八萬塊的教訓
一家餐廳老闆花了八萬塊，找行銷公司洗了 200 則五星好評。Google 評分從 3.8 衝到 4.6。
訂位電話響個不停。
三個月後，評分掉到 3.2。比洗之前還低。新進來的負評，每一則都比之前更兇：「被好評騙來的，結果根本不是那回事」「失望透頂」「以後再也不相信評分了」。
八萬塊買到的不是好評。是一場信任的崩塌。
更慘的是，他的 Google 商家檔案在那三個月裡累積了大量的「不實評論」檢舉。Google 的反作弊演算法啟動了——200 則五星裡，有 130 則被標記為可疑（來自新帳號、無其他評論紀錄、IP 集中在同一區段）。這些評論最終被 Google 批量刪除。但刪除的時候，他的評分已經跌到了 3.2，因為真實的負評已經蓋過了一切。
他不只損失了八萬塊的行銷費。他損失的是三個月的營運時間——三個月裡，他吸引了錯誤的客人，製造了憤怒的負評，然後被演算法「修正」回了比起點更差的位置。如果他在這三個月裡把八萬塊花在改善出餐速度、培訓服務人員、優化菜單，他的 3.8 分可能已經自然爬到了 4.0。
但他選了捷徑。捷徑帶他繞了一整圈，回到了比起點更糟的地方。
假五星的死亡螺旋
讓我們把這八萬塊的旅程拆成時間線，你會看到一個清晰的螺旋下降結構。
第一週：200 則五星上線。評分從 3.8 跳到 4.6。搜尋排名上升，曝光量增加。訂位電話開始響。老闆覺得八萬塊花得值。
第二到第四週：新客人大量湧入。但他們的期待是 4.6 分的期待。實際體驗是 3.5 到 3.8 的水準。落差產生了。第一波負評出現——而且比以往的負評更激烈，因為客人覺得「被騙了」。
第二個月：負評累積。評分開始下滑：4.6 → 4.4 → 4.1。同時，Google 的反作弊系統開始分析這 200 則五星的來源。新帳號、無歷史評論、IP 集中——每一個都是紅旗。
第三個月：兩件事同時發生。Google 批量刪除了 130 則可疑評論。真實的負評持續累積。兩股力量疊加，評分直接跌到 3.2。
3.8 → 4.6 → 3.2。
這不是線性下降。這是一個「先假性上升、再報復性下跌」的曲線。假評論造成的上升是虛的，但真實負評造成的下跌是真的。你用假數字借來的高度，最後要用真實的信任去還。而且利息很高。
修復比破壞貴十倍
那位餐廳老闆後來花了多久才把評分從 3.2 救回 3.8？
六個月。而且過程比他想像的痛苦得多。
因為 3.2 分是一個有毒的起點。潛在客人看到 3.2，直覺反應是「這家店有問題」，連嘗試都不願意。客流量下降，營收下降，能投入在改善品質上的預算更少。這是一個負向循環：低分 → 客人少 → 收入少 → 改善能力弱 → 分數更低。
要打破這個循環，他做了三件事。第一，重新培訓服務人員——把出餐時間從 25 分鐘壓到 15 分鐘以內。第二，主動回覆每一則負評，承認問題、說明改善措施、邀請客人再來。第三，每週分析評論趨勢，確認改善措施是否真的反映在評分上。
六個月後，評分回到了 3.6。又過了三個月，才回到 3.8。
從 3.2 到 3.8，他花了九個月。而當初從 3.8 洗到 4.6，只花了三天。
破壞很快。修復很慢。這就是假評論的隱形成本——它不只騙了客人，它還透支了你未來修復的時間和資源。
期望越高，落差越大
你的洗評價寫得愈生動——「環境優美，服務親切，餐點精緻」——你吸引到的客人期待就愈高。
期待高了，體驗的落差就大了。
Richard Oliver 在 1980 年提出的期望確認模型（Expectation Disconfirmation）解釋了這件事：消費者的滿意度不是取決於絕對體驗，而是「體驗減去期望」。
- 體驗 > 期望 → 正向驚喜 → 滿意度暴增 → 五星好評
- 體驗 = 期望 → 符合預期 → 普通 → 三星四星
- 體驗 < 期望 → 負向落差 → 不滿程度暴增 → 一星負評
你洗的那些五星評論，本質上是在系統性地拉高每一個新客人的期望值。也就是在放大每一次負評的力道。
一個本來會給三星的客人，被你的假五星拉到了五星的期望，結果只拿到三星的體驗——他給的不是三星，是一星。
這裡有一個關鍵的數學關係。假設你的餐廳的客觀體驗水準是固定的（比如「中等偏上」）。當你把期望值從 3.8 拉到 4.6，「期望減體驗」的落差擴大了 0.8。在 Oliver 的模型裡，負向落差越大，滿意度不是線性下降——是加速下降。一個期望 4.6 但只拿到 3.5 體驗的客人，他的不滿程度會遠超過一個期望 3.8 拿到 3.5 的客人。前者給一星，後者給三星。同樣的餐廳，同樣的體驗，只因為期望不同，評分就差了兩顆星。
門當戶對
我們不可能吸引到全方位的客群。
一家平價熱炒店，不該吸引到期待米其林服務的客人。一家精品飯店，不該吸引到期待背包客價格的旅客。
你的真實分數，是一個天然的篩選器。3.8 分的店自然吸引到「知道花 300 塊能得到什麼」的客人。他們來了，覺得值，給四星，下次還會來。
但你把評分洗到 4.6，你吸引了「期待花 300 塊得到 800 塊品質」的客人。他們來了，覺得不值，給一星，永遠不回來。
最不應該的就是拿了不該拿的客人，失去了我們該有的客群。
而且這個傷害是持續性的。那些「被騙來」的客人留下一星負評後，你的評分掉到 3.2。現在連你原本的目標客群——那些「願意花 300 塊吃一頓不錯的飯」的人——都被 3.2 分嚇跑了。他們不會去細讀負評的內容，他們只看數字。3.2 分在他們眼裡就是「可能有問題」。
洗評價不只是拉錯了客人。它還污染了你原本能服務好的客人對你的判斷。
送贈品換好評，換到的是什麼？
另一種常見做法比找行銷公司溫和得多——送贈品換好評。「打卡五星好評送甜點」「Google 評論五星截圖享 9 折」。很多店長覺得這沒什麼問題，甚至認為這是「鼓勵客人回饋」。
但效果比你想的更糟。
客人留下的不是真實感受。是「為了拿甜點而寫的正面文字」。這些評論有幾個特徵：篇幅短（通常不到 30 字）、缺乏具體細節（沒有提具體菜名、沒有描述服務場景）、用詞模板化（「好吃」「推薦」「環境佳」）。這種評論在潛在客人眼裡——越來越多人練就了辨識能力——一眼就能看出是「有條件的好評」。
更嚴重的問題在於：那些被「贈品條件」篩選出來的評論，系統性地排除了不滿意的客人。一個覺得體驗普通的客人，可能也為了甜點寫了五星。一個覺得體驗很差的客人，拿了甜點但寫不出五星——他選擇不寫。
所以你最終得到的評分，是一個「被甜點扭曲過的分數」。它比真實分數高，但它的每則評論都比真實評論缺乏可信度。而 Google 的演算法也在學習辨識這類「激勵型評論」——評論時間集中在特定時段、帳號在同一地理區域、評論文本相似度高，都是訊號。
送贈品換好評的代價，不是那盤甜點的成本。是你評論生態的長期健康度。
Google 怎麼抓到你在洗評論
你可能好奇：Google 真的會發現嗎？200 則評論而已，又不是兩萬則。
會。而且比你想的快。
Google 的反作弊系統不是靠人工審查。它靠的是機器學習模型，分析每一則評論的數十個特徵：
帳號特徵——評論者是新帳號嗎？這個帳號有沒有在其他地方留過評論？留過幾則？如果一個帳號只評論過你這一家店，那是一個紅旗。正常的評論者會在多個地方留下評論——餐廳、診所、超市。一個「只評論了你」的帳號，跟一個「被雇來評論你」的帳號，在數據上沒有區別。
時間特徵——200 則評論在多久內湧入？如果是三天內全部上線，而平時你一週只有 5-8 則新評論，這個 40 倍的尖峰是一個明顯的異常訊號。
地理特徵——這些評論者的 IP 位址集中在哪裡？行銷公司通常在同一個辦公室操作，IP 集中在同一區段。真實客人來自四面八方——不同的城市、不同的電信業者。
語言特徵——評論的用詞模式是否雷同？行銷公司通常用同一套模板改寫：「環境優美，服務親切，餐點精緻」「CP 值高，會再訪」「老闆用心，值得推薦」。機器學習能偵測到這種語言相似度——即使每則評論看起來不同，它們的句法結構和詞彙分布會高度一致。
2023 年，Google 在官方部落格公布：他們每天封鎖超過 2 億條違反政策的評論。他們的反作弊團隊有超過 100 人，搭配 AI 模型 24 小時掃描。你花八萬塊找的行銷公司，對上的是 Google 的百人團隊加 AI。勝算不大。
期望確認模型
Richard Oliver，1980 年，發表於 Journal of Marketing Research 第 17 卷，論文標題 “A Cognitive Model of the Antecedents and Consequences of Satisfaction Decisions”。這個模型後來成為服務業滿意度研究的基礎框架，被引用超過 10,000 次，是行銷學史上被引用最多的論文之一。
核心公式：滿意度 = 感知體驗 − 期望
這意味著，你可以透過兩種方式提升滿意度：提升體驗，或降低期望。
大多數人只想到第一種。但第二種——管理期望——往往成本更低、效果更好。
Oliver 後來在 1997 年出版的 Satisfaction: A Behavioral Perspective on the Consumer 中進一步指出，期望的來源有三個：過去的經驗、他人的口碑、以及品牌的承諾。你洗的那些假五星，污染的是「他人的口碑」這一環。當口碑被注入了虛假的正面訊號，期望被系統性地拉高。而期望越高，墜落越痛。
三星級的飯店如果明確告訴客人「我們是三星級，不是五星級。房間不大，但我們的早餐是附近最好的」——客人的期望被校準了。來了之後發現房間確實不大（符合預期），但早餐真的很好（超出預期）。滿意度反而比那些被假五星騙來的人高。
這就是為什麼 Marriott 旗下的 Moxy Hotels 在行銷中直接說「小房間，大體驗」——他們主動管理期望，把「房間小」從劣勢轉化為「你應該期待的是社交空間和設計感」的定位訊號。結果：客人來了不抱怨房間小，因為他們已經知道了。反而對大廳酒吧和設計細節驚喜連連。
競品在做的事，你不需要跟
你的競爭對手可能在洗評論。你看到了，你焦慮了——他的評分比你高 0.5，客人可能先去他那裡。
但讓我們換一個角度想。
他的假高分吸引到的，是被扭曲期望的客人。這些客人會給他更兇的負評。三到六個月後，他的評分會經歷一次崩塌——比他洗之前更低。那個時候，你的真實分數反而成了市場裡最可信的數字。
這不是假設。這是幾乎每一個洗評論的店家都會走到的終點。差別只在時間長短——取決於 Google 演算法多久抓到他。
你不需要跟著他一起跳崖。你需要做的是：在他崩塌的時候，你的真實分數是穩定的、可信的、被客人信任的。
信任是複利。它累積得很慢，但一旦累積起來，它比任何假分數都更抗跌。
你唯一能長期依靠的
不要怕你的真實分數。
3.8 分的店在 3.8 分的市場裡，吸引 3.8 分的客人。他們來了覺得值——因為期望被校準了。
4.2 分的店如果靠洗評價衝到 4.6，吸引到的是 4.6 分的客人。他們來了覺得被騙——因為期望被扭曲了。
你的真實分數不是你的弱點。它是你的定位工具。用它吸引對的人，而不是用它騙來不對的人。
這不是道德問題。這是商業邏輯。Google 的演算法越來越擅長偵測假評論——帳號年齡、評論頻率、IP 分布、語言模式，都是偵測訊號。2023 年，Google 宣布他們每天封鎖超過 2 億條違反政策評論。你洗的那些五星，遲早會被刪。而被刪的那一刻，你的評分會經歷一次「懸崖式下跌」——因為假評論被清掉，真實的負評突然佔比暴增。
你唯一能長期依靠的，是真實的客人留下的真實評論。那些評論可能不完美，可能有些刺眼。但它們會幫你篩選出「適合你的客人」。適合你的客人，才會回來。會回來的客人，才是你營收的基石。
如果不洗，怎麼提升分數
你知道不能洗。但你的分數確實需要提升。怎麼辦？
答案是：你必須先知道你的負評集中在哪裡。
100 則負評裡，可能 80 則來自 2-3 個結構性問題。如果你不知道是哪 2-3 個，你就會像無頭蒼蠅一樣——今天改菜單、明天換服務員、後天重新裝潢——每個都做一點，每個都不到位。
分類你的負評。找到根因。針對根因行動。
一家溫泉會館這樣做了。他們把 60 則負評分類，發現 63% 跟「服務態度」有關。用五問法追蹤，根因是「假日人力不足導致櫃檯超載」。他們把假日兼職加回來——每月多花三萬，但「態度差」的負評在兩個月內減少了 70%。評分從 2.8 升到 4.1。
不是靠假評論。是靠找到根因然後對症下藥。成本比八萬塊低，效果比洗評價持久。
這條路比較慢。但它不會反噬。
留下 Email，測出你的評論誠信度
你的高分是真的嗎？留下 Email，解鎖六題自測 + 期望校準工作表，看看你的評論健康度在哪裡——以及你的行銷承諾跟實際體驗差多遠。
延伸閱讀
← 美容沙龍的五星好評，可能正在掩蓋你最危險的弱點
假的五星危險，真的五星也可能掩蓋問題。了解維度分析如何揭露五星背後的弱點。
→ 閱讀
載入中…