为何总给外卖打差评?我们来数据分析一下!
本次项目使用Excel进行数据清洗,使用Tableau进行可视化分析。
文中涉及相关数据以及文件下载地址见文末。
仪表盘展示
项目背景
该项目源于美团面试分析题,主要分析用户不满意的原因,并据此提出可落地的建议来降低不满意率。
分析目的
差评原因分析,并给出改善方案。
问题拆解
数据概览
数据清洗
检查有无缺失值异常值(评价内容和备注会有缺失值,不影响分析) 顾客配送评价标签由“|”分割,需要拆分。 新增两个维度,取餐时长和用户等待时长。
拆分字段
使用Excel的Power Query对顾客配送评价标签进行拆分。
选中站点名称、骑手名称和顾客配送评价标签,复制黏贴到新表格(仅黏贴值),全选后点击数据→从表格 Power Query界面中选中顾客配送标签列,右键→拆分列→按分隔符。分隔符为"|"。拆分位置选择“每次出现分隔符时”。 选中拆分出来的9列,右键→逆透视列,删除属性列,保留值,关闭并上载。 重命名上载后的工作表为“差评标签”,将原数据中的“顾客配送评价标签”列删除,将原表中的“顾客评价内容”及“订单备注”剪切至新的工作表。
新增维度
取餐时长=骑手接单时长+到店时长+到店等待时长 用户等待时长=取餐时长+送达时长
由于缺少用户下单到商家确认订单的时长统计,所以我们这里默认用户等待时长即为从用户下单到拿到餐品的时长。Excel内使用sum函数即可完成两个维度新增,本文不再赘述。
清洗好的数据
数据分析
站点分析
从整体的差评标签来看,“送达超时”、“态度不好”、“其他”及“少餐/洒餐”是用户给差评时伴随最多的标签。 根据站点进行筛选,站点BCEF的“送达超时”差评标签超过30%;AB站点“态度不好”差评标签占比超过20%;E站点有18.92%的差评标签是“送达不通知”。
从各站点用户等待时长来看A站点是耗时最短的。C站点是耗时最长的。 站点CEF的用户等待时长都在平均值以上,这就可以解释为什么CF站点的差评标签中有30%以上的标签为"送达超值"。 站点E的用户等待时长是第二久的,该站点除了骑手接单时长外,到店时长、到店等餐时长及送达时长皆在平均值以下,所以要重点考虑该区域的骑手接单速度问题。
是否是因为商家或用户距离太远导致的骑手不愿意接单(但从到店时长和送达时间来看都在平均值附近)。 是否有系统/网络/手机延迟导致的骑手接单速度慢。 是否存在车子经常爆胎、电瓶老是被偷、跳水救人、救火、帮顾客搓麻将、打游戏。。。
骑手分析
对于特殊情况应该特殊对待。
差评数最多的几位骑手从用户等待时长来看都在平均值附近。查看这几位的差评标签可以发现“送达超时”占32.20%,“其他”占20.34%,“态度不好”占18.64%,我们无法判断“其他”到底是什么因素,所以只能在服务态度上进行狠抓。
部分站点的接单时间长是因为存在个别异常值。接单时长最长为136分钟。需要和该骑手和店家联系了解情况。
这么久才接单,用户这一单等了3个小时才拿到手,厉害厉害。
存在个别骑手到店等餐时长过久,导致送达超时。对于这个现象应该与店家联系,不能一味的怪责骑手,若店家多次出现等餐时长过久导致的骑手差评,平台方应该对其限制流量或降低搜索权重。
从上图可以看出平均用户等待时长为43分钟,下四分位为31分钟,用户自下单起超过31分钟收到餐品就很可能给骑手打差评。(太太太可怜了。。缺少地域属性,我好想知道哪个地域的骑手这么惨。) 差评数与差评标签数的关系如上图所示。可以发现“其他”、“送达超时”、“态度不好”及“提前点送达”的差评标签数与差评数呈现一定的线性关系。
假设差评标签数与差评数无关,上图趋势线P<0.0001,>0.3,拒绝原假设,所以上述提出的几个差评标签数与差评数有关。
总结
用户给差评最主要因素是“送达超时”,以及“态度不好”,“其他”和“少餐/洒餐”为次要原因。 C站点的表现最差劲,E站点是这几个站点中获差评最少的站点。E站点的接单时长远超平均值。 对于骑手来说“送达超时”、“态度不好”、“其他”和“提前点送达”更可能获得差评。自接单起,超过31分钟送达就很可能被打差评。 大部分骑手都是第一次被打差评,但存在部分骑手多次被打差评的现象。
建议
督促各站点负责人加强骑手培训及管理。尤其是C站点。
所有站点都存在"送达超时"和“态度不好”的问题,对于前者建议优化骑手配送路径算法,抢单界面;对于后者,管理人员一定要加强对骑手的服务培训,要多关心骑手,适当改进奖惩措施,提高骑手服务态度,提高用户体验,防止用户流失。
通过增加站点之间及站内骑手之间的竞争以达到内部竞争效果。增加荣誉榜等奖项满足骑手的尊重需求,给予适当物质奖励满足骑手的安全需求,举行团建活动满足骑手的社交需求。
对于打差评的用户,可以以金额为该次下单消费额的一定百分比的优惠券形式来补偿用户,并配以真诚的道歉私信,挽留住客户,刺激二次消费。
对打差评用户可以通过RFM模型来筛选,同时要区分是否是恶意差评。
参考文章
数分面试题——美团不满意率分析: https://zhuanlan.zhihu.com/p/131404140
本文的源数据,以及相关源码文件
关注公众号「凹凸数据」后台回复“外卖”即可获取
后台回复「进群」,加入读者交流群~
点击「积分」,了解积分规则~
五
本次联合【机械工业出版社华章公司】为大家送上1本正版书籍《Python数据可视化》!
朱小五
参与方式:点赞并转发本文到朋友圈(或相关学习群)保留1小时以上,截图回复到公众号,小五随机抽取一位送出本书,其他参与者随机抽取送出积分!
截止时间:4月26日晚6点(明晚)
本书全面讲解Python在不同应用领域的可视化方法;涵盖Python的各种绘图选项,包含大量实际案例。并介绍了数据、信息与知识之间的关系。