前言¶

连锁餐饮的顾客反馈分散在品牌问卷、大众点评、美团、淘宝闪送、京东秒送五个渠道里。每个渠道的字段、评分口径和导出格式都不一样，人工汇总一轮通常要半天，而且汇总完往往只有一堆文本，落不到门店和区域的可执行结论上。

下面介绍的这个 Skill 把这条链路固定成了流水线：批量导入 → 字段标准化 → QSC 评分 → NPS 计算 → NLP 情感与根因 → 区域/门店对比 → HTML 看板 → 周报月报 → Excel 问题列表。链路里没有需要自己搭的服务，脚本自带 --demo 模式。

这是什么¶

一句话定位：面向连锁餐饮的多平台客户反馈分析工具，输出 QSC 三维评分、NPS、情感与根因标签，以及可直接分发的看板和报告。

• Skill 坐标：@user_483ab805/chain-store-customer-feedback-analysis
• 版本：1.0.0
• 来源：community（社区发布，非官方团队出品）
• 分类：data-analysis
• 标签：requires_api_key=false（默认本地 NLP 路径不需要 API key）
• 发布者：user_483ab805

它解决的是这样一个问题：让同一套评分口径覆盖所有渠道的反馈，并把结果按门店和时间两个维度切开，省掉每期重复的手工汇总。

核心能力¶

整条链路分 7 层，逐层说明。

1. 数据层：5 平台批量导入¶

支持品牌问卷、大众点评、美团、淘宝闪送、京东秒送五个来源的批量导入。导入后所有来源进入同一套处理流程，不再按平台分头维护脚本。

2. 字段标准化¶

统一 schema，把不同平台的字段名、评分粒度和文本格式映射到同一套结构；同时做客户 ID 脱敏，导出和下游分析里不保留可识别的客户标识。

3. 评分层：QSC 三维评分¶

对每条反馈按品质（Q）、服务（S）、环境卫生（C）三个维度打分。三个维度分开算，便于定位问题落在产品还是现场管理。

4. NPS 计算¶

按推荐者减去贬损者的口径计算 NPS，区分「推荐意愿」和「满意度」两个不同问题。

5. NLP 层：情感与根因¶

默认走本地方案：jieba 分词 + 中文情感词典（2000+ 词）+ 10 个根因标签。这条路径不需要 API key，数据不出本地。

可选升级为云 NLP：阿里云 NLP 或百度云 NLP，由用户自行填写 key 调用。默认标签集固定为 10 大根因，覆盖餐饮反馈里常见的问题类别。

6. 预警与区域对比层¶

对负面情感做预警。区域/门店对比按两个维度交叉：门店 + 时间，因此可以同时回答「哪家店差」和「这家店是否在变差」。

7. 看板与报告层¶

• HTML 看板：Plotly 6 张图表，单文件。
• 周报/月报：HTML 单文件，便于邮件或内部流转。
• Excel 问题列表：按门店聚合，交给人手工分发给门店。不联动工单系统，需要门店整改闭环的话得自己接。

触发词¶

Skill 通过触发词决定走哪条分支，词表如下：

• 反馈聚合：客户反馈 / 消费后调研 / 复盘 / 差评 / 差评分析 / 好评分析 / 情感分析 / 舆情 / 口碑 / 评价 / 评论 / 点评
• QSC 评分：QSC / 品质 / 服务 / 环境卫生
• NPS 计算：NPS / 净推荐值 / 推荐意愿
• 报告生成：周报 / 月报 / 数据看板 / 区域对比 / 区域排名 / 门店排名 / 品牌舆情
• 多平台导入：大众点评 / 美团 / 淘宝闪送 / 京东秒送 / 品牌问卷
• NLP 分析：情感分析 / 语义分析 / 负面情感 / 差评预警
• 云 NLP：阿里云NLP / 百度云NLP / API key

触发词命中后进入对应环节，全流程仍然是 7 层流水线，不是七条独立流程。

安装与启用¶

需要说明的是，写作时官方页面（api.skillhub.cn 与 skillhub.cn 两处）均无法访问，因此安装命令和目录结构未能核实。下面的内容只覆盖可以确认的部分。

• 该 Skill 基于通用 SKILL.md 格式，启用方式是把它作为 skill 放进客户端的 skills 目录，具体路径以客户端文档为准。
• requires_api_key=false：默认本地 jieba + 情感词典路径开箱可用，不需要准备 key。
• 如果要换云 NLP，需要自备阿里云 NLP 或百度云 NLP 的 key，并由你自己承担调用费用。
• 数据源方面，需要能拿到五个平台各自的原始导出文件。

典型用法¶

全流程脚本都支持 --demo 跑通，先验证链路再接真实数据：

# 每层脚本加 --demo 即可用内置样例数据跑通整条流水线
# 脚本名称以实际仓库为准（官方页面当前不可访问，未能核实）
python <data>.py   --demo   # 导入与标准化
python <score>.py  --demo   # QSC 与 NPS
python <nlp>.py    --demo   # 情感与根因标签
python <report>.py --demo   # 看板与周报/月报

--demo 的作用是跳过真实数据，用样例数据把 7 层全部走一遍，适合第一次部署时确认环境和输出是否符合预期。

真实使用时的输入是五个平台的原始反馈文件，输出依次为：标准化后的明细、QSC/NPS 评分结果、带情感与根因标签的反馈列表、区域与门店对比、HTML 看板、周报或月报 HTML 单文件、按门店聚合的 Excel 问题列表。

最后一环需要人工介入：Excel 问题列表按门店聚合好后，由你分发给对应门店，Skill 本身不负责派单。

适用场景与注意¶

适合这几类情况：

• 多门店连锁餐饮，反馈来源超过两个平台，目前靠人工汇总。
• 需要统一的 QSC 与 NPS 口径，而不是每个平台各算一套。
• 总部或区域运营需要周期性看板和周报月报。
• 对数据出域敏感，希望情感分析在本地完成。

需要注意的几点：

• 默认情感分析是词典方案（2000+ 词），对反讽、长句复合评价的召回有限。追求精度就换云 NLP，但要自己接 key 并承担费用。
• 不联动工单系统，问题列表的分发和整改闭环要你自己做。
• 版本 1.0.0，社区来源，下载量 1164、安装量 0。安装量为 0 意味着没有现成的部署反馈可参考，接生产数据前建议先用 --demo 跑一遍并抽查 QSC 与情感标签的准确性。
• 评分显示为 100000，属于平台侧的展示值，不建议当作质量判断依据。
• 官方页面当前不可访问，安装命令、目录结构和脚本命名以仓库实际内容为准。

结尾¶

这个 Skill 的价值在于把「多平台反馈汇总」这件重复且易错的事变成一条固定的 7 层流水线，口径统一、可复跑、可出报告。默认本地 NLP 路径没有 key 门槛，--demo 可以完整验证链路。

官方地址：https://api.skillhub.cn/user_483ab805/chain-store-customer-feedback-analysis