早午餐店線上評論彙整與回覆草稿流

🎯 這條流程解決什麼

早午餐店的口碑，幾乎都決定在週末出餐高峰過後那幾條評論。客人吃完一頓 brunch，順手在 Google 商家、Uber Eats、foodpanda 留下星等與感想，可能是「歐姆蛋很嫩、咖啡好喝」，也可能是「等了快一小時、薯餅冷掉了」。問題在於：這些評論散落在三、四個不同後台，店長週末忙到連坐下都沒空，往往拖到週一甚至更晚才想起來要看，好評錯過了道謝的黃金時機、負評則晾在那裡讓後來的客人都看光光。

用純人工處理是什麼光景？一家中型早午餐店一週大概累積 30 到 60 則評論，店長得分別登入每個平台、一則一則看完、自己揣摩語氣寫回覆，認真做一則回覆從讀懂到打字至少 5 分鐘，一週光是回評論就要花掉 3 到 5 個小時。多數老闆根本擠不出這個時間，結果就是「回覆率長期掛零」——而 Google 演算法與消費者心理都偏好「商家有在認真回覆」的店家。沒回覆等於把信任分數白白丟掉。

這條流程把整件事自動化前半段：系統定時抓取各通路新評論，由 AI 判讀星等與情緒、標出客人在講的是餐點、服務還是等候時間，並先擬好一則貼合語氣的回覆草稿，同時把低星與食安相關的評論即時推播給店長優先處理。店長只要在草稿上潤一潤、按下發布，原本要花一整個下午的事，十幾分鐘就收尾。

導入後的改變

導入前，評論回覆率經常低於兩成、平均回覆時間以「天」計，負評往往躺三五天才被發現，新客在 Google 上看到一排沒人理的抱怨，轉身就去隔壁店。導入後的改變很直接：

• 回覆率從不到 20% 拉到 90% 以上，因為草稿都備好了，店長的工作只剩確認。
• 負評平均反應時間從數天縮短到當天、甚至一小時內，即時推播讓店長在客人氣消之前就接住。
• 每週回覆評論的人力從 3～5 小時壓到 30 分鐘左右，等於每月省下超過 15 個工時，相當於釋放出半個正職人力的零碎時間。
• 從彙整出的主題標籤，看出「等候過久」「咖啡溫度」「假日排隊」等反覆出現的痛點，讓店長有數據可以改流程，而不是憑感覺。

對一家月營收兩、三百萬的早午餐店來說，Google 評分每提高 0.1 顆星，往往就反映在自然搜尋曝光與週末訂位量上，這份效益遠超過建置這條流程的時間成本。

流程怎麼運作

對照 frontmatter 的五個節點，逐步說明：

1. 觸發：新評論（📥）——以排程方式（例如每天早上十點、晚上十點各一次）讀取 Google 商家檔案與外送平台的最新評論。每則評論抓下星等、文字內容、作者、時間，寫進 Google Sheet 當作主資料表，並用評論 ID 去重，避免同一則被重複處理。

2. 情緒分析（🧠）——把每則評論文字送進 AI 節點，輸出三項結果：整體情緒（正向／中性／負向）、主題標籤（餐點品質、咖啡飲品、服務態度、等候時間、環境清潔、價格），以及一句重點摘要。這一步讓散亂的留言變成可統計的結構化資料。

3. 產生回覆草稿（✍️）——依評論內容與品牌語氣（事先在提示詞裡設定好「親切、口語、帶點溫度、不官腔」），生成一則個人化回覆草稿。好評著重真誠道謝並點名客人提到的餐點；負評則先同理、再具體說明改善方向，避免罐頭式「謝謝您的寶貴意見」。

4. 負評升級（🚨）——只要星等低於門檻（例如 3 星以下），或文字命中食安關鍵字（吃壞肚子、不新鮮、異物、過敏），就立刻透過 LINE Notify 推播給店長，標明「優先處理」，不等每日彙整。

5. 回覆人工確認（✅）——所有草稿一律進到待審清單，由店長或行銷人員潤飾、確認後才公開發布。AI 永遠只負責初稿，按下發布鍵的是人。

需要的工具與串接重點

在 n8n 或 Make 上搭建，平台扮演排程器與資料中轉站。Google 商家評論透過官方 API 或評論管理工具取得；外送平台評論因多數沒有開放 API，常以商家後台匯出或第三方彙整服務接入，這一段要先確認資料來源是否合法、穩定。AI 情緒分析節點負責判讀與生成草稿，建議把品牌語氣、禁用詞、回覆長度都寫進系統提示詞。Google Sheet 當評論主資料表與審核佇列，方便非工程人員直接看、直接改。LINE Notify 負責負評即時推播。

串接重點有三：一是務必做去重，否則每次排程都會把舊評論重抓一遍、洗版審核清單；二是各平台的回覆動作多半無法全自動發布，把「發布」這一步保留為人工，既符合平台規範也守住品質；三是 AI 節點要設溫度偏低、語氣穩定，避免每次生成風格飄移。

常見錯誤與注意事項

• 絕不讓 AI 草稿自動發布。 所有對外回覆務必由人工潤飾與確認後再公開，自動化只負責彙整與初稿，不取代品牌對客人的真誠溝通。
• 食安與客訴爭議須由負責人親自處理。 涉及吃壞肚子、異物、過敏等個案，絕不可照稿照發，必要時應諮詢食品衛生或法務專業，AI 不取代專業判斷。
• AI 可能誤判語氣或事實，例如把反諷讀成好評、把專有名詞認錯，人工審核就是攔住這些錯誤的最後一關。
• 個資與平台規範。 評論作者資訊屬個人資料，僅供回覆使用，不可外流或另作行銷名單；抓取外送平台資料前先確認符合該平台條款。
• 回覆要具體、忌複製貼上。 一眼看得出是罐頭回覆，反而比不回覆更傷品牌。

台灣中小企業情境案例

台北信義區一家主打 all-day brunch 的店，週末單日進出兩、三百位客人，評論橫跨 Google、Uber Eats、foodpanda 三個平台。導入前店長坦言「評論都是月底才一次補回，負評常常拖到客人都忘了」。導入這條流程後，每天早晚兩次彙整，負評當天就被店長看到並回覆；AI 把一個月的留言整理成主題統計，店長發現「假日等候超過 40 分鐘」被提到 18 次，於是把週末改成線上候位、加開一條飲品出杯線。三個月後，Google 評分從 4.2 升到 4.5，週末自然訂位量明顯上升，店長每週回評論的時間從一個下午縮成兩段咖啡休息的空檔。

延伸應用

這條流程的結構可以再延展：把彙整出的好評金句，自動轉成社群貼文素材或店內海報，做法可參考 評論轉貼文配方；把每月主題統計接成固定的營運週報，讓店長定期檢視服務缺口；針對留下聯絡方式的常客，串接 會員回流經營流程 設計回訪誘因；若是連鎖品牌，還能把各分店評論統一彙總、橫向比較服務水準。想把這套口碑管理擴大成完整的門市自動化體系，可從 自動化應用總覽 找到更多可串接的環節。

流程圖

用到的工具

更多「餐飲美食」工作流

瀏覽全部工作流藍圖 → 自動化工作流中心 → AI Skills 食譜庫 →