夜雨聆风你可能觉得自己很重视差评。
每一条差评你都看了，每一条你都回了，有的还花了半小时措辞。
客户说"服务态度差"，你回了一大段道歉；客户说"产品不如预期"，你解释了半天工艺。
但你有没有想过一个问题：你回了50条差评，其中可能有30条都在说同一件事。
你没发现，因为你是一条一条看的。
回差评和读差评，是两件事
如果你搜"客户差评怎么处理"，跳出来 90% 的文章都是同一个套路：
情绪型差评怎么道歉、产品型差评怎么补偿、物流型差评怎么甩锅给快递。每一篇都教你怎么把"一条差评"修复成"一条好评"。
这些套路有用，85% 给差评的客户其实愿意改评价；其中 89% 是因为商家给了具体补偿才改的。
一条差评在 48 小时内曝光最大，超过 72 小时再处理，它带来的流量损失能达到看得见经济损失的 5-10 倍。
差评不是个静态分数，是个会自己长大的东西。
道理你懂，话术你也会。问题只有一个:
你把 100 条差评一条一条救完了，下个月又来 100 条。
"越在乎差评他越来劲，生死有命富贵在天。"
差评回累了，回了也不一定有用，干脆不管了。
但问题不是"该不该回差评", 问题是你一直在做"灭火"的事，从来没做过"找火源"的事。
一条差评是投诉。100 条差评是一份体检报告。
你在灭火，但 AI 可以帮你找到火源, 并且把 100 条差评，整理成一份你能直接拿去开会的分析报告。
先搞清楚：哪些差评值得分析？
不是每条差评都值得认真对待。在让AI分析之前，先做一次粗筛。
差评大致分四种:
第一种：恶意差评。 同行攻击，职业差评师，或者"仅退款+差评"组合拳。这种差评不反映你的经营问题，处理方式是走平台申诉，不是反思自己。很多老板被这类差评搞得情绪很大，但它不值得你花精力分析。
第二种：期望偏差型。 客户期望值和你的产品本身有偏差。比如99块的酒店嫌没有泳池，39块的衣服嫌面料不如专柜。这类差评说明你的产品介绍可能要调整，但产品本身不一定有问题。
第三种：情绪宣泄型。 客户可能当天心情不好，或者某个环节让他不爽了，写了一大段发泄。措辞很激烈，但仔细看内容，核心问题可能很小。
第四种：真实差评。 产品确实有缺陷，服务确实有疏漏，流程确实有卡点。只有这一类值得做系统分析。
举几条真实差评原话感受一下.
下面这些都属于"第四种"，每条背后都是一个可以被改的具体经营动作：
"价格便宜但是企业淘汰下来的，有些人收到是 17 年停产的，有些人收到是通电 4 年的，稳定性很难保证。" 指向库存来源不透明
"很多买家反馈商品 P 图严重，色差较大。" 指向详情页过度美化
"买过好几次，之前收到都干干净净的，现在收到的外面好多泥巴，感觉品控不太稳定。" 指向同店出品不一致
"说发错货了，让我打包寄回，因为没有包装，还是等他给我寄了一个包装袋过来，我才能给他打包寄回去，此时距离我拿到货已经过去 5 天。" 指向售后流程把责任甩给客户
"海报上的重量不是整个产品的，而是去掉电池的，实际带上电池的重量要 20 多公斤……" 指向参数选择性展示
这五条不是情绪发泄。
每一条剥开措辞之后，底下都是一个具体的、可以被改的经营动作。这种就是 AI 该动脑子的对象。
你不需要手动分类。
复制差评给 AI 的时候加一句"请先判断每条差评属于哪种类型，只对'真实差评'做归类分析"，AI 会帮你过滤。
顺便说一句业内分法的区别：有个流传很广的"差评三大类":情绪型 45% / 产品型 35% / 物流型 20%。
这个数据本身有参考价值（说明情绪占比最大，先安抚情绪比解释问题重要），但它分类的目的还是为了"回好一条差评"。
我们这套提示词的目的不是回, 是诊断。
所以我们的分类方式不一样：
上面那 4 类（恶意/期望偏差/情绪宣泄/真实差评）是为了先粗筛，让 AI 只对"真实差评"动脑子；
后面会告诉 AI 把真实差评再按"你能改的东西"二次归类（流程/培训/产品/价格/环境）, 而不是按"问题种类"。
一句话：传统分类是为了知道"怎么回"，我们的分类是为了知道"先改什么"。
举个反直觉的例子, 有人系统分析过 11 万条耳机差评，结果发现音质相关的差评反而最少，真正爆雷的是可靠性、连接、续航这三件事。
这种排序你一条一条看是看不出来的, 你的眼睛会被措辞最激烈的那条吸走，但措辞激烈的不一定是出现次数最多的。
AI 看 100 条差评，和你看 100 条差评，看到的不是同一份东西。
场景1：平台差评聚合,从100条里找到"最该改的那件事"
你在大众点评、美团、淘宝上有店铺评价。
把最近3个月的差评（1星-3星）全选、复制，粘贴到AI对话框里。
给AI这段提示词：
以下是我们店最近3个月的差评。请按以下步骤分析：
第一步：先判断每条差评的类型, 恶意差评、期望偏差、情绪宣泄、还是真实差评。只对"真实差评"做后续分析。
第二步：把真实差评按问题类型归类（比如：等待时间/服务态度/产品质量/环境卫生/售后流程/价格争议/其他）。
第三步：统计每类问题出现的次数和占比。
第四步：每类列出2-3条最有代表性的客户原话。
第五步：同一类问题出现3次以上的，标记为"系统问题"；3次以下的标记为"个案"。
第六步：按严重程度排序（影响复购的优先），给"系统问题"各出一条改善方向建议。
以下是差评内容： （粘贴）
AI会给你一份这样的结果（以一家餐饮门店为例）：
过滤结果： 100条差评中，恶意差评8条已排除，期望偏差12条已标注，情绪宣泄6条已标注，真实差评74条进入分析。
问题归类（74条真实差评）：
| 系统问题 | ||||
| 系统问题 | ||||
| 系统问题 | ||||
| 系统问题 | ||||
一眼看完。你最大的问题不是菜品、不是价格, 是等待时间，38%的差评都在说同一件事。
如果你一条一条回差评，你可能花两天安抚了28个客户，每个人都回了"非常抱歉让您久等了，下次一定改进"。
但"等待时间长"这件事，你没改。下个月还是28个人在说同样的话。
AI帮你做的事，不是帮你回差评。是让你别再一条一条看，而是一次性看到全貌, 然后去改那个38%。
场景2：微信投诉对话分析,找到"情绪转折点"
平台差评是短的，通常一两句话。
微信里的投诉不一样, 客户会跟你聊很长，情绪在对话里慢慢升级，到最后你感觉对方很不满，但说不上来到底是哪一步走错了。
一个常见的场景：客户问退换流程，你回了一句"这个不在退换范围内"，没给替代方案。
客户从那句话开始语气变了。
你当时没注意，等到客户说"算了不想跟你说了"的时候，你才感觉不对。
但到底是哪句话让事情变糟的？你自己复盘很难看清, 因为你在对话里有情绪，会本能地替自己辩护。
把这段聊天记录复制出来（长按→多选→复制），粘贴给AI，加一段提示词：
以下是一位客户在微信里的投诉对话。请帮我做以下分析：
客户最初不满意的具体事情是什么？ 找出"情绪转折点":从哪句话/哪个回复开始，客户的态度明显变差了？为什么？ 客户嘴上在说什么，心里真正在意的是什么？（有时候客户说"产品有问题"，其实在意的是"你不重视我"） 我们的回复中，有哪几句"踩雷"了？踩在了什么情绪上？ 如果重来一次，那几句"踩雷"的回复分别建议怎么改？
AI会给你一些你自己在对话里看不到的东西。比如：
"客户最初只是询问退换流程，语气平和。从你第4条回复'这个不在退换范围内'开始，情绪发生转变。不是因为不能退换, 而是因为你没有提供任何替代方案，客户感到被拒绝后没有出路。他在意的不是退不退货，而是觉得自己的问题没有被当回事。"
"你在第6条回复里说了'我们的规定就是这样'，进一步强化了客户'你们不在乎我'的感受。
建议改为：'这个确实不在退换范围内，但我看看能不能帮您换一种方式处理，您稍等我确认一下。' 给出路比给理由重要。"
你当时在忙，回得快，没多想。但AI帮你把对话里的"暗雷"一个一个标出来了。
这不是用AI写回复。这是用AI复盘你的沟通，找出你的习惯性盲区。
多个投诉聚合：一个是个案，十个是趋势
一个客户的投诉是个案。十个客户说同样的话就是趋势。
如果你最近一个月收到了十几条微信投诉，可以把它们汇总到一个文档里，按场景1同样的方式丢给AI归类。
你可能会发现：60%的投诉集中在同一个售后环节, 比如"退换货流程不清楚"或者"承诺的赠品没有跟上"。
这不是一个一个安抚能解决的。这是流程问题。
怎么判断"个案"还是"系统问题"？
一条简单的规则：同类问题3个月内出现3次以上=系统问题，需要改流程；3次以下=个案，安抚处理就够了。
很多老板一直把系统问题当个案处理。每次都道歉、每次都补偿，但下个月同样的投诉还是一样多。
因为你没改流程, 你在堵窟窿，但窟窿还在那。
大品牌不是一条一条处理客户投诉的。
他们有专门的投诉分类手册，所有常见问题提前列好了，对应的处理方案写在手册里，谁来投诉就按方案走。
小老板没有资源做这种手册, 但你可以用AI从已有差评里"倒推"出一本来。
把AI分析出的"系统问题"列一张清单，每类问题写上改善方向。
这就是你自己的"经营体检报告"。
分析完了，然后呢？
分析是第一步，改才是目的。
对于AI标出的每个"系统问题"，不用一次全改。按这个顺序来：
先改占比最高的那一个。 上面例子里38%都在说等待时间长——那就先解决这个。出餐慢？排班不合理？接单量超过了厨房产能？找到具体原因，定一个改法，试一个月。
改完之后，再跑一次分析。 把改善之后新收到的差评再丢给AI做一轮归类。看那个38%降了没有，有没有新的问题冒出来。
差评分析不是做一次就完了，是每个季度做一次。 就像体检不是做一次就不用去了。
还有一个升级用法：让差评数据反哺到选品和供应链。 如果你某款货在"实物和图片差太远"这件事上反复出现 3 次以上——这就不是售后能解决的，这是采购环节或者详情页描述要改。如果某款产品在"和说明不一致""比承诺的小一号"这种话上反复挨骂，要改的是上游不是客服。差评诊断报告的最高用法，不是让客服改回复，是让老板改决策。
你手边哪些差评可以给AI？
不需要专门去搜集。这几个地方的数据你随手就能拿到：
平台类：大众点评/美团/淘宝/京东/拼多多的评论区 — 筛选1-3星，全选复制
微信类：客户在微信私聊里的抱怨和投诉 — 长按多选复制
内部类（如果有的话）：客服系统里的投诉记录、员工口头反馈的常见客户抱怨
一个判断标准：能复制粘贴的文字，就值得让AI看一遍。
你可能觉得"就那几条差评，我自己看看就行了"。
但人看差评会带情绪, 看到攻击性的措辞会本能防御，看到啰嗦的会跳着看，那些语气平和但问题严重的差评反而容易被忽略。AI 没有情绪，它只看内容。
这件事说细一点, AI 看一条差评的时候，它不会因为客户措辞激烈就急着替自己辩护，也不会因为某条话说得让你脸上挂不住、就在归类时悄悄把它放进"个案"那一栏。它只问一件事：这条说的问题到底属于哪类、出现了几次。
这恰好是"差评诊断"和"差评回复"最大的不同, 回差评要顾客户情绪、要给台阶、要措辞，AI 不擅长；诊断只要统计和归类、不要创造、不要安抚，AI 比你强。
准确率这一关也不用太担心, 前提就两件事：差评本身是真实的（不是同行刷的，所以前面那一步过滤很重要），归类标准你跟 AI 说清楚（提示词里写明白要按"问题类型"分而不是按"客户情绪"分）。
这两步做对了，AI 出的归类报告就能直接拿去开会用。
什么节奏做差评分析？
差评分析不是一次性动作，是个固定节奏。给你一份频率参考：
- 每天 30 秒：
扫一眼有没有新差评、需不需要立刻回复（48 小时窗口内回复最有效） - 每周一次：
把这周的差评归类一遍，5 分钟搞定，看有没有同类话开始扎堆 - 评分突然掉时：
紧急排查这波差评源头集中在哪里, 是产品问题、配送问题、还是服务问题 - 上新品后一周：
单独跑一次新品差评, 新品差评跟老品完全不是同一件事，老品的方案对新品没用 - 大促活动期间：
监控新客差评跟老客差评有没有分化, 大促引来的新客期望值经常跟老客对不上
把这个节奏内化成习惯，比"想起来才看一次"管用得多。
附：差评聚合分析提示词模板（复制即用）
【差评聚合分析】以下是我们店/我们品牌最近[3个月]的差评/客户投诉。请按以下步骤分析：1. 先判断每条差评的类型：恶意差评、期望偏差、情绪宣泄、真实差评。只对"真实差评"做后续分析。2. 把真实差评按问题类型归类（如：产品质量/服务态度/等待时间/售后流程/价格/物流/环境/其他）3. 每类统计出现次数和占比4. 每类列出2-3条最有代表性的客户原话5. 同类问题出现3次以上标记为"系统问题"，3次以下标记为"个案"6. 按严重程度排序（影响复购率的优先）7. 对每个"系统问题"给出：可能的原因 + 一条具体的改善建议以下是差评/投诉内容：（粘贴）
【微信投诉对话复盘】以下是一位客户在微信里的投诉对话。请分析：1. 客户最初不满意的具体事情是什么？2. 找出"情绪转折点"：从哪句话开始客户态度明显变差？原因是什么？3. 客户嘴上说的 vs 心里真正在意的是什么？4. 我们的回复中哪几句"踩了雷"？踩在了什么情绪上？5. 那几句回复分别建议怎么改？以下是聊天记录：（粘贴）
边界：AI 做诊断，不接管回复
写到这里你可能会问: AI 帮我看完差评、出完报告，那回客户这件事还是我自己干？
对。回差评这件事 AI 不接管。
这条边界看起来是限制，其实是这套方法的关键, AI 写的"回复"再标准也没温度。
客户情绪激动的时候最怕收到一段"按规章流程处理"的话；你这一句越标准、越无可指责，客户越觉得"你们不在乎我"。
火上浇油就是这么发生的。
但反过来, 差评区如果空着，也是一种"我不在乎"。客户进店先看差评，看见底下没人回复，心里想的就是"有问题也不解决，算了换一家"。所以这条边界不是"AI 不管回复"，是回复这件事必须人来做、但不能不做。
所以这套方法的真正用法是把两件事彻底分开:
- 日常
你正常回客户、安抚情绪、给补偿、致歉——这是 人 的活，机器替代不了 - 周期性
（每周或每月）找 10 分钟，把这段时间的差评整体丢给 AI 跑一份分析报告, 这是 AI 的活，人做太慢
回客户是日常，跑报告是周期。两件事不要混。
这一篇从头到尾讲的都是"AI 帮你看 100 条差评一次性看到全貌", 不是"AI 帮你回这一条差评"。别把边界踩错。
最后
差评是免费的经营体检。
你每天花时间一条一条回差评，相当于一个医生每天在急诊接病人，但从来不看病例统计。忙了一年，不知道这个科室最常见的病是什么。
把最近3个月的差评复制出来，花10分钟丢给AI跑一遍。你会得到一张清单，上面写着你的店到底哪几件事在反复出问题——哪个是系统问题该改流程，哪个是个案安抚就够了。
这张清单值多少钱？看你改不改。
相关文章推荐：
《客户最近聊天变少了？用AI帮你提前发现谁要流失》: 流失预警（AI做分析师系列） 《AI写的话术太假？一篇讲清楚怎么让AI说人话》:输入质量方法论 《客户加了微信不说话？用AI生成破冰话术》:破冰话术