Что говорят гости о Starbucks

Этот проект рассматривает отзывы о Starbucks в районе Broadway / New York не как рекламный портрет кофейни и не как рейтинг бренда, а как следы городского опыта. В туристическом центре кофейня работает шире, чем точка покупки напитка: сюда заходят переждать поток, подключиться к Wi‑Fi, сесть с ноутбуком, встретиться, зарядить телефон, быстро взять кофе или просто остановиться посреди плотного городского движения.

Цель — понять, что именно люди оценивают, когда ставят звёзды кофейне у Broadway: кофе, сервис, локацию, возможность остановиться в городе или способность точки выдерживать туристический поток

Как одна кофейная точка превращается в городской сервисный узел — и какие детали опыта сильнее всего меняют оценку посетителей?

В основе проекта — CSV-датасет starbucks_ny_broadway.csv. Он содержит 792 пользовательских отзыва за период с 29 января 2008 года по 7 января 2024 года. В исходных данных четыре ключевых поля: дата публикации, заголовок отзыва, текст отзыва и рейтинг от 1 до 5.

Датасет чистый: в нём нет пропусков и полных дубликатов. Все рейтинги находятся в ожидаемом диапазоне 1–5, даты корректно преобразуются во временную шкалу. Средняя оценка составляет 3,92 из 5, медиана — 4.

При этом у данных есть важные ограничения. В них нет координат, адресов нескольких кофеен, чеков, меню, реальных цен, времени посещения и информации о посетителях. Поэтому проект не делает карту Нью‑Йорка, не сравнивает филиалы Starbucks и не оценивает экономику покупок. Он работает только с тем, что действительно есть в данных: датой, текстом и рейтингом.

Работа строилась в несколько этапов. Сначала CSV был проверен на размер, типы данных, пропуски, дубликаты и диапазоны значений. Затем из текста отзывов были извлечены простые тематические маркеры: кофе и напитки, локация, Wi‑Fi и зарядка, персонал, очередь, еда, цены, посадка, атмосфера, чистота и туалет.

После этого для каждой темы были рассчитаны три показателя: количество упоминаний, средняя оценка и доля низких оценок 1–2 звезды. Такой подход не заменяет полноценный NLP-анализ, но даёт честный проектный слой: можно увидеть, какие темы чаще появляются в отзывах и какие из них связаны с положительным или проблемным опытом.

Все базовые графики были построены в Python. Image Generation использовался позже — для обложки, стилизованной версии инфографики и мокапов.

Отзывы в основном положительные: оценки 4–5 составляют около 73% корпуса. Но высокая средняя оценка не означает отсутствия проблем. Позитив чаще связан с локацией, напитками, Wi‑Fi, зарядкой и атмосферой. Негативные оценки чаще появляются там, где городская нагрузка становится операционной проблемой: сервис, очереди, цены, чистота и ожидание.

Иными словами, посетители любят точку за её положение и удобство, но оценивают её устойчивость через сервисную стабильность.