Stream 3 · Apple 授权店差评主题分析

从 332 条差评
到 24 个负向模式

0Reviews

0QEC Events

0Core Scenarios

0Coverage %

Boundary

研究边界先于结论

样本是极端负向视角，不能外推渠道整体满意度

差评样本限定

结论刻画的是客户感知表达，不是事实裁定与根因归责

ADR-007 边界

P-01 元数据闸门未完成，不能做门店/城市分层

仅可输出通用模式

这保证了结论“诚实可用”：宁可收敛，不做过度声明。

Phase 0

数据治理：先把噪音关掉

原始语料

332 条有效差评，文本中位长度 102 字符。

短文本 + 情绪驱动

脱敏

全部 user_id 匿名化，保持可追溯同时保护隐私。

Phase 0 完成项

伪重复标记

输出 A/B 双版本频次，检验组织化评论污染。

ADR-008

稳健性

A/B 最大差异 1.86pp，无主题受影响超过 10pp。

通过敏感性检查

Phase 1-2

QEC 三元结构：Q + E + C

Q · Quote（原文片段）

必须是评论原文可定位子串
用于保证“可追溯”与证据真实性
支持后续人工抽检与复核

→

E · Explanation（三层拆分）

E1：感知事实（发生了什么）
E2：客户归因（为什么会这样）
E3：研究边界（能说/不能说）

→

C · Code（主题标签）

将事件单元映射到可聚合主题
支持 BERTopic 与 LLM 双路归纳
服务后续频次统计与管理动作

332 评论 → 1,070 QEC avg 3.22 QEC/评论 quote 幻觉过滤 100% κ=0.6407（有条件冻结）

Phase 3 Evolution

方法演进：从单路失败到双路互证

Step 1 · 单路 BERTopic

topic_0 占比 97.93%，聚类崩溃。

负向语料词汇同质化

Step 2 · 多路 BERTopic

按 Route A/B1/B2/B3 分路，形成 T1-T4。

覆盖 389 QEC（36.4%）

Step 3 · Route B 语义归纳

LLM 独立盲读 9 批次，再与 BERTopic 交叉验证。

双路互证规则形成

Coverage

覆盖率是这次最大的改进指标

4BERTopic Themes

36.4%Single/Multi Route

18Cross-Validated

54%Final Coverage

从“算法能聚出的结构”转向“业务真正关心的事件覆盖”。

Final Framework

四层结构 + 18 子场景（完整）

T1 人员互动态度（2）

~150 QEC · 14.0%

T1-A 店员主动回避接触
T1-B 询问时以语气/反问伤人

T2 销售操控行为（6）

~60 QEC · 5.6%

T2-1 捆绑配件强制加价
T2-2 以旧换新价格先高后低
T2-3 虚假技术信息推销附件
T2-4 售后维权渠道主动阻断
T2-5 针对老年客户专项欺骗
T2-6 授权店与直营身份混淆

T3 承诺执行落差（6）

~64 QEC · 6.0%

T3-1 预约服务到店无法受理
T3-2 库存确认后到店落空
T3-3 国补信息误告/操作被拒
T3-4 同店员工说法前后矛盾
T3-5 促销活动到店条件变更
T3-6 线上产品/服务到店拒绝

T4 真伪与品质疑虑（4）

~37 QEC · 3.4%

T4-1 第三方配件冒充原装出售
T4-2 原装缺货强推第三方
T4-3 配件短期质量失效
T4-4 主机短期品控问题

Supplement Patterns

补充模式（LLM 独立发现）

质保/退换政策拒执行

~40 QEC

维修二次损坏

~30 QEC

店员专业知识缺失

~25 QEC

预约形同虚设 + 扫码任务绑架 + 人为制造稀缺

~39 QEC

补充模式不一定有算法互证，但每条都有 quote 支撑。

Business Implications

面向管理动作的三条落地建议

1) 先控高风险触点

优先治理 T2/T4 高争议行为：捆绑、身份混淆、真伪风险。

2) 建立承诺一致性机制

把预约、库存、国补口径放到统一 SOP，减少 T3 异常。

3) 以证据包驱动复盘

用 QEC + quote 作为门店培训和整改的“最小证据单元”。

Closing

结论一句话

Stream 3 给出的不是“谁对谁错”的裁决，而是在差评样本中反复出现、可被追溯、可被行动化的负向体验模式。

下一步：补齐 P-01 元数据后，进入门店/渠道分层对比。

从 332 条差评到 24 个负向模式