K-Beauty App Review Analysis: Using Star Ratings and Metadata to Decode User Experience

选择外卖餐厅时，购买商品时，我们首先看的是星级评分。对消费者而言，这是一种很好的启发式方法，能先筛选掉劣质产品。然而，对于服务运营方——即营销人员或研究人员来说，该如何解读同样的星级评分呢？星级评分终究是个人点击星星的平均值，而“平均用户”通常并不存在。就像划分用户画像（Persona）一样，我们也应该对用户进行细分来查看星级评分。

将评论文本用 亲和图 进行聚类时，“用户在说什么”往往看得很清楚。但评论中总是伴随着星级评分、撰写时间等元数据信息。如果将这些文本聚类与元数据结合来看会怎样？我们通过 K-Beauty 应用前三名（Olive Young、Hwahae、Glowpick）的应用评论进行了验证。

星级评分应看分布而非平均值

不存在星级评分为 2.6 分的用户。市场第一的 Olive Young iOS 评论平均分为 2.6 分，这个数字是谁创造出来的呢？

将 499 条评论按星级分类，1 星占 44%，5 星占 24%，集中在两端。通常人们期待正态分布， 并认为会有大量平均 2.6 分的用户，但这其实是两种截然不同的体验相互抵消的结果。Hwahae 也类似，虽然平均分为 3.1 分，但实际上 5 星（34.5%）和 1 星（33.5%）几乎平分秋色。平均值掩盖了两极分化。这也是自然现象。留下评论的人通常要么非常不满，要么非常满意，因此应将分布解读为“那些体验强烈到足以让他们留下评论的人”的声音，而不是整体满意度。 

将相同的评论用亲和图进行聚类，就能看清两群人的真面目。最大的聚类是应用稳定性与技术错误（35%），其中 1 星评论反复出现应用启动错误、无限加载、支付失败等问题，而 5 星评论则提到购物便利性和快速配送。同一个应用里既有“因应用打不开而焦虑的人”，也有“使用顺畅感到满意的人”。

如果将聚类地图的颜色按平均星级填充（红色代表 1 星，绿色代表 5 星），正负面情绪的地形一目了然。

屏幕大部分呈现杏色，表示不满。“无法通过身份验证”（平均星级 1）最为显眼。因为无法使用，这大概是最严重的问题。仅对文本进行聚类只能看到哪个聚类最大，而加上星级后，就能同时看到哪个聚类的不满最多。例如在配送服务方面，对快速配送满意的用户和对延迟配送不满的用户混杂在一起。

出现频率高的问题不一定是最紧急的问题

如果高频提及的聚类和高不满度的聚类不同，优先级也应随之调整。将其制成矩阵效果很好。

以平均星级（横轴）和频率（纵轴）绘制图表，左上角区域——即被频繁提及且星级较低的项——是优先关注的候选对象。应用稳定性·技术错误频率排名第一（35%），星级为 2.1 分，显然是最优先事项。配送服务·质量频率仅为 7%，但平均星级为 2.0 分，虽不常被提及，却是不能忽视的隐性不满。 

只看频率会导致“先修最常见的”，而结合星级则会变成“先看那些既常见又表达出强烈不满的”。

查看时间序列变化

仅仅将星级按时间序列排列就能提供大量信息。下图显示了该时期出现问题导致不满评论激增，随后得到解决的情况。

再次进行聚类并按时间序列展开，可以按主题细分确认。可以按月或季度为单位进行查看。

应用稳定性·技术错误是从 2024 年到 2026 年跨越多个季度的重复模式。这种情况在许多不易复现的例外案例中间歇性发生，难以应对，因此持续存在。相反，评论排序·选项过滤器是集中在 2025 年第四季度的暂时性激增（总共 15 例中有 13 例）。似乎是由于改版评论 UI 时移除了按选项过滤和按有用程度排序的功能引发了不满，后来通过更新得以解决。

“为什么去掉了‘按商品查看评论’功能？” · “请恢复评论的‘按有用程度’排序” · “这是为谁做的更新？”

星级宽容但文字负面的评论

评论中除了星级，还有文字本身的情感。亲和图利用 LLM 阅读正文，赋予 1 分（负面）至 5 分（正面）的情感分数，但这并不总是与星级一致。如果用文字情感代替星级给聚类地图着色，画面会变得更红。在评论中，即使平时使用良好，但在谈及使用中的不满或改进建议时，由于属于负面话题，其正负情绪得分往往低于星级。

总体而言，正负情绪得分有向两极偏移的趋势。但方向相反的是会员注册及年龄限制聚类。

“想买但无法注册会员ㅠㅠ 去掉这个就太好了” · “能不能改成父母同意制？一条条记下来买太麻烦了” · “现在是用爸爸的账号……其他都挺好”

为什么正负情绪得分低，星级却高呢？内容本身是在抱怨，但用户对应用有依恋。星级保留了这份依恋，而文字则暴露了对受阻的不满。如果只看星级，可能会觉得“3 分左右还行吧”而忽略这个聚类。因此，星级与情感得分出现偏差的聚类值得单独关注，因为那里聚集着仍有依恋感的人群。

在高星级应用中，更想知道‘好在哪里’

需要细分的不只是不满。Glowpick 的平均分为 4.6 分，5 星占比高达 82.6%。很容易笼统地归结为“做得不错”，但星级越高，反而越让人好奇它究竟好在哪里。

如果说 Olive Young 分裂为两端，那么 Glowpick 则集中在单一的 5 星上，平均 4.6 分缺乏区分度。剩下的问题是“为什么好”。正面评论分为三个轴线：评论可信度（31.8%）、习惯性使用（23.4%）、体验团中奖经历（21.0%），其中反复出现以下话语。

“每次买化妆品必开” · “没有它会出大事” · “活动中奖率比想象中高”

因为是真实用户的语言，有时比广告文案更有力量。

不过，体验团中奖者的评价对象有所不同。起初我怀疑这是带有奖励性质的泡沫 :) 如果只是单纯给高分的模式，那么通过之前写的高分与情感分析之间的差距就能被识别出来。结果是评分为 4.93，情感得分为 4.90，两者几乎没有差距。“如果中奖了就像收到礼物一样太棒了”这样的正文也是真诚的赞美。但原文的语言不同。在这个聚类中，“中奖”出现了 29%（整体占 9%），“活动”出现了 66%（整体占 18%）。赞美是真实的，但其对象不是产品力，而是中奖和奖励体验。Glowpick 的 4.6 分中约有五分之一是对奖励设计的评价。有趣的是，这无法通过评分与情感得分之间的差距看出来。因为来自奖励的赞美也是真心的，所以两者都很高。必须直接查看原文中的奖励语言才能显现出来。

用途有所分歧。“方便比较产品”是产品信息的素材，但“容易中奖”更接近于体验团运营的绩效指标。即使是正面评价，也需要区分它是对什么的正面评价。

总结

通过文本和评分等元数据，可以更好地想象用户所处的状况。

评分或日期是评论中已有的信息。仅将其与文本聚类结合查看，同一份数据就能被解读得更深入。实际上，接近平均评分的用户几乎没有。需要对用户进行细分这一观点，在评分方面同样适用。

不仅是美妆应用，对于电商、金融、教育、医疗健康、SaaS 等积累评论和 VOC（客户之声）的地方，也可以用同样的方式解读。如果想将积累的评论从评分表转变为用户体验地图，不妨用 Affinity Bubble 尝试一下。