前言¶

連鎖餐飲的顧客反饋分散在品牌問卷、大衆點評、美團、淘寶閃送、京東秒送五個渠道里。每個渠道的字段、評分口徑和導出格式都不一樣，人工彙總一輪通常要半天，而且彙總完往往只有一堆文本，落不到門店和區域的可執行結論上。

下面介紹的這個 Skill 把這條鏈路固定成了流水線：批量導入 → 字段標準化 → QSC 評分 → NPS 計算 → NLP 情感與根因 → 區域/門店對比 → HTML 看板 → 週報月報 → Excel 問題列表。鏈路裏沒有需要自己搭的服務，腳本自帶 --demo 模式。

這是什麼¶

一句話定位：面向連鎖餐飲的多平臺客戶反饋分析工具，輸出 QSC 三維評分、NPS、情感與根因標籤，以及可直接分發的看板和報告。

• Skill 座標：@user_483ab805/chain-store-customer-feedback-analysis
• 版本：1.0.0
• 來源：community（社區發佈，非官方團隊出品）
• 分類：data-analysis
• 標籤：requires_api_key=false（默認本地 NLP 路徑不需要 API key）
• 發佈者：user_483ab805

它解決的是這樣一個問題：讓同一套評分口徑覆蓋所有渠道的反饋，並把結果按門店和時間兩個維度切開，省掉每期重複的手工彙總。

核心能力¶

整條鏈路分 7 層，逐層說明。

1. 數據層：5 平臺批量導入¶

支持品牌問卷、大衆點評、美團、淘寶閃送、京東秒送五個來源的批量導入。導入後所有來源進入同一套處理流程，不再按平臺分頭維護腳本。

2. 字段標準化¶

統一 schema，把不同平臺的字段名、評分粒度和文本格式映射到同一套結構；同時做客戶 ID 脫敏，導出和下游分析裏不保留可識別的客戶標識。

3. 評分層：QSC 三維評分¶

對每條反饋按品質（Q）、服務（S）、環境衛生（C）三個維度打分。三個維度分開算，便於定位問題落在產品還是現場管理。

4. NPS 計算¶

按推薦者減去貶損者的口徑計算 NPS，區分「推薦意願」和「滿意度」兩個不同問題。

5. NLP 層：情感與根因¶

默認走本地方案：jieba 分詞 + 中文情感詞典（2000+ 詞）+ 10 個根因標籤。這條路徑不需要 API key，數據不出本地。

可選升級爲雲 NLP：阿里雲 NLP 或百度雲 NLP，由用戶自行填寫 key 調用。默認標籤集固定爲 10 大根因，覆蓋餐飲反饋裏常見的問題類別。

6. 預警與區域對比層¶

對負面情感做預警。區域/門店對比按兩個維度交叉：門店 + 時間，因此可以同時回答「哪家店差」和「這家店是否在變差」。

7. 看板與報告層¶

• HTML 看板：Plotly 6 張圖表，單文件。
• 週報/月報：HTML 單文件，便於郵件或內部流轉。
• Excel 問題列表：按門店聚合，交給人手工分發給門店。不聯動工單系統，需要門店整改閉環的話得自己接。

觸發詞¶

Skill 通過觸發詞決定走哪條分支，詞表如下：

• 反饋聚合：客戶反饋 / 消費後調研 / 復盤 / 差評 / 差評分析 / 好評分析 / 情感分析 / 輿情 / 口碑 / 評價 / 評論 / 點評
• QSC 評分：QSC / 品質 / 服務 / 環境衛生
• NPS 計算：NPS / 淨推薦值 / 推薦意願
• 報告生成：週報 / 月報 / 數據看板 / 區域對比 / 區域排名 / 門店排名 / 品牌輿情
• 多平臺導入：大衆點評 / 美團 / 淘寶閃送 / 京東秒送 / 品牌問卷
• NLP 分析：情感分析 / 語義分析 / 負面情感 / 差評預警
• 雲 NLP：阿里雲NLP / 百度雲NLP / API key

觸發詞命中後進入對應環節，全流程仍然是 7 層流水線，不是七條獨立流程。

安裝與啓用¶

需要說明的是，寫作時官方頁面（api.skillhub.cn 與 skillhub.cn 兩處）均無法訪問，因此安裝命令和目錄結構未能覈實。下面的內容只覆蓋可以確認的部分。

• 該 Skill 基於通用 SKILL.md 格式，啓用方式是把它作爲 skill 放進客戶端的 skills 目錄，具體路徑以客戶端文檔爲準。
• requires_api_key=false：默認本地 jieba + 情感詞典路徑開箱可用，不需要準備 key。
• 如果要換雲 NLP，需要自備阿里雲 NLP 或百度雲 NLP 的 key，並由你自己承擔調用費用。
• 數據源方面，需要能拿到五個平臺各自的原始導出文件。

典型用法¶

全流程腳本都支持 --demo 跑通，先驗證鏈路再接真實數據：

# 每層腳本加 --demo 即可用內置樣例數據跑通整條流水線
# 腳本名稱以實際倉庫爲準（官方頁面當前不可訪問，未能覈實）
python <data>.py   --demo   # 導入與標準化
python <score>.py  --demo   # QSC 與 NPS
python <nlp>.py    --demo   # 情感與根因標籤
python <report>.py --demo   # 看板與週報/月報

--demo 的作用是跳過真實數據，用樣例數據把 7 層全部走一遍，適合第一次部署時確認環境和輸出是否符合預期。

真實使用時的輸入是五個平臺的原始反饋文件，輸出依次爲：標準化後的明細、QSC/NPS 評分結果、帶情感與根因標籤的反饋列表、區域與門店對比、HTML 看板、週報或月報 HTML 單文件、按門店聚合的 Excel 問題列表。

最後一環需要人工介入：Excel 問題列表按門店聚合好後，由你分發給對應門店，Skill 本身不負責派單。

適用場景與注意¶

適合這幾類情況：

• 多門店連鎖餐飲，反饋來源超過兩個平臺，目前靠人工彙總。
• 需要統一的 QSC 與 NPS 口徑，而不是每個平臺各算一套。
• 總部或區域運營需要週期性看板和週報月報。
• 對數據出域敏感，希望情感分析在本地完成。

需要注意的幾點：

• 默認情感分析是詞典方案（2000+ 詞），對反諷、長句複合評價的召回有限。追求精度就換雲 NLP，但要自己接 key 並承擔費用。
• 不聯動工單系統，問題列表的分發和整改閉環要你自己做。
• 版本 1.0.0，社區來源，下載量 1164、安裝量 0。安裝量爲 0 意味着沒有現成的部署反饋可參考，接生產數據前建議先用 --demo 跑一遍並抽查 QSC 與情感標籤的準確性。
• 評分顯示爲 100000，屬於平臺側的展示值，不建議當作質量判斷依據。
• 官方頁面當前不可訪問，安裝命令、目錄結構和腳本命名以倉庫實際內容爲準。

結尾¶

這個 Skill 的價值在於把「多平臺反饋彙總」這件重複且易錯的事變成一條固定的 7 層流水線，口徑統一、可復跑、可出報告。默認本地 NLP 路徑沒有 key 門檻，--demo 可以完整驗證鏈路。

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