拿出放大镜，拆拆用户评论的价值

结构化访谈过程中，用户向我们诉说了自己对于产品的观点、态度和看法。而访谈之外，那些忠实的产品用户在线上用键盘敲出的只字片语，又主动向我们诉说了什么呢？面对大量用户评论的文本信息，技术会借用NLP算法的工具进行梳理，目前NLP在观点提取、情感分析、知识图谱、智能问答、机器翻译等领域，都得到了广泛的使用。作为研究人员，现在我们有机会站在技术的肩膀上，越过艰深的NLP算法屏障，看看在陌生研究领域中，用户评论对用户研究的帮助。

用户研究员擅长使用问卷调研、用户访谈、焦点小组等研究方法与用户沟通，了解用户的感知与诉求。但我们可能没有注意到，在开始研究之前，已经有大量用户的声音躺在一个不起眼的地方，那就是评论区。

用户的评论内容包罗万象，以耳机产品为例，从 “全损音质，吃鸡延迟”的产品痛点，到“品牌信赖，价格亲民”的用户心智，再到对“游泳跑步，无惧汗水”的产品新功能的期待，无一不隐藏在万千的用户评论里。面对不熟悉的品类和平台产品，在启动招募准备访谈的“开眼”之前，如果可以让购买使用的用户反馈先行，通过用户评论资源对产品痛点和用户关注的属性进行初步梳理，就能有机会提前置身资深用户的使用场景与喜怒哀乐，起到事半功倍的效果。下面给大家简要介绍3个用户评论数据的使用场景和工具推荐：

品类痛点走查应用场景—京东评论

TIPS：对商品购买用户的评论进行梳理，提炼产品痛点和优势，为定性访谈提纲和定量选项的构建做参考，补充品类盲点问题，丰富用户的实际使用场景。

情景1

以生鲜品类为例，业务侧希望了解某生鲜品类的新兴业务线发展状况及产品痛点，因业务初期用户积累较少，受响应率的限制较难获取大量的定量调研样本以及足够的深访用户意见，产品痛点的收集可能面临不完整的状况。在与业务侧沟通后，我们对后台已购用户的1W+评论数据进行初步分析，选取500条差评数据，重点概括出生鲜某新兴业务线商品在产品标准化、品控、物流保冷、物流时效、市场价格等方面的痛点。

但是人工梳理的经验如何复用到评论数据体量大的热销品类呢？有算法基础的同学会想到使用python调取jieba切词，或者京东云、百度云、飞桨等平台的NLP工具，但这些对于没有算法基础的同学，有一定使用门槛。笔者怀着好奇心寻找关于处理用户评论的NLP产品工具，发现了一个今年刚上线的小工具分享给大家，EasyIdea（EasyIdea.jd.com），操作简单，非常适合没有算法基础的同学，输入目标产品的品类、品牌或者SKU，就可以出现如下场景痛点和情感分析：

例：生鲜某品类用户场景痛点分析

全渠道业态痛点走查应用场景—大众点评

TIPS：对线下业态的用户消费评论进行梳理，提炼用户体验的亮点，可在研究资料欠缺的断点处补充信息。

情景2

以布局线下的某全渠道业务为例，业务侧希望了解线下店铺选址周围商圈的特点和竞对的布局情况，因实地考察时间紧张，同时参与深度访谈的用户样本量受限并分散在全城，对于具体商圈的反馈输出相对有限，对于商圈餐饮、业态、居民区实际状况的照片、用户反馈等资料可能存在不足。我们找到了大众点评，对目标商圈及该城市范围主要商圈和创新业态的优点、劣势进行梳理，一定程度上丰富了研究报告中遗漏的视角。

例：用户对北京某线下店的评价

大众点评等点评资讯类APP的用户评论标签维度较多，富含照片和视频资料，信息量大，除了用来做线下业态踩点的信息补充外，后续可能对一些线下潮流新趋势的解读也会有一定的帮助。不过部分APP防爬虫设置可能也比较严格，大家在尝试抓取数据的时候需要具备python等先备技能。

产品平台痛点走查应用场景—APP Store

TIPS：对线上APP的用户使用评论进行梳理，挖掘用户体验流程的亮点与痛点，为寻找产品功能的延伸寻找机会点。

情景3

以某平台产品走查为例，研究员希望了解某新兴APP的用户使用体验与痛点，除了用户使用流程拆解、产品交互体验走查外，可能还希望了解用户对平台的感知、心智与痛点。APP Store以及各类安卓的应用商店可以成为快速收集用户评论的一个备用选项。可按照日期排序抓取最新一批的用户评价，追踪用户对app最新版本的态度和议论，以及对新上线功能点的感知情况。此外，通过对目标APP的优点和痛点进行梳理和归类，就能够尽可能多的拉齐竞品的变化趋势和用户的使用反馈。

例：用户对电商平台APP的评价

用户发表的意见和观点有一定的参考价值，但研究者围观的过程中也不建议盲目追随，毕竟从评论区大量的垃圾评论、情绪化表达、无效复制粘贴中，筛选出有产品指导价值的评论并不是一件容易的事情，研究目的也可能有走偏和失焦的风险。从长远看，引导用户撰写优质原创的评论，并使用大数据算法从中挖掘提升用户体验的策略，或许还有很长的路要走。