美团差评数据分析，python代码实现

明确问题

美团骑手出现差评的原因是什么？影响因素是哪些？并给出改善方案。（骑手姓名重复默认为同一个骑手；同一个骑手可能在不同站点出现差评）
数据时间：无；数据地点：站点A-E；核心业务指标：顾客配送评分；比较对象：差评订单信息记录。

理解数据

序号：差评订单序号；
站点名称：站点A-F，查找发现美团站点就是美团商家。
骑手名称：骑手姓名；
顾客配送评分：顾客对配送订单的打分；
顾客配送评价标签：顾客针对配送订单选择的评价标签；
顾客评价内容：顾客手动填写的针对配送订单的评价内容；
订单备注：顾客手动填写的针对订单的备注内容；
骑手接单时长：顾客下单后到骑手接单之间所花时长；单位：分钟；
到店时长：骑手接单后到指定站点的时长；单位；分钟；
到店等餐时长：骑手到达指定站点后等待餐好所花时长；单位：分钟；
送达时长：骑手取餐后送至顾客处所花时长；单位：分钟。

处理数据

data.describe()

发现送达时长存在0这一不符合常理值，需要重点关注该值看做哪种操作，同时骑手接单时间259分钟的也需要关注，是何原因

异常值处理

data.query('送达时长==0')
#data[(data['送达时长']==0)] 数据量大使用query速度更快

查看该订单发现，实际送达时间为52min，不到三公里路程，可能是骑手直接点了送达，或者是系统错误，手动修正

data.loc[data.送达时长==0,'送达时长'] = 52

data.query('骑手接单时长>259')

该接单时长过长可能是位置偏远等问题，不需要做特殊处理

标签处理

data['顾客配送评价标签'].unique()

新增计算列

data=pd.merge(data,(data['顾客配送评价标签'].str.split('|',expand=True,n=1)),how='left',left_index=True,right_index=True)
data.rename(columns={0:'顾客配送评价标签1',1:'顾客配送评价标签2'},inplace=True)
data.info()

data.loc[:, '取餐时长'] = data['骑手接单时长'] + data['到店时长']+ data['到店等餐时长']
data.loc[:, '总时长']=data['取餐时长']+data['送达时长']
data

数据分析

分析思路

描述性分析

data.describe()

骑手接单时长、到店时长、到店等餐时长大部分的数值都在正常范围内，不是造成差评的主要原因，但上诉原因可能会影响总时长，由于在目前的数据中，没有更多的数据支撑，所以无法得出详细的结论，重点关注这些超过正常范围的订单，查看具体情况，分析原因。

data['顾客配送评价标签1'].value_counts()

差评原因在该份数据中大概集中在九类，其中送达超时、态度不好、其他、少餐/洒餐占了差不多4/5，其中送达超时占比最大，需要重点改进

data['站点名称'].value_counts()

差评商家在该份数据中，站点C、A、B得到的差评尤为多，需要重点关注，针对性的调整改善

data['骑手名称'].value_counts().describe()

骑手差评次数在该份数据中，75%的骑手都在一次左右，其中李，陈，刘，王差评次数大于5次，（骑手姓名重复默认为同一个骑手，所以不考虑*所代表的其他字符），上述四人数据需重点查看差评多的原因，做针对性调整安排。

data['骑手名称'].value_counts().head(40)

差评数前40名 分别是以上人员，需要对其进行专项培训，找出原因专项整治。

探索性分析

送达总时长时间过长，导致的差评

listBins = [0, 10, 20, 30, 40, 50, 60, 70,80,90,100,1000]
listLabels = ['0_10','11_20','21_30','31_40','41_50','51_60','61_70','71_80','81_90','91_100','101及以上']
data['总时长分布'] = pd.cut(data['总时长'], bins=listBins, labels=listLabels, include_lowest=True)
data['总时长分布'].value_counts()

从订单完成总时长分布可知，订单完成总时长主要分布在20-90分钟内。差评订单数前三分别是31_40,41_50,21_30。送达总时长过长是导致顾客差评的关键影响因素。同时由该分布可得出初步结论，三十分钟是一个可判断是否好差评的“魔法数字”，但正确与否，需要更多的数据来验证。

data['总时长分布'].value_counts('顾客配送评价标签1'=='送达超时')

data[data['顾客配送评价标签1']=='送达超时'].count()['总时长分布']

data[data['顾客配送评价标签1']=='送达超时'].groupby(['总时长分布']).总时长分布.count().sort_values(ascending=False)

从送达超时的订单完成总时长分布可知，订单完成总时长主要分布在40-70分钟内。41-50分钟内的差评订单数最多，可以优先匹配距离顾客近、熟悉顾客周围区域的骑手，尽量保证30分钟内送达。除此之外还存在0-15以及大于100的订单数，深入核查发现，11-20区间内的5个订单,有两个订单总订单完成时间小于15分钟，评价标签分别为“送达超时”和“提前点送达|送达超时|少餐/洒餐”，因此可能是顾客故意差评/不小心点到该标签。时长大于100分钟的订单数，深入核查发现，骑手接单时长、送达时长过长，其中有1条顾客评价表明骑手不熟悉路并且不主动联系顾客，针对这一现象，鼓励骑手有礼貌地提取询问顾客。

data[data['顾客配送评价标签1']=='送错餐品'].groupby(['总时长分布']).总时长分布.count().sort_values(ascending=False)

data[data['顾客配送评价标签1']=='少餐/洒餐'].groupby(['总时长分布']).总时长分布.count().sort_values(ascending=False)

从少餐/洒餐订单的总送达时长分布中可知，31-40分钟区间的订单数最多，其次是21-30分钟区间，可能因为骑手担心送达超时差评，所以取餐过于着急，送餐速度过快，导致送餐出错，少拿餐品，甚至外卖箱内的餐品倾洒，反而影响了顾客的食用体验。

可以鼓励商家使用更密封的餐盒，减少餐品倾洒现象的出现；同时可以设置骑手在店内取餐时，核对餐品，避免出现少餐现象。

骑手个人行为导致的差评

data[data['顾客配送评价标签1']=='态度不好'].groupby(['骑手名称']).骑手名称.count().sort_values(ascending=False).describe()

态度不好的骑手，在该数据中有82个，超过一次态度不好的骑手大概有20个，最多的次数有三次。可以对态度不好的骑手进行提示，多次得到态度不好差评者，应给予相应的惩罚和教育，或限制对应骑手接单次数，待好评率达到标准后，再恢复正常接单。

data[data['顾客配送评价标签1']=='提前点送达'].groupby(['骑手名称']).骑手名称.count().sort_values(ascending=False).describe()

提前点送达的骑手在该数据中，有33个，都是一次，推测可能是在发现该行为以后平台进行了干预，但不能说没有多次行为就可以忽视该行为，后续骑手培训，规范等都需要重视

data[data['顾客配送评价标签1']=='仪表不整'].groupby(['骑手名称']).骑手名称.count().sort_values(ascending=False).describe()

仪表不整的骑手在该数据中，有11个，都是一次，推测可能是在发现该行为以后平台进行了干预，但不能说没有多次行为就可以忽视该行为，后续骑手培训，规范等都需要重视

data[data['顾客配送评价标签1']=='骚扰威胁'].groupby(['骑手名称']).骑手名称.count().sort_values(ascending=False).describe()

骚扰威胁这个虽然只有一个骑手的一次行为，但这是在服务业严禁允许的，需要加强该方面的管控，强力整治。

商户行为导致的差评

listBins = [0, 10, 20, 30, 40, 50, 60]
listLabels = ['0_10','11_20','21_30','31_40','41_50','51_60']
data['等餐时长分布'] = pd.cut(data['到店等餐时长'], bins=listBins, labels=listLabels, include_lowest=True)

data['等餐时长分布'].value_counts()

取餐时长集中在10分钟以内，处于合理区间，因此推断这不是导致差评的主要原因。

data[data['顾客配送评价标签1']=='少餐/洒餐'].groupby(['站点名称']).站点名称.count().sort_values(ascending=False)

无法得出是否对差评有影响结论

data[data['顾客配送评价标签1']=='送错餐品'].groupby(['站点名称']).站点名称.count().sort_values(ascending=False)

无法得出是否对差评有影响结论
但可对站点C、A、B进行专项研究，分析具体原因。

其他评价标签的白描

包含“其他”差评标签的记录共112条，其中仅有“其他”差评标签的数据记录为75条。由于数据条数较少，所以人工核查“其他”差评发生的具体原因，如果数据条数过多，需另行采取方法。通过顾客评价内容发现，存在各种各样的原因，大致归为菜品不满意、没有送至楼上、骑手仪表态度、配送过慢以及不明原因。

可以根据顾客评价内容优化差评标签选择，精细化归类，鼓励顾客选择“其他”差评原因时，手动输入具体差评原因，避免恶意差评现象。

建议

从用户使用外卖软件的流程出发，在以下几个方面给出运营解决方案，以改善差评订单数：

用户下单
鼓励用户备注个人需求，如“少油少盐”等标签，方便站点配餐，提高用户用餐满意度。
顾客下单时，对预计等待时间进行说明，骑手接单时间超过某值时对顾客进行温馨提醒，确定顾客是否愿意继续等待。
可以设置送达时间区间，小于送达时长上限时顾客不能评价送达超时。可以为顾客设置温馨提醒，周围无骑手，如继续等待可能等待多久时间，避免顾客等候时间过长，给出差评的现象。

骑手接单
可以设置地区标签，骑手选择自己熟悉的地区标签，在顾客下单后，优先从熟悉该地区的骑手中派单；

骑手到店取餐
骑手到店等餐取餐应核对顾客点单，防止取错餐/少餐。

站点配餐
站点配餐尽量选用密封性强的餐盒，减少食物倾洒的现象；
在店铺中明确标注菜品口味，避免顾客盲目选择与自己口味不合的餐品，给出差评；
注意顾客针对餐品的备注标签。

骑手送餐
如果是对顾客所在区域并不熟悉的骑手，可以在骑手接单时提醒顾客，并鼓励骑手主动询问顾客路线，减少送达超时现象；
鼓励骑手在每天上班时进行仪容仪表打卡，确保派餐骑手仪容仪表过关；
对出现态度不好差评的骑手进行提醒，如若多次出现态度不好的差评，可以限制对应骑手接单数，待满足好评率/态度不错的好评标签条件后，再恢复骑手接单量。
优先匹配距离站点、顾客距离较近的骑手接单，减少骑手为赶时间，不能安全行驶，同时少餐/洒餐的现象；
可以限制骑手同一时间的最高接单量，避免骑手接单过多，导致送错餐/送达超时/洒餐等。

顾客评分
可以根据顾客评价内容优化差评标签选择，精细化归类，鼓励顾客选择“其他”差评原因时，手动输入具体差评原因，避免恶意差评现象。