評論監控與回覆草稿

🎯 這條流程解決什麼（具體痛點與現在純人工要花的時間成本）

現在客人吃麵前的第一個動作,通常是打開 Google 地圖看星等與評論。一則「等了四十分鐘、湯太鹹」的負評若掛在那裡沒人回,下一位正在猶豫的客人就直接滑掉換別家;反過來,一則好評若老闆有禮貌地回應道謝,給人的觀感是「這家店很在乎客人」,反而加分。評論早就不是看看就算的東西,而是直接影響來客數的門面。

但對小店來說,要把評論顧好幾乎不可能靠純人工。Google 商家、Uber Eats、foodpanda 各有各的後台,老闆得一個一個登入去看有沒有新評論;忙到打烊後拖著疲憊的身體,根本沒力氣天天巡。就算看到負評,當下情緒上來,回覆可能寫得太衝、火上加油;好評則因為「又沒什麼好回」而長期晾著。實際估算,要認真做評論經營,老闆每天得花 30 到 45 分鐘巡各平台、想措辭、逐則回覆,長期堅持的店家寥寥無幾。結果就是:好評沒道謝、負評沒處理,星等慢慢往下掉,來客數跟著縮,陷入惡性循環。

導入後的改變（導入前 vs 導入後對比與效益估算）

導入前:評論散在三四個平台,老闆有空才看、沒空就漏,負評往往拖了好幾天才發現,黃金補救期早就過了;回覆品質時好時壞,看心情。

導入後:每天排程自動把各平台新評論集中抓回來,AI 先分好好評與負評、標出雷點;一到三星負評即時推到老闆的 LINE,附上「問題出在等待時間」這類重點摘要,老闆當天就能補救——可能是私訊致歉送張券,或在現場立刻調整出餐動線。好評則自動生成道謝草稿,老闆點一下微調就送出。

合理的效益估算:原本每天 30 到 45 分鐘的巡查與回覆,壓縮到約 10 分鐘審稿確認,替老闆省下約 7 到 8 成的口碑經營工時。更重要的是「負評回應時效」大幅縮短——從拖好幾天變成當天回應,把可能擴散的客訴在第一時間止血。以餐飲業普遍經驗,負評有被誠懇回應、且問題有改善的店家,後續評分回穩、潛在客人的轉化都明顯較好。回覆率拉高也對 Google 在地搜尋排名有正面幫助,等於免費的曝光紅利。

流程怎麼運作（逐步驟說明，呼應 nodes 節點）

第一步「蒐集評論」(📥):排程每日觸發,透過 Google My Business 與外送平台的評論來源,抓取所有新評論的文字、星等、發布時間,集中匯入一張總表,不再需要老闆逐一登入各後台。

第二步「情緒分類」(🤖):AI 讀每一則評論,判斷是好評、一般、還是客訴,並進一步標記雷區類別——是「份量」「等待時間」還是「衛生/口味」的問題,讓老闆一眼看出抱怨集中在哪。

第三步「負評告警」(🚨):一到三星的評論透過 LINE Notify 即時推播給老闆,訊息裡附上問題重點與原文連結,確保負評不會被埋沒,當天就能進入補救程序。

第四步「回覆草稿」(✍️):AI 依評論內容生成親切、在地口吻的回覆草稿。好評草稿著重真誠道謝;負評草稿著重同理、致歉與改善承諾,但不擅自做出超出老闆授權的補償。

第五步「人工確認」(✋):這一關不可略過。老闆審閱草稿,調整語氣、決定要不要附補償方案(送券、招待),確認無誤後才正式送出。公開回覆代表店家門面,最終一定要過老闆這關。

需要的工具與串接重點

平台用 n8n 或 Make 串接整條流程。評論來源端,Google My Business 提供商家評論的讀取與回覆能力,外送平台評論則依各平台開放程度抓取。AI 情緒分析與回覆生成這兩段,是用語言模型負責「讀懂客訴重點」與「寫出得體草稿」。即時通知用 LINE Notify 推到老闆手機。

串接注意點:一是去重,同一則評論不要每天重複告警,要記錄已處理的評論 ID。二是回覆要走「草稿—人工確認—送出」的關卡,不能讓 AI 直接公開發布。三是雷區標籤的分類要定期回頭看,累積成「客訴熱點報表」才有長期價值。想了解節點怎麼接、webhook 怎麼設,可參考 /automation 的自動化教學。

常見錯誤與注意事項

最大的地雷是「讓 AI 自動公開回覆」。公開回覆代表店家門面,AI 生成草稿可能語氣不當或誤判客訴重點,涉及補償承諾更須謹慎,所有回覆務必由老闆人工確認後才送出,負評補救不可全交給自動化。曾有店家圖方便讓系統自動回,結果用同一套罐頭話術回覆性質完全不同的客訴,反而被截圖嘲諷,得不償失。

其次,別把 AI 草稿當成可以照搬的標準答案。真正棘手的客訴(食安疑慮、衛生投訴)需要老闆親自、誠懇地處理,展現解決問題的誠意,而不是漂亮話帶過。本流程不取代店家對客訴的誠意處理,已內建人工確認節點,請勿略過。另外,對明顯惡意或同業攻擊的評論,該循平台檢舉機制處理,不要硬碰硬對罵。

台灣中小企業情境案例

台南一間人氣麵店,Google 評論長期掛在 4.0 上下,老闆一直納悶為何回不去。導入這條流程後第一週,系統就把過去散在 Google 與外送平台、累積沒回的二十多則評論集中攤開,AI 標出抱怨最集中的雷點竟是「尖峰時段等太久」。老闆據此調整了內外場動線與叫號方式,同時把每則好評都補上道謝、對負評誠懇回應並私訊致歉。

兩個月下來,新評論的回覆率拉到接近百分之百,負評從發布到回應從「好幾天」縮到「當天」,平均星等慢慢回升,新客在 Google 上看到「老闆每則都認真回」的觀感明顯加分。老闆說,最有感的不只是星等,而是終於知道客人到底在抱怨什麼,改進有了方向。

延伸應用

這條流程累積的雷區標籤是極佳的營運情報。可以把客訴熱點接到 /recipes 的菜單與營運優化食譜,定期檢視「份量/等待/口味」三類抱怨的趨勢,對症下藥;也能把好評裡常被誇的品項挑出來,變成行銷主打。更進一步,負評名單可串到 常客辨識與回購經營 流程,對曾經抱怨但已被妥善處理的客人主動送張回流券,把一次不愉快轉成再來一次的機會。想看更多口碑經營與餐飲自動化的組合,見 /workflows 的其他藍圖。

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 →