騎手在店內(nèi)取餐時(shí)，核對(duì)餐品，避免出現(xiàn)少餐現(xiàn)象。

騎手個(gè)人行為導(dǎo)致的差評(píng)

data[data['顧客配送評(píng)價(jià)標(biāo)簽1']=='態(tài)度不好'].groupby(['騎手名稱(chēng)']).騎手名稱(chēng).count().sort_values(ascending=False).describe()

態(tài)度不好的騎手，在該數(shù)據(jù)中有82個(gè)，超過(guò)一次態(tài)度不好的騎手大概有20個(gè)，最多的次數(shù)有三次。可以對(duì)態(tài)度不好的騎手進(jìn)行提示，多次得到態(tài)度不好差評(píng)者，應(yīng)給予相應(yīng)的懲罰和教育，或限制對(duì)應(yīng)騎手接單次數(shù)，待好評(píng)率達(dá)到標(biāo)準(zhǔn)后，再恢復(fù)正常接單。

data[data['顧客配送評(píng)價(jià)標(biāo)簽1']=='提前點(diǎn)送達(dá)'].groupby(['騎手名稱(chēng)']).騎手名稱(chēng).count().sort_values(ascending=False).describe()

提前點(diǎn)送達(dá)的騎手在該數(shù)據(jù)中，有33個(gè)，都是一次，推測(cè)可能是在發(fā)現(xiàn)該行為以后平臺(tái)進(jìn)行了干預(yù)，但不能說(shuō)沒(méi)有多次行為就可以忽視該行為，后續(xù)騎手培訓(xùn)，規(guī)范等都需要重視

data[data['顧客配送評(píng)價(jià)標(biāo)簽1']=='儀表不整'].groupby(['騎手名稱(chēng)']).騎手名稱(chēng).count().sort_values(ascending=False).describe()

儀表不整的騎手在該數(shù)據(jù)中，有11個(gè)，都是一次，推測(cè)可能是在發(fā)現(xiàn)該行為以后平臺(tái)進(jìn)行了干預(yù)，但不能說(shuō)沒(méi)有多次行為就可以忽視該行為，后續(xù)騎手培訓(xùn)，規(guī)范等都需要重視

data[data['顧客配送評(píng)價(jià)標(biāo)簽1']=='騷擾威脅'].groupby(['騎手名稱(chēng)']).騎手名稱(chēng).count().sort_values(ascending=False).describe()

騷擾威脅這個(gè)雖然只有一個(gè)騎手的一次行為，但這是在服務(wù)業(yè)嚴(yán)禁允許的，需要加強(qiáng)該方面的管控，強(qiáng)力整治。

商戶(hù)行為導(dǎo)致的差評(píng)

listBins = [0, 10, 20, 30, 40, 50, 60] listLabels = ['0_10','11_20','21_30','31_40','41_50','51_60'] data['等餐時(shí)長(zhǎng)分布'] = pd.cut(data['到店等餐時(shí)長(zhǎng)'], bins=listBins, labels=listLabels, include_lowest=True) data['等餐時(shí)長(zhǎng)分布'].value_counts()

取餐時(shí)長(zhǎng)集中在10分鐘以?xún)?nèi)，處于合理區(qū)間，因此推斷這不是導(dǎo)致差評(píng)的主要原因。

data[data['顧客配送評(píng)價(jià)標(biāo)簽1']=='少餐/灑餐'].groupby(['站點(diǎn)名稱(chēng)']).站點(diǎn)名稱(chēng).count().sort_values(ascending=False)

無(wú)法得出是否對(duì)差評(píng)有影響結(jié)論

data[data['顧客配送評(píng)價(jià)標(biāo)簽1']=='送錯(cuò)餐品'].groupby(['站點(diǎn)名稱(chēng)']).站點(diǎn)名稱(chēng).count().sort_values(ascending=False)

無(wú)法得出是否對(duì)差評(píng)有影響結(jié)論
但可對(duì)站點(diǎn)C、A、B進(jìn)行專(zhuān)項(xiàng)研究，分析具體原因。

其他評(píng)價(jià)標(biāo)簽的白描

包含“其他”差評(píng)標(biāo)簽的記錄共112條，其中僅有“其他”差評(píng)標(biāo)簽的數(shù)據(jù)記錄為75條。由于數(shù)據(jù)條數(shù)較少，所以人工核查“其他”差評(píng)發(fā)生的具體原因，如果數(shù)據(jù)條數(shù)過(guò)多，需另行采取方法。通過(guò)顧客評(píng)價(jià)內(nèi)容發(fā)現(xiàn)，存在各種各樣的原因，大致歸為菜品不滿(mǎn)意、沒(méi)有送至樓上、騎手儀表態(tài)度、配送過(guò)慢以及不明原因。

可以根據(jù)顧客評(píng)價(jià)內(nèi)容優(yōu)化差評(píng)標(biāo)簽選擇，精細(xì)化歸類(lèi)，鼓勵(lì)顧客選擇“其他”差評(píng)原因時(shí)，手動(dòng)輸入具體差評(píng)原因，避免惡意差評(píng)現(xiàn)象。

建議

從用戶(hù)使用外賣(mài)軟件的流程出發(fā)，在以下幾個(gè)方面給出運(yùn)營(yíng)解決方案，以改善差評(píng)訂單數(shù)：

用戶(hù)下單
鼓勵(lì)用戶(hù)備注個(gè)人需求，如“少油少鹽”等標(biāo)簽，方便站點(diǎn)配餐，提高用戶(hù)用餐滿(mǎn)意度。
顧客下單時(shí)，對(duì)預(yù)計(jì)等待時(shí)間進(jìn)行說(shuō)明，騎手接單時(shí)間超過(guò)某值時(shí)對(duì)顧客進(jìn)行溫馨提醒，確定顧客是否愿意繼續(xù)等待。
可以設(shè)置送達(dá)時(shí)間區(qū)間，小于送達(dá)時(shí)長(zhǎng)上限時(shí)顧客不能評(píng)價(jià)送達(dá)超時(shí)。可以為顧客設(shè)置溫馨提醒，周?chē)鸁o(wú)騎手，如繼續(xù)等待可能等待多久時(shí)間，避免顧客等候時(shí)間過(guò)長(zhǎng)，給出差評(píng)的現(xiàn)象。

騎手接單
可以設(shè)置地區(qū)標(biāo)簽，騎手選擇自己熟悉的地區(qū)標(biāo)簽，在顧客下單后，優(yōu)先從熟悉該地區(qū)的騎手中派單；

騎手到店取餐
騎手到店等餐取餐應(yīng)核對(duì)顧客點(diǎn)單，防止取錯(cuò)餐/少餐。

站點(diǎn)配餐
站點(diǎn)配餐盡量選用密封性強(qiáng)的餐盒，減少食物傾灑的現(xiàn)象；
在店鋪中明確標(biāo)注菜品口味，避免顧客盲目選擇與自己口味不合的餐品，給出差評(píng)；
注意顧客針對(duì)餐品的備注標(biāo)簽。

騎手送餐
如果是對(duì)顧客所在區(qū)域并不熟悉的騎手，可以在騎手接單時(shí)提醒顧客，并鼓勵(lì)騎手主動(dòng)詢(xún)問(wèn)顧客路線(xiàn)，減少送達(dá)超時(shí)現(xiàn)象；
鼓勵(lì)騎手在每天上班時(shí)進(jìn)行儀容儀表打卡，確保派餐騎手儀容儀表過(guò)關(guān)；
對(duì)出現(xiàn)態(tài)度不好差評(píng)的騎手進(jìn)行提醒，如若多次出現(xiàn)態(tài)度不好的差評(píng)，可以限制對(duì)應(yīng)騎手接單數(shù)，待滿(mǎn)足好評(píng)率/態(tài)度不錯(cuò)的好評(píng)標(biāo)簽條件后，再恢復(fù)騎手接單量。
優(yōu)先匹配距離站點(diǎn)、顧客距離較近的騎手接單，減少騎手為趕時(shí)間，不能安全行駛，同時(shí)少餐/灑餐的現(xiàn)象；
可以限制騎手同一時(shí)間的最高接單量，避免騎手接單過(guò)多，導(dǎo)致送錯(cuò)餐/送達(dá)超時(shí)/灑餐等。

顧客評(píng)分
可以根據(jù)顧客評(píng)價(jià)內(nèi)容優(yōu)化差評(píng)標(biāo)簽選擇，精細(xì)化歸類(lèi)，鼓勵(lì)顧客選擇“其他”差評(píng)原因時(shí)，手動(dòng)輸入具體差評(píng)原因，避免惡意差評(píng)現(xiàn)象。

總結(jié)

以上是生活随笔為你收集整理的美团差评数据分析，python代码实现的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。