4.5 到 4.2
一家餐廳的老闆看著後台數字，Google 評分從 4.5 掉到 4.2。
他立刻召開會議。服務員被唸了一頓。廚房被要求加快出餐。行銷被要求推「好評活動」。
三個月後，評分回到 4.3。他鬆了一口氣。
但營報顯示：在那評分「下滑」的三個月裡，月營收反而成長了 22%。
他困惑了。評分下降，生意變好——這怎麼可能？
你的分數在跟誰比？
問題不在分數。問題在你拿分數跟誰比。
如果商圈的平均評分是 3.9，你的 4.2 不是退步——你是商圈第一名。你之所以掉分，可能是因為新開了兩家競品拉低了商圈整體均分，也可能是因為客流量增加帶來了更多樣本（更多客人 = 更多極端評分 = 平均被拉低）。
但如果你只看自己的絕對分數，你會做出完全錯誤的決策：施壓員工、推好評活動、降價補償——全部都是對著一個不存在的問題開刀。
營收成長的 22%，藏著什麼
再回到那 22% 的營收成長。它不是憑空出現的。
那三個月裡，這家餐廳發生了什麼？午餐時段開始大量接待附近科技園區的外帶訂單。這些新客人第一次來，期待不高（外帶嘛），拿到的是穩定的品質和快速出餐。他們的滿意度其實不錯——但「不錯」對應的是三到四星，不是五星。而這群人的評論數量暴增，把原本以晚餐客人為主的高分基礎給稀釋了。
所以你的 4.5 → 4.2 裡，藏著一個好消息和一個壞消息。好消息：你的客群在擴大，營收在成長，新的收入來源正在建立。壞消息：你的整體評分被拉低了，而你看著這個數字做出了壓迫員工的決策。
更諷刺的是，你推動的「好評活動」——要求服務員在結帳時提醒客人留五星——只會加速評分稀釋。因為新客人本來就會留三星四星，你逼他們留五星，他們留下的是帶著「被要求」痕跡的勉強好評。這些評論一旦被潛在客人讀到，效果適得其反。
評論速度：比分數更早轉彎的訊號
除了分數本身，還有一個更少人注意的指標：評論累積速度。
假設你的餐廳六個月內每月新增 15 則評論。突然，上個月新增了 45 則。評分沒什麼變化——但評論量翻了三倍。
多數經營者看都不看，因為「分數沒變」。但評論量暴增本身就是訊號。它可能意味著客流量大幅增加（好事，但會帶來稀釋效應）。也可能意味著某一個事件觸發了大量情緒反應——可能是好的（某道菜爆紅），也可能是壞的（某次服務失誤被大量抱怨，只是大部分客人選擇留三星而不是一星，分數沒崩但你已經在走鋼索）。
評論速度是分數的「前導指標」。當你看到速度變了，分數還沒動——那就是你介入的時機。等分數動了，趨勢已經形成了。
辛普森悖論
1973 年，UC Berkeley 被控性別歧視。數據看起來鐵證如山：整體錄取率，男性 44%，女性 35%。
但統計學家 Peter Bickel 逐科系拆解後發現：在 85 個科系裡，大多數科系反而偏向女性錄取。差距出在哪？女性傾向申請錄取率低的科系（人文、社科），男性傾向申請錄取率高的科系（工程、物理）。
整體數字說男性佔優。分組數字說沒有歧視。兩個結論完全相反。
這就是辛普森悖論（Simpson’s Paradox）：整體數據呈現一個趨勢，但分組後每組都呈現相反趨勢。
這個悖論不是學術奇觀。它每天都在餐飲和旅宿業的真實數據裡發生。而你每一次看著「整體評分」做決策，都可能正在掉入同一個陷阱。
你的 4.5 → 4.2 也一樣。整體分數在降。但如果你把午餐時段和晚餐時段分開看，晚餐的評分其實在上升——從 4.5 爬到了 4.7，因為你上個月換了新的主廚，晚餐品質明顯提升。是午餐的新人流拉低了整體均分——而午餐的人流增加，正是你營收成長 22% 的原因。
整體數字告訴你「退步」。分組數字告訴你「成長」。你一直在看錯的那個。
這不是你的錯。人類大腦天然傾向於看整體數字——它在演化上更有效率。但數據分析的價值，恰恰在於克服直覺，問一個反直覺的問題：「如果我拆開來看，故事還是一樣嗎？」
為什麼你沒有基準
大多數經營者看自己的分數，就像一個人在黑暗的房間裡看自己的手——你知道自己的手在哪裡，但你不知道房間有多大、其他人站在哪裡。
你沒有基準的原因很簡單：取得基準的成本太高。
要知道你的商圈平均，你得手動打開 Google Maps，逐一查看每一家競品的評分、評論數、回覆率，然後自己算加權平均。一家餐廳周圍可能有 30 家競品。每家查 3 分鐘。一個半小時過去了，你得到了一個數字——但下個月它就過時了。
所以你不做。所以你沒有基準。所以你對著絕對分數做出錯誤決策。
這不是你懶。是工具不對。
絕對分數的三個陷阱
第一，樣本量變化。100 則評論時的 4.5 跟 1000 則評論時的 4.2 不是同一件事。評論數增加，極端值影響力增加，平均自然被拉低。這不代表品質下降——只代表更多人來了。
第二，時間結構。週末的客人比平日挑剔（人潮多、等待久、期望高）。如果你的週末客流佔比增加，整體評分自然下降。這不是退步——這是旺季效應。
第三，競品動態。隔壁新開了一家裝潢漂亮的店，短期內拉走了你的一部分高滿意度客人（他們去嘗鮮了），留下來的多是老客人——而老客人的標準更高。你的分數掉了，但客群結構在變化。
這三個陷阱的共同點：不看行業基準和分組數據，絕對分數會把你帶向完全錯誤的結論。
你需要的是一張地圖
你需要知道自己站在哪裡。
不是「我的分數是 4.2」——而是「我的分數是 4.2，商圈平均 3.9，我是前 15%。」
不是「我的評分在降」——而是「我的評分在降，但商圈整體降得更多，我的相對位置在升。」
這就是行業基準的價值。它把你的絕對分數變成相對位置。相對位置才是決策依據。
而相對位置帶來的不只是「我排在哪裡」——它帶來的是「我該往哪裡去」。如果你在商圈排前 15%，你的重點不是「提升分數」，而是「維持品質同時擴大客群」。如果你排中段，你的重點是「找出排在你前面的那幾家在做什麼你沒做的」。如果你排末段，那才是該認真問「品質出了什麼問題」。
同一個 4.2 分，三種相對位置，三種完全不同的行動方案。沒有基準，你連自己在打什麼仗都不知道。
下載行業評分基準報告
你的分數在市場裡排在哪裡？留下 Email，取得我們整理的行業評分基準——包含五個維度的全行業平均值、你的相對位置參考、以及回覆率基準。
拿到它的時候你可能會想：「如果每個月都要自己手動更新這些數字，誰有時間？」
那個念頭，就是問題的起點。
延伸閱讀
← 你的報表樣式精美邏輯貫通，但它沒有告訴你為什麼客人不來了
三種營收分析方法（財報、訂單、市場調查），為什麼都看不到客人離開的真正原因？
→ 閱讀
載入中…