[Day 12] 揪出隱形炸彈：品類跨表翻譯與「高負評率」門檻過濾實戰

18th鐵人賽

2026-09-19 13:59:03

74 瀏覽

分享至

好評靠營運，差評看品類？

在 Day 11 中，我們證實了「物流延遲」是摧毀買家信任、引爆 1 星負評的頭號元兇。

但如果今天物流完全準時，商品評價就一定高枕無憂嗎？答案是否定的。很多時候，差評並不是物流跳票，
而是商品本身的屬性踩了雷——例如尺寸不合、組裝困難、運送途中易碎，或是品質與照片落差過大。

今天我們將跨表引入商品資料表 (products) 與品類翻譯表，透過衍生特徵「負評率 (Bad Review Rate)」，
並配合分析師必備的「統計樣本門檻」，揪出全平台真正拖垮滿意度的隱形地雷品類！

步驟一：雙表串聯—把葡萄牙文翻譯成標準維度

在 olist_db 字典中，有兩張跟商品相關的關鍵表：

olist_products_dataset：記錄商品的長寬高、重量與所屬品類。
product_category_name_translation：將葡萄牙文品類名稱對照為英文的翻譯字典。

我們先將這兩張表串接起來，建立具備英文名稱的商品清單：

# 1. 取出商品表與翻譯表
products = olist_db['olist_products_dataset']
translation = olist_db['product_category_name_translation']

# 2. 將商品表與翻譯表進行 Left Join，取得英文品類名稱
products_en = pd.merge(
    products, 
    translation, 
    on='product_category_name', 
    how='left'
)

# 3. 檢視前三筆
products_en[['product_id', 'product_category_name', 'product_category_name_english']].head(3)

實作 :

步驟二：串接訂單評價，定義「負評率 (Bad Review Rate)」

在電商營運實務中，3 星通常代表普通，4～5 星代表正向好評，而 1～2 星則會被歸類為嚴重的負向體驗（Defect / Bad Review）。

我們將商品資料與帶有評分的訂單明細串聯，並為每一筆商品評價標註是否為負評：

# 1. 將包含評分的訂單與商品明細串接
# 由於一張訂單可能包含多個品項，以 items 為橋樑進行串聯
item_reviews = pd.merge(
    items[['order_id', 'product_id']], 
    orders_with_reviews[['order_id', 'review_score']], 
    on='order_id', 
    how='inner'
)

# 2. 接上具備英文品類的商品資料
item_category_reviews = pd.merge(
    item_reviews, 
    products_en[['product_id', 'product_category_name_english']], 
    on='product_id', 
    how='left'
)

# 3. 衍生二元標籤：是否為 1~2 星負評
item_category_reviews['is_bad_review'] = item_category_reviews['review_score'] <= 2

實作 :

步驟三：避坑實戰為什麼不能直接 sort_values？

很多初學者算出各品類的負評率後，立刻執行降冪排序：

# ❌ 危險示範：無門檻排序
naive_ranking = item_category_reviews.groupby('product_category_name_english').agg(
    total_reviews=('review_score', 'count'),
    bad_review_rate=('is_bad_review', 'mean')
).reset_index()

naive_ranking.sort_values(by='bad_review_rate', ascending=False).head(5)

執行後你會發現：名列前茅的往往是 security_and_services 這類冷門品類，負評率高達 100%。
但仔細一看，它的總評論數只有 1～2 筆！這在統計學上稱為小樣本偏差（Small Sample Fallacy）。
若拿這份名單去向主管匯報「這個品類是全平台最大地雷」，營運團隊只會啼笑皆非。
老手做法：設定樣本門檻（Threshold Filtering）我們必須過濾掉評論數過少的長尾品類
（例如總評論數必須 $\ge$ 100 筆），才能反映真實的品類品質：

# 1. 聚合計算各品類的總評論數、平均星等與負評率
category_summary = item_category_reviews.groupby('product_category_name_english').agg(
    total_reviews=('review_score', 'count'),
    avg_score=('review_score', 'mean'),
    bad_review_rate=('is_bad_review', 'mean')
).reset_index()

# 2. 防呆門檻：只保留累積評論數 >= 100 筆的主力品類
significant_categories = category_summary[category_summary['total_reviews'] >= 100].copy()
significant_categories['bad_review_rate_pct'] = (significant_categories['bad_review_rate'] * 100).round(2)
significant_categories['avg_score'] = significant_categories['avg_score'].round(2)

# 3. 依負評率降冪排序，檢視真正的高風險品類
significant_categories.sort_values(by='bad_review_rate', ascending=False).head(5)

實作　：　