酒店前台用 AI 分析用户评价：提示词与分析示例
在酒店或民宿负责接待、预订和客诉处理的前台人员，日常工作里要接待不同国家的客人，回复预订平台评价，处理突发投诉，还要做交接记录。用户评价里藏着最真实的改进方向，但一条条看太慢，凭印象又容易被个别极端评价带偏。本文给出酒店前台用 AI 分析用户评价的一套可直接照抄的做法：把脱敏后的评价批量交给 AI，按主题和情绪分类统计，再提炼出优先级明确的改进建议。
典型场景
酒店前台手上有几百条住客的评价和反馈，好评、差评、建议混在一起。前厅经理想知道大家最不满意的是什么、应该先改哪里。现实中，酒店前台还得兼顾“办理入住和退房约 200 间次”等日常事务，所以更需要一套拿来就能用的方法。
推荐工具
评价数量不多时可以直接粘贴给对话助手；数量较多时，用支持文件上传和代码运行的 AI 工具（如 ChatGPT 的数据分析功能）或表格内置的 AI 功能更合适。
一个虚构的例子
我们用一个虚构人物把流程串起来：刘哥，酒店前台，最近在忙“更新外宾常用沟通话术”。一次前厅交班会结束后，刘哥意识到需要尽快分析用户评价，可当天还要处理“协助接待一个会议团队”。于是刘哥把要求和背景一次性写进提示词，让 AI 先出一版，再花时间修改关键部分。最后交给前厅经理的版本，结构和措辞都是刘哥亲自把过关的。
具体怎么做
- 导出评价，删除昵称、联系方式和订单号
- 确认分类后让 AI 对全部评价分类并统计
- 让 AI 每类挑出有代表性的原话
- 根据频次和影响确定改进优先级
可复用的提示词
把方括号和括号里的内容换成你自己的信息即可：
【背景】身份：在酒店或民宿负责接待、预订和客诉处理的前台人员；平时主要和住客和前厅经理打交道。
下面是 300 条住客评价（已脱敏），我是酒店前台。
请：
1. 先阅读评价，提出 6-8 个主题分类（如质量、服务、价格、体验等），每类给出定义
2. 对每条评价标注主题（可多选）和情绪（正面 / 中性 / 负面）
3. 统计每个主题的提及次数和负面占比，用表格展示
4. 每个主题挑选 2 条有代表性的原话
5. 给出 3 条改进建议，按优先级排序，说明理由
统计结果请如实计算，不要估算。
评价：
（粘贴评价）
效果示例（虚构演示）
下面是演示用的输出示例，其中的人名、数字和事项均为虚构，实际使用时请以你自己的资料为准：
主题统计（示意）
主题 提及次数 负面占比 等待时间 86 72% 服务态度 64 25% 价格 41 46% 质量 58 31% 代表性原话
- 等待时间：“整体不错，就是等得太久了。”
- 服务态度：“工作人员很耐心，解释得很清楚。”
改进建议
- 优先解决等待时间问题——提及多且负面占比高
- 价格方面加强说明，减少“不划算”的误解
- 保持服务态度优势，把好的做法写进培训
如果结果不理想，不要急着换工具，先在提示词里补充前厅经理的具体要求或给出一个参考样例，再生成一次。
避坑指南
- 先确定分类体系再全量分类，结果更一致。
- 刷评和极端评价会影响结论，注意识别。
- 改进后持续跟踪同一主题的评价变化。
给酒店前台的特别提醒
让 AI 把常用话术翻译成多种语言并保持礼貌语气。还有一点很关键：退款、赔偿和升级房型等承诺以酒店政策为准，住客信息不要输入 AI。
变体用法
- 竞品评价对比：用同样方法分析竞品的公开评价。
- 月度追踪：每月固定一套提示词，观察主题变化趋势。