文章目录

分析背景和目的
数据集介绍
数据清洗
数据分析
- 1.站点分析
- 2.标签分析
- - 2.1 送达超时标签分析
  - 2.2 态度不好标签分析
- 3.总时长情况
建议

分析背景和目的

该数据源自美团面试分析题，整个数据只有542条观测，比较适合做可视化分析，故用Tableau和SPSS做了一份分析报告，目的是分析这份数据中美团外卖骑手差评原因，并给出改善方案

数据集介绍

数据集有11个字段，542条观测，每条观测即是一条差评订单的情况（顾客配送评分都是1）。以下是前五条观测

顾客配送评价标签主要有：送达超时、态度不好、洒餐、少餐、提前送达、送达不通知、仪表不整、送错餐品、骚扰威胁、其他共10个标签，每个差评订单可选多个标签，用 " | " 分隔。

骑手姓名重复默认为同一个骑手；同一个骑手可能在不同站点出现差评

数据清洗

首先数据无重复值和缺失值，顾客评价内容和订单备注的缺失是正常情况
拆分每条订单的顾客配送评价标签，把数据集导入SPSS，通过数据-重构把评价标签从长型转换为宽型
把SPSS重构后的数据集导入Tableau，并添加计算字段：
取餐时长=[骑手接单时长]+[到店时长]+[到店等餐时长]；
总时长=[骑手接单时长]+[到店时长]+[到店等餐时长]+[送达时长]

数据分析

1.站点分析

骑手数是差评骑手数，订单数是差评订单数

（1）通过环形图可以看到总共542个差评，C站点受到差评的订单和骑手是最多的，34.13%的差评订单都是在C站点。其次是A站点和B站点，有24.17%的差评订单是在A站点，有20.3%的差评订单是在B站点。这三个站点的差评量占到了总差评量的79%

（2）右上角的箱线散点图每一个点代表一个骑手，每个点的大小代表每个骑手差评数

① 散点反映了A、B、C三个站点的差评骑手多（散点多），D、E、F站点的差评骑手相对较少，尤其E站点。

② D站点下边缘线上有一个点较为偏离（上图仪表盘已排除掉该点），点开看详情
可以明显看到该数据可能为错误数据（到店时长、到店点餐时长、送达时长都为0）。排除错误点后，可以看到C站点差评骑手平均配送时长整体要比其他站点高。

③ C站点两个平均配送时长达到160以上的极端异常值点，查看详细信息也都是严重超时差评订单，且骑手吴*霖在C站点有3单超时差评。

（3）从下边的堆积条形图可以看到，总共542单差评中有42.07%的差评出现了送达超时的标签，有27.49%的差评出现了态度不好的标签，有20%左右的差评出现了洒餐/少餐和其他标签，所以差评的主要原因是因为骑手配送时间过长，态度不好、洒餐、少餐也是较为重要的原因

① 细看每个标签下的站点分布，C站点在各个标签下占比都较多，尤其是骚扰威胁的标签，标有骚然威胁的差评单有46.15%都来自于C站点，标有送达不通知、送错餐品标签的差评单也有40%来自C站点，可以看出C站点的骑手专业性较差。

② A站点在各个标签下出现的频率也较多，尤其仪表不整，该站点和C站点一样，骑手的专业性都较差。这两站点基本占了差评的半壁江山。

③ 其他站点如B站点也应注意送达超时和态度不好的情况，D站点应注意骚然威胁的情况。

2.标签分析

2.1 送达超时标签分析

上面仪表盘的标签堆积条形图已经看到，送达超时是差评的主要原因，现在把所有标有送达超时的差评单创建成一个集

可以看到91.2%标有送达超时的差评单都是总时长大于30，换言之总时长在30以内大多数顾客都是能接受的。现在把目标聚焦到总时长大于30被顾客差评并标有送达超时的差评单上。把上面条形图中的总时长30以上的再创建一个集。

（1）上图就是总时长大于30，并被顾客标有送达超时标签的差评单。可以看到这些差评单中A站点的取餐和送达时长都不是很长，说明A站点的顾客对时间要求比较严格。

（2）当总时长参数是30时，左右两边图形一样；当总时长参数为35、40时，可以看到站点A的超时标签差评单明显减少。
（3）为了看得更清晰，拆分成每个站点来看

① 主要还是看A、B、C三个差评单较多的站点。把总时长参数控制成40时，A站点的超时标签差评单就会少很多，证明A站点给超时标签差评单的总时长大多集中在30-40，A站点的顾客超时容忍度较低，B、C站点的顾客超时容忍度会更高点。综合来看，把总时长控制成40会有效减少标有超时标签的差评单，特别的站点如超时容忍度较低的站点A，最好把总时长控制在30以内。

② C站点送达时长整体偏高，取餐时间较长的问题也比较突出，考虑要怎样优化C站点整个取餐运送流程。

③ 取餐时长较长这个问题A、D站点出现的频率都较高。

2.2 态度不好标签分析

把所有标有态度不好标签的差评单创建成一个集。

骑手陈?、李?警、吴?双、伍?燕、夏?清多次出现态度不好的差评标签，陈?、伍?燕、夏?清多次在同样的站点A出现态度不好差评。

3.总时长情况

从整体看差评单的情况，总时长大于50的差评单占到了快30%，这部分骑手应注意控制取餐时长和送达时长。

建议

占了差评半壁江山的A、C站点不仅需要专业化的骑手培训还需要建立合理的奖惩制度，给个站点的管理人也要建立评分竞争机制。
A站点各类标签占比都较多，仪表不整尤其突出，站点管理员要注意监督管理好骑手的工服穿戴，工服不足要及时补充。A站点的顾客超时容忍度较低，所以A站点要特别重视效率问题，比如总时长控制在30以内可以帮助减少A站差评。
C站点各类标签占比都最多，总时长整体偏高，可能是由于骑手对商家和目的地地理位置的不熟悉或者C区范围大骑手密度小，可以根据实际情况进行骑手增员，实施老手带新手的方案，帮助C站骑手快速熟悉环境。C站点还有较为严重的送达不通知和威胁骚扰的情况，核实情况的真实性后，对骑手的不适当行为进行及时纠正。
针对A、D站点取餐时间较长的问题，应优化接单取单流程，优先把单派给附近在手单少的骑手，从各个环节缩短总时长。
差评的主要原因是送达超时，对于总时长在30以内的骑手可以给予一定的奖励，总时长过长如50以上的骑手根据实际情况进行管理。
多次出现态度问题的骑手可以先给予一定的心理指导、压力排解，其次要注重培训骑手的沟通交流能力，最后还要建立服务质量评分评比。对于受到该困扰的顾客，在进行成本核算后可以对顾客进行合理的优惠券理赔补偿。
洒餐、少餐的情况个人认为最根本的解决办法还是建议商家做好包装安全紧密性设计，骑手在保证配送时效的同时，尽量走更平稳安全的路段。

美团外卖用户差评情况分析相关推荐

为何总给外卖打差评？我们来数据分析一下！
点击上方"Python爬虫与数据挖掘",进行关注回复"书籍"即可获赠Python从入门到进阶共10本电子书今日鸡汤燕雀安知鸿鹄之志哉? 本次项目使用 ...
鸿蒙电视应用太少,鸿蒙系统不及预期效果？荣耀电视开售一月，被用户差评吐槽应用少...
原标题:鸿蒙系统不及预期效果?荣耀电视开售一月,被用户差评吐槽应用少今年的华为,可是上热搜的"熟客"了,作为国际的通信巨头,华为的自主研发为企业带来巨额收入的同时,其研发的5G通 ...
一度智信:店铺客服如何正确处理中差评情况
一度智信:店铺客服如何正确处理中差评情况产品评价至关重要,一般来说评价会影响客户的购买,中差评会降低店铺整体信誉,想要减少中差评的产生,最关键的是产品本身和店铺的客服.如果商家自己的产品质量很有把握 ...
unix amp; linux oralce用户内存使用情况分析
Linux*********************************************************************************************** ...
外卖行业评价管理解决方案：最新饿了么/美团外卖差评解决办法，请收好！
在美团外卖/饿了么外卖店上开店,老板们都会想做活动来提升自己的店铺评分,评价有礼是最常见的一种方式,那么应该如何做呢? 第1问 –差评是如何产生的- 外卖平台为了规范店铺的管理及保证平台的优质服务,对 ...
美团面试题：如何分析差评原因？
[题目] 下面的Excel表格是骑手(外卖小哥)的配送信息文末会给出数据下载地址.现在的业务问题是: 1.分析差评原因,并给出改善方案: 2.骑手姓名重复默认为同一个骑手:同一个骑手可能在不同站点出 ...
美团 python_Python | 美团差评数据分析
目录:数据理解数据清洗分析思路分析过程总结与建议一.数据理解数据来源于美团面试题,考点是分析差评原因,并给出改善方案. 字段理解: 数据大小:542 * 11 备注:骑手姓名重复默认为同一 ...
美团差评数据分析，python代码实现
文章目录明确问题理解数据处理数据异常值处理标签处理新增计算列数据分析分析思路描述性分析探索性分析送达总时长时间过长,导致的差评骑手个人行为导致的差评商户行为导致的差评其他评 ...
美团外卖骑手背后的AI技术
背景随着数字化时代的到来,外卖市场近年来发展非常迅猛.对外卖物流系统而言,配送效率和用户体验至关重要.而实际配送过程是由配送员(骑手)最终完成的,因此,想要真正提升配送效率,不但要在智能调度系统(订 ...

美团外卖用户差评情况分析