Hvordan Google virkelig beregner din stjernebedømmelse (det er ikke et simpelt gennemsnit)

En gennemgang af den Bayesianske matematik, vægtning efter nyere anmeldelser og tillidsvurdering, der bestemmer din viste bedømmelse, komplet med de faktiske formler og eksempler.

De fleste virksomhedsejere lærer denne lektie på den hårde måde. Du kan få tyve perfekte femstjernede anmeldelser i træk og se din bedømmelse på Google knap nok rykke sig. Eller måske arbejder du i måneder, får endelig 50 anmeldelser, og opdager, at dit 4.8 gennemsnit vises som 4.3 på kortet. Systemet er ikke i stykker. Det fungerer præcis som det blev bygget. Du fik bare ikke at vide, hvordan det blev bygget.

Google har aldrig officielt offentliggjort sin bedømmelsesalgoritme. Men dens mekanik er bredt forstået. Dette skyldes IMDB's offentlige dokumentation af sin egen Bayesianske formel, Algolias noter om rangering, universitetsforskning i anmeldelsesplatforme og mange års praktiserende, der har reverse-engineeret, hvad de ser. Denne artikel beskriver matematikken ved hjælp af reelle tal.

Lad os først definere et simpelt gennemsnit og se, hvorfor det er et dårligt værktøj til denne opgave. Det aritmetiske gennemsnit er summen af alle bedømmelser divideret med antallet af bedømmelser. Hvis du har tre anmeldelser (5, 4 og 5), er dit gennemsnit (5+4+5)/3, eller 4.67. Dette er aritmetisk korrekt. Men til at rangere tusindvis af virksomheder mod hinanden er det statistisk vildledende.

Problemerne med denne metode mangedobles i stor skala. En café, der åbnede denne uge med tre strålende anmeldelser fra ejerens venner, ville rangere højere end en langvarig konkurrent med et gennemsnit på 4.4 fra 200 anmeldelser. Den etablerede virksomhed er et langt mere pålideligt signal om kvalitet. Ethvert system, der tillader denne form for resultat, kan manipuleres til ubrugelighed på kort tid.

Hvordan Googles stjernebedømmelsesberegning fungerer i praksis

En Bayesiansk bedømmelse er et gennemsnit vægtet efter tillid. Med kun en håndfuld anmeldelser mangler systemet tilstrækkelige data til at stole på din score. Så det blander dit rå gennemsnit med en 'prior' – en standardscore baseret på alle virksomheder som din. Efterhånden som du indsamler flere anmeldelser, får systemet mere tillid til dine egne data, og priorens indflydelse aftager.

IMDB bruger præcis denne metode til sin Top 250-filmliste og har offentliggjort formlen: WR = (v/(v+m)) × R + (m/(v+m)) × C. Variablerne er ligetil, men deres effekter på adfærd kan være overraskende. Den samme matematik optræder i Algolias søgerangeringsguider, akademiske artikler om bedømmelsessystemer og arbejdet af SEO'er, der har studeret Googles lokale søgeadfærd.

Ligningen WR = (v/(v+m)) × R + (m/(v+m)) × C beregner en vægtet blanding af to tal: din virksomheds observerede gennemsnitlige score (R) og gennemsnittet for hele din kategori (C). Vægtene bestemmes af, hvor mange anmeldelser du har (v) sammenlignet med et minimums troværdighedstal (m).

Se på de to vægtningsfaktorer: (v/(v+m)) og (m/(v+m)). De lægger altid op til 1.0. Dette betyder, at du altid blander dine egne data med prioren. Det eneste, der ændrer sig, er proportionerne. Når v er lille sammenlignet med m, har prioren mere indflydelse. Når v er stor sammenlignet med m, har dine egne anmeldelser mere indflydelse.

WR = (v / (v + m)) × R + (m / (v + m)) × C

Tærskelværdien, m, er det tal, der definerer platformens tillidsstandard. For sin Top 250-liste bruger IMDB en m på omkring 25.000 stemmer. En lokal kaffebar på Google er ikke i samme liga som filmen Avatar, så dens m er meget lavere. Praktiserende estimerer, at for Googles lokale fortegnelser er m normalt mellem 5 og 50, afhængigt af virksomhedskategorien og markedet.

Kategorigenennemsnittet, C, er den mest oversete variabel her. Det er ikke et enkelt globalt tal. Google finder næsten helt sikkert C på farten for hver kategori og by, og måske endda for hver søgeforespørgsel. En tandlæge i Chicago måles mod andre Chicago-tandlæger, ikke mod pizzasteder i landlige Texas. Din scores bund er derfor specifik for din kategori.

Hvorfor den vægtede stjernebedømmelsesformel er vigtig for din SEO

Den virkelige konsekvens er, at dine første 50 anmeldelser er langt vigtigere end anmeldelser 51 til 150. Enhver anmeldelse, du får under troværdighedstærsklen m, skaber et stort skift i (v/(v+m)) koefficienten. At flytte fra v=5 til v=10 fordobler din tillidsvægt. At flytte fra v=150 til v=155 skaber en ændring, der er svær at måle.

Denne matematik forklarer et mærkeligt mønster, som SEO'er ser hele tiden: en virksomhed vokser fra 3 anmeldelser til 30 og ser sin viste bedømmelse falde fra 5.0 til 4.6, selvom alle de nye anmeldelser var gode. Beregningen er korrekt. Den tidlige 5.0 score var en Bayesiansk illusion. De 4.6 er det første reelle estimat af kvalitet.

Lad os gennemgå to eksempler. Vi vil bruge et realistisk kategorigenennemsnit på C = 4.1 og en minimumstærskel på m = 50. Disse er rimelige estimater for en servicekategori med moderat konkurrence, som VVS, tandlæger eller bilservice. Du kan erstatte dine egne tal for at modellere din situation.

Virksomhed A har en perfekt rå score; hver kunde gav 5 stjerner. Men med kun 3 anmeldelser giver formlen dens egne data kun en vægt på 5.7%. De resterende 94.3% af dens viste score er afledt af kategorigenennemsnittet på 4.1. Resultatet er 4.15, ikke de 5.0, den ser ud til at have opnået.

Virksomhed B har et lavere rå gennemsnit på 4.6, med nogle 3- og 4-stjernede anmeldelser. Men dens 120 anmeldelser betyder, at formlen giver dens egne data en vægt på 70.6%. Dens viste score på 4.45 er meget tættere på dens faktiske præstation. Googles algoritme vil rangere den over Virksomhed A. Volumen giver dig troværdighed. Troværdighed giver dig rang.

Diagrammet nedenfor bruger formlen for seks forskellige scenarier, med C = 4.1 og m = 50. 'Delta'-kolonnen afslører, hvor langt den Bayesianske score er fra det simple gennemsnit. Ser du, hvordan det hul lukker, når antallet af anmeldelser stiger? Det er priorens indflydelse, der aftager, når mere bevis kommer ind.

Den mest sigende række er den sidste. En virksomhed med kun 5 anmeldelser og et elendigt 2.0 rå gennemsnit viser stadig en score på 3.85. Den trækkes op næsten to fulde stjerner af kategorigenennemsnittet. Dette er tilsigtet. Systemet vil ikke ødelægge en virksomhed baseret på kun fem datapunkter. Det garderer sig mod gennemsnittet, indtil stikprøvestørrelsen er stor nok til at blive betroet.

Denne dæmpende effekt for negative outliers er grunden til, at anmeldelsesbombning – en bevidst kampagne med falske 1-stjernede anmeldelser – er mindre skadelig, end den først ser ud til. Algoritmen bekæmper ekstreme resultater, hvis antallet af anmeldelser er for lavt til at understøtte dem. Derudover er Googles systemer bygget til at opdage og markere høj-hastigheds anmeldelseskampagner af enhver art, positive eller negative, hvilket overtræder platformens politik.

Den Bayesianske formel danner grundlaget, men Googles reelle system har mindst tre yderligere komponenter: nyhedsforfald, bidragyder-tillid og dæmpning for pludselige hastighedsspidser. Google har ikke bekræftet disse. De er alle udledt af observation af systemadfærd og analyse af patenter.

Den grundlæggende Bayesianske formel er udgangspunktet. De andre lag gør den endelige score sværere at manipulere og mere præcis i nuet. Målet er altid det samme: at vise en bedømmelse, der afspejler, hvad en kunde kan forvente, hvis de besøger i dag.

Vægtning efter nyere anmeldelser: hvorfor de sidste 90 dage er dominerende

Google anvender en tidsforfaldsfaktor på anmeldelser, der vægter nyere feedback højere end gammel feedback. Dette fungerer som en eksponentiel forfaldsfunktion: en anmeldelses kraft aftager over tid i stedet for at falde brat på en bestemt dato.^[1]

Analyse af Googles bedømmelsessystem af SEO-fællesskabet viser, at anmeldelser ældre end 12-18 måneder har omkring 30-50% mindre indflydelse end en anmeldelse fra sidste uge. En 5-stjernet anmeldelse fra tre år siden tæller stadig, men den tæller mindre. Dette betyder, at en virksomhed, der fik 80 anmeldelser i 2022, men ingen siden, opererer med et falmende signal.

w(t) = exp(-λ × Δt)

where:
  Δt = days since review was posted
  λ  = decay constant (estimated ~0.003–0.008 for Google)
  w(t) = weight applied to that review in the running average

Bidragyder-tillid: hvorfor en anmeldelse fra en niveau 7 lokal guide tæller mere

Googles tillidssystem for anmeldere kan udledes af dets patenter og fra observation af, hvordan bedømmelser ændrer sig. Patent US8818995B1 beskriver et søgerangeringssystem, der vægter input baseret på kildens tillidsniveau. For anmeldelser betyder dette, at en niveau 7 lokal guide med en historie med hundredvis af detaljerede anmeldelser er en kilde med høj tillid.^[2]

Den virkelige effekt er, at en 5-stjernet anmeldelse fra en niveau 7 lokal guide sandsynligvis har mere vægt end en 5-stjernet anmeldelse fra en ny konto uden historie. Dette handler ikke om selve stjerneværdien; begge er en '5' i beregningen. Men vægten, der anvendes på hver enkelt før gennemsnit, er forskellig. Google har aldrig angivet, hvor stor denne forskel er.

Anomalidæmpning: hvad sker der, hvis 40 anmeldelser dukker op på en uge

Spidser i hastighed udløser et separat detektionssystem. Hvis en virksomhed, der normalt får 2-3 anmeldelser om måneden, pludselig får 40 på 72 timer, markerer Googles system mønstret. Dette fører ikke til automatisk sletning, men til en karantæne. De nye anmeldelser vises ikke i det offentlige antal eller bedømmelse, mens systemet undersøger.^[3]

Denne mekanisme er grunden til, at virksomheder, der køber anmeldelser, ofte ikke ser nogen ændring, eller endda ser deres bedømmelser falde, da gamle, reelle anmeldelser forbliver synlige, mens de nye falske holdes i limbo. Denne praksis overtræder Googles politikker og er ulovlig i USA i henhold til FTC-reglerne. Algoritmen er bygget til at mistro pludselige ændringer, der ikke matcher en virksomheds etablerede mønster.

Her er to scenarier modelleret efter virkelige tilfælde. De er ikke fiktion; disse mønstre dukker op igen og igen i rapporter fra fagfolk inden for omdømmehåndtering.

Tandlægeeksemplet viser hovedlæren i Bayesiansk bedømmelse: et lavere rå gennemsnit med høj tillid er bedre end et højt rå gennemsnit med lav tillid. Den viste score faldt (fra en teoretisk 4.9 til en synlig 4.58), men dens søgerang steg, fordi tillidsvægten nu var solid.

Restaurantens spids-eksempel viser, hvorfor et naturligt tempo er vigtigt. Googles systemer er designet til at opdage unaturlig hastighed. Fyrre anmeldelser på en uge, derefter to måneder uden anmeldelser, ser ikke bare mistænkeligt ud. Det dæmpede effektive antal betyder, at du betalte for ingenting. Matematikken straffer dette to gange: anomalidetektion sænker det synlige antal, og nyhedsforfald betyder, at spidsens anmeldelser begynder at falme næsten med det samme.

Bayesiansk gennemsnit er ikke den eneste sunde statistiske metode. Evan Millers artikel fra 2009 'How Not to Sort by Average Rating' gjorde en anden metode berømt: den nedre grænse for et Wilson-score konfidensinterval. Reddit bruger det til at rangere kommentarer. Yelp bruger en version af det.

score = ( p̂ + z²/2n - z√(p̂(1-p̂)/n + z²/4n²) ) / ( 1 + z²/n )

where:
  p̂  = observed positive proportion (e.g. 4+5 star / total)
  n   = total number of ratings
  z   = 1.96  (for 95% confidence interval)
  score = lower-bound of the true positive rate

Wilson-scoren besvarer et andet spørgsmål end et Bayesiansk gennemsnit. I stedet for at spørge: 'Hvordan skal jeg blande mine data med en prior?', spørger den: 'Givet mine nuværende bedømmelser, hvad er den laveste min sande kvalitet kunne være med 95% sikkerhed?' Dette giver en konservativ score, der straffer usikkerhed endnu mere end Bayesiansk gennemsnit ved meget lave anmeldelsesantal.

En tredje metode, Dirichlet-Multinomial-modellen, behandler hver af de fem stjerneværdier som en separat spand, ikke en enkelt kontinuerlig linje. District Data Labs har dokumenteret dette for multi-stjernesystemer. Den er mere matematisk stringent end IMDB-formlen (som behandler stjerner som lineære), men den er også sværere at beregne. I praksis er forskellen mellem et Bayesiansk gennemsnit og en Dirichlet-model lille, når du har mere end omkring 30 anmeldelser.

Når du forstår matematikken, bliver det vage råd om at 'få flere anmeldelser' en målbar plan. Hver virksomhed er et sted på v/(v+m)-kurven. At kende din position fortæller dig, hvor meget din næste anmeldelse faktisk vil ændre din score.

Hvis v = 8 og m = 50, flytter en ny 5-stjernet anmeldelse din tillidsvægt fra 8/58 (0.138) til 9/59 (0.153). Det er et meningsfuldt spring på 1.5 procentpoint. Hvis v = 300 og m = 50, flytter den samme anmeldelse dig fra 300/350 (0.857) til 301/351 (0.858), en næsten usynlig ændring. Volumen i begyndelsen har ti gange den matematiske kraft som volumen i stor skala.

Sådan beregner du en vægtet gennemsnitlig stjernebedømmelse for din egen virksomhed

Du kan køre denne formel i et regneark. Brug dit nuværende anmeldelsesantal for v. For at estimere m for din kategori, se på anmeldelsesantallet for de tre bedste virksomheder i din Google Maps-kategori; den 25. percentil af den gruppe er et godt gæt for m. Din nuværende viste bedømmelse er sandsynligvis WR-resultatet; dit simple gennemsnit er summen af stjerner divideret med antallet.

Det tal, du virkelig bekymrer dig om, er effekten af de næste N anmeldelser. Modeller det. Tilføj 10 til v, genberegn WR, og se hvor meget det ændrer sig. Gør dette for en række v-værdier for at kortlægge en følsomhedskurve. Den stejleste del af den kurve er, hvor en ny anmeldelse har den største indflydelse; det er der, du skal fokusere din indsats.

Hvorfor nyere anmeldelser gør anmeldelseshastigheden vigtigere end det samlede antal

Når du først forstår nyhedsforfald, ændres dit mål. Det handler ikke kun om det samlede antal anmeldelser, men om hvordan dette antal er spredt ud over tid. En virksomhed med 400 anmeldelser fra fem år siden, men intet i de sidste 18 måneder, opererer med en mindre effektiv stikprøve, end dens samlede antal antyder. De forfaldne anmeldelser bidrager mindre til det vægtede gennemsnit.

En jævn strøm af anmeldelser, selv en lille en, forstærker sine fordele på måder, som et enkelt udbrud ikke kan. At få otte nye anmeldelser hver måned i et år er bedre end at få 96 anmeldelser på en enkelt måned på næsten alle måder: Bayesiansk tillid, rydning af anomalidetektion, forløbet af nyhedsforfald, og hvor troværdig du fremstår for kunderne.