任何2C的產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，最直接的向產品表達看法的途徑了。如果能夠正確地分析這些評論，發現關鍵問題，產品就不會走向傍門……不過可不容易。很多產品對用戶評論的重視度并不高，即便愿意花費精力去分析，即便分析了，使用的方法也是八門五花。

我以前實習的時候做過一種“打雜”的工作，就是回復用戶反饋。我那時在1禮拜之內將反饋的回復率提高到了大約80%，只剩20%實在無法理解的才沒有回復。我那段實習經歷中不乏重要項目的策劃、設計和實施，但是我卻覺得那段回復評論的“打雜”是讓我收獲最多的工作，也是對產品收益最大的工作。

有人也許想說，現在有的是分析工具、人工智能來做大數據分析，還需要人工分析評論嗎？我們現有的工具，大多只能對文字做一個非常粗略的統計，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，學術界有一個叫做內容分析（Content Analysis）的領域，專門研究文字、媒體信息，半個世紀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，花費眾人半個世紀才研究出來的分析方法，應該還是經得起考驗的吧。所以，我決定在這里介紹一個以內容分析法為基礎的，分析產品評論和反饋的方法。

系統化的內容分析最早是在1927年被一個叫做 Lasswell 的人用來分析政治宣傳內容，也是挺神奇。接下來的二三十年代里，內容分析被用來研究當時快速發展的電影領域。五十年代隨著電視的普及，內容分析成為了大眾傳播研究的重要手段。到了現在，內容分析以及開始運用于網絡社區以及評論的分析研究。

Lasswell 最早給內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，減輕了不少復雜程度。

進過這么多年的發展，內容分析其實早已不是一種單一的手段，里面涉及到了很多新的因素，例如多媒體內容分析、定性分析、計算機分析等等。但是真正發展成熟、被廣泛認得的，還是比較傳統的文字定量分析。我打算在這里介紹的，也是這種已經比較確定的方法。

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

這里的樣本也就是指產品評論和反饋的內容了，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容，所以要量力而行。為了以后便利維護，可以給每一條加上編碼。

下面是滴滴出行在應用寶里的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。這個分組設計以后可以調整，但是這里需要定制一個初始計劃。

25條這個數是針對不太復雜的產品而言的，如果是像微信這種什么功能都有的產品，那這個數量就不夠了。如果產品模塊和功能較多，可以先將各自的評論和反饋區區分開來，再進行分析。

如果是本身獨自完成，只需寫下分組名稱就好了。如果維保準確性，多人同時進行，則需要給每組寫下描述和規則。

下面是范例：

根據通過前25條設計的分組方案，閱讀其余的內容并完成它們的分組。在這個過程中，如果發現先前設計的分組方案分歧理，可以進行修改。

以下是滴滴出行的分組范例：

在分組過程中或之后，仔細閱讀評論的過程中必定會遇到一些關鍵的問題和現象，你必然要在發現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“相同路線來回價格紛歧致”、“預估價格與實際價格相差過大”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，那么統計起來就便利了。你可以算一算正負面評價的比例和最受關注的問題。

標簽：九江 林芝 烏魯木齊 鹽城 東營