用 AI 把门店差评变成整改清单：连锁品牌口碑复盘

背景

一个连锁餐饮品牌有 12 家门店，大众点评和美团上每月累计 800+ 条评价，其中差评约 60 条。总部以前靠运营手动翻，月底才出一份笼统的「服务需加强」。门店根本不知道具体改什么。

做法

• 抓取近 30 天全部差评文本，去掉顾客昵称等隐私字段，汇总成一份纯文本。
• 用 AI 按「问题类型」归类：上菜慢、态度差、卫生、口味、环境、性价比，每条标出门店和原话。
• 让模型对每类生成「门店可执行的整改动作」，例如「上菜慢→高峰期增开传菜通道、前厅每桌下单后 8 分钟内回访」。
• 输出按门店拆分的整改清单加共性问题周报，直接发店长群。

落地结果

第一周就暴露出两家店集中投诉「等位没水没零食」，这是总部之前完全没掌握的。整改后这两家差评里「体验差」占比从 41% 降到 19%。更重要的是，店长第一次拿到了「这周具体改哪三件事」，而不是一句空话。

踩过的坑

一开始直接让 AI 写「整改方案」，出来全是正确但没用的套话。后来改成「先归类贴原话，再基于原话给动作」，质量立刻不一样——模型必须看见真实顾客怎么骂，才给得出落地的招。另外差评里偶有辱骂性内容，先过滤再喂，避免污染归类。

这套方法不挑行业，医美、零售、酒店同理：把零散抱怨变成可派单的清单，口碑运营才算真正闭环。