任何2C的产品都制止不了海量的用户评论/反馈，这恐怕对普通用户来说，最直接的向产品表达看法的途径了。如果能够正确地分析这些评论，发现关键问题，产品就不会走向傍门……不过可不容易。很多产品对用户评论的重视度并不高，即便愿意花费精力去分析，即便分析了，使用的方法也是八门五花。

我以前实习的时候做过一种“打杂”的工作，就是回复用户反馈。我那时在1礼拜之内将反馈的回复率提高到了大约80%，只剩20%实在无法理解的才没有回复。我那段实习经历中不乏重要项目的策划、设计和实施，但是我却觉得那段回复评论的“打杂”是让我收获最多的工作，也是对产品收益最大的工作。

有人也许想说，现在有的是分析工具、人工智能来做大数据分析，还需要人工分析评论吗？我们现有的工具，大多只能对文字做一个非常粗略的统计，而无法真正理解文字背后的意图，所以真正有价值的工作，还是脱离不了人力。

现在用研也不是什么罕见工作了，分析用户评论的方法非常多，并且谁都可以自创一种。我并不觉得有什么方法是必然好的，有什么是必然欠好的。不过，学术界有一个叫做内容分析（Content Analysis）的领域，专门研究文字、媒体信息，半个世纪的时间里有很多人通过研究分析，终于找到了一套较为成熟的方法。我想，花费众人半个世纪才研究出来的分析方法，应该还是经得起考验的吧。所以，我决定在这里介绍一个以内容分析法为基础的，分析产品评论和反馈的方法。

系统化的内容分析最早是在1927年被一个叫做 Lasswell 的人用来分析政治宣传内容，也是挺神奇。接下来的二三十年代里，内容分析被用来研究当时快速发展的电影领域。五十年代随着电视的普及，内容分析成为了大众传播研究的重要手段。到了现在，内容分析以及开始运用于网络社区以及评论的分析研究。

Lasswell 最早给内容分析的定义是这样的：“谁说了什么，通过什么渠道，对谁说的，有什么影响”。

然而在产品评论和反馈这种单一场景中，这个定义里面剩下“谁说了什么，对谁说的”有意义，减轻了不少复杂程度。

进过这么多年的发展，内容分析其实早已不是一种单一的手段，里面涉及到了很多新的因素，例如多媒体内容分析、定性分析、计算机分析等等。但是真正发展成熟、被广泛认得的，还是比较传统的文字定量分析。我打算在这里介绍的，也是这种已经比较确定的方法。

别看前面扯了一大堆，其实这个方法非常简单，其最大的价值不过是尺度化罢了。为了便利理解，我使用了应用宝里滴滴出行的评论作为案例。

这里的样本也就是指产品评论和反馈的内容了，通常不要少于50条。不过需要注意的是，参与分析的人必需完整读完所有内容，所以要量力而行。为了以后便利维护，可以给每一条加上编码。

下面是滴滴出行在应用宝里的50条最新用户评论：

你先把前25条通读一遍，写下可行的分组计划，例如“支付问题、下单问题、登录问题”等。这个分组设计以后可以调整，但是这里需要定制一个初始计划。

25条这个数是针对不太复杂的产品而言的，如果是像微信这种什么功能都有的产品，那这个数量就不够了。如果产品模块和功能较多，可以先将各自的评论和反馈区区分开来，再进行分析。

如果是本身独自完成，只需写下分组名称就好了。如果维保准确性，多人同时进行，则需要给每组写下描述和规则。

下面是范例：

根据通过前25条设计的分组方案，阅读其余的内容并完成它们的分组。在这个过程中，如果发现先前设计的分组方案分歧理，可以进行修改。

以下是滴滴出行的分组范例：

在分组过程中或之后，仔细阅读评论的过程中必定会遇到一些关键的问题和现象，你必然要在发现的第一时间记录下来，否则后来必定就忘记了。

这也是通读评论的价值所在，通过一条一条的理解，很多真正的问题都藏在粗略的文字背后。例如，滴滴出行的反馈里面多次出现“相同路线来回价格纷歧致”、“预估价格与实际价格相差过大”等评论，它们是不是都指向一个问题——“缺少价格解释”？

滴滴出行的范例：

如果你整个分析都是在Excel里完成的，那么统计起来就便利了。你可以算一算正负面评价的比例和最受关注的问题。