Wie Google Ihre Sternebewertung wirklich berechnet (Es ist kein einfacher Durchschnitt)

Eine Aufschlüsselung der Bayes'schen Mathematik, der Gewichtung nach Aktualität und der Vertrauensbewertung, die Ihre angezeigte Bewertung bestimmt, komplett mit den tatsächlichen Formeln und durchgerechneten Beispielen.

Die meisten Geschäftsinhaber lernen diese Lektion auf die harte Tour. Sie können zwanzig perfekte Fünf-Sterne-Bewertungen hintereinander erhalten und sehen, dass Ihre Bewertung bei Google kaum steigt. Oder vielleicht arbeiten Sie monatelang, erreichen schließlich 50 Bewertungen und stellen fest, dass Ihr Durchschnitt von 4,8 auf der Karte als 4,3 angezeigt wird. Das System ist nicht kaputt. Es funktioniert genau so, wie es gebaut wurde. Man hat Ihnen nur nicht gesagt, wie es gebaut wurde.

Google hat seinen Bewertungsalgorithmus nie offiziell veröffentlicht. Seine Mechanik ist jedoch weithin bekannt. Dies ist der öffentlichen Dokumentation der eigenen Bayes'schen Formel von IMDB, den Notizen von Algolia zum Ranking, Universitätsforschungen zu Bewertungsplattformen und jahrelanger Reverse-Engineering-Arbeit von Praktikern zu verdanken. Dieser Artikel legt die Mathematik anhand realer Zahlen dar.

Zuerst definieren wir einen einfachen Durchschnitt und sehen, warum er für diese Aufgabe ein schlechtes Werkzeug ist. Das arithmetische Mittel ist die Summe aller Bewertungen geteilt durch die Anzahl der Bewertungen. Wenn Sie drei Bewertungen haben (5, 4 und 5), beträgt Ihr Mittelwert (5+4+5)/3, also 4,67. Das ist arithmetisch korrekt. Aber um Tausende von Unternehmen gegeneinander zu ranken, ist es statistisch irreführend.

Die Probleme mit dieser Methode vervielfachen sich in großem Maßstab. Ein Café, das diese Woche mit drei glänzenden Bewertungen von Freunden des Besitzers eröffnet wurde, würde höher ranken als ein alteingesessener Konkurrent mit einem Durchschnitt von 4,4 aus 200 Bewertungen. Das etablierte Geschäft ist ein weitaus zuverlässigeres Qualitätssignal. Jedes System, das solche Ergebnisse zulässt, kann in kurzer Zeit manipuliert und nutzlos gemacht werden.

Wie Googles Sternebewertungsberechnung in der Praxis funktioniert

Eine Bayes'sche Bewertung ist ein nach Vertrauen gewichteter Durchschnitt. Mit nur einer Handvoll Bewertungen fehlen dem System genügend Daten, um Ihrer Punktzahl zu vertrauen. Daher mischt es Ihren Rohdurchschnitt mit einem 'Prior' – einer Standardpunktzahl, die auf allen ähnlichen Unternehmen basiert. Wenn Sie mehr Bewertungen sammeln, vertraut das System Ihren eigenen Daten mehr, und der Einfluss des Priors nimmt ab.

IMDB verwendet genau diese Methode für seine Top-250-Filmliste und hat die Formel veröffentlicht: WR = (v/(v+m)) × R + (m/(v+m)) × C. Die Variablen sind unkompliziert, aber ihre Auswirkungen auf das Verhalten können überraschend sein. Dieselbe Mathematik erscheint in Algolias Suchranking-Anleitungen, wissenschaftlichen Arbeiten zu Bewertungssystemen und der Arbeit von SEOs, die Googles lokales Suchverhalten untersucht haben.

Die Gleichung WR = (v/(v+m)) × R + (m/(v+m)) × C berechnet eine gewichtete Mischung aus zwei Zahlen: dem beobachteten Durchschnittswert Ihres Unternehmens (R) und dem Durchschnitt für Ihre gesamte Kategorie (C). Die Gewichte werden durch die Anzahl Ihrer Bewertungen (v) im Vergleich zu einer minimalen Glaubwürdigkeitszahl (m) festgelegt.

Betrachten Sie die beiden Gewichtungsfaktoren: (v/(v+m)) und (m/(v+m)). Sie addieren sich immer zu 1,0. Das bedeutet, dass Sie Ihre eigenen Daten immer mit dem Prior mischen. Das Einzige, was sich ändert, sind die Proportionen. Wenn v im Vergleich zu m klein ist, hat der Prior mehr Einfluss. Wenn v im Vergleich zu m groß ist, haben Ihre eigenen Bewertungen mehr Einfluss.

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

Der Schwellenwert m ist die Zahl, die den Vertrauensstandard der Plattform definiert. Für seine Top-250-Liste verwendet IMDB ein m von etwa 25.000 Stimmen. Ein lokales Café bei Google ist nicht in der gleichen Liga wie der Film Avatar, daher ist sein m viel niedriger. Praktiker schätzen, dass für Google-Lokaleinträge m normalerweise zwischen 5 und 50 liegt, abhängig von der Geschäftskategorie und dem Markt.

Der Kategoriedurchschnitt C ist hier die am meisten übersehene Variable. Es ist keine einzelne globale Zahl. Google ermittelt C fast sicher dynamisch für jede Kategorie und Stadt und vielleicht sogar für jede Suchanfrage. Ein Zahnarzt in Chicago wird mit anderen Zahnärzten in Chicago gemessen, nicht mit Pizzerien im ländlichen Texas. Die Untergrenze Ihrer Punktzahl ist daher spezifisch für Ihre Kategorie.

Warum die gewichtete Sternebewertungsformel für Ihre SEO wichtig ist

Die reale Konsequenz ist, dass Ihre ersten 50 Bewertungen weitaus wichtiger sind als die Bewertungen 51 bis 150. Jede Bewertung, die Sie unterhalb des Glaubwürdigkeitsschwellenwerts m erhalten, führt zu einer großen Verschiebung des Koeffizienten (v/(v+m)). Ein Wechsel von v=5 zu v=10 verdoppelt Ihr Vertrauensgewicht. Ein Wechsel von v=150 zu v=155 führt zu einer Veränderung, die kaum messbar ist.

Diese Mathematik erklärt ein seltsames Muster, das SEOs ständig sehen: Ein Unternehmen wächst von 3 Bewertungen auf 30 und sieht, wie seine angezeigte Bewertung von 5,0 auf 4,6 fällt, selbst wenn alle neuen Bewertungen gut waren. Die Berechnung ist korrekt. Die frühe 5,0-Punktzahl war eine Bayes'sche Illusion. Die 4,6 ist die erste echte Qualitätsschätzung.

Gehen wir zwei Beispiele durch. Wir verwenden einen realistischen Kategoriedurchschnitt von C = 4,1 und einen Mindestschwellenwert von m = 50. Dies sind faire Schätzungen für eine Dienstleistungskategorie mit moderatem Wettbewerb, wie z.B. Sanitär, Zahnmedizin oder Autoservice. Sie können Ihre eigenen Zahlen einsetzen, um Ihre Situation zu modellieren.

Unternehmen A hat eine perfekte Rohbewertung; jeder Kunde gab 5 Sterne. Aber mit nur 3 Bewertungen gibt die Formel ihren eigenen Daten nur ein Gewicht von 5,7 %. Die anderen 94,3 % ihrer angezeigten Punktzahl leiten sich vom Kategoriedurchschnitt von 4,1 ab. Das Ergebnis ist 4,15, nicht die 5,0, die es scheinbar verdient hat.

Unternehmen B hat einen niedrigeren Rohdurchschnitt von 4,6, mit einigen 3- und 4-Sterne-Bewertungen. Aber seine 120 Bewertungen bedeuten, dass die Formel seinen eigenen Daten ein Gewicht von 70,6 % gibt. Seine angezeigte Punktzahl von 4,45 liegt viel näher an seiner tatsächlichen Leistung. Googles Algorithmus wird es über Unternehmen A ranken. Volumen verschafft Ihnen Glaubwürdigkeit. Glaubwürdigkeit verschafft Ihnen Rang.

Die folgende Tabelle verwendet die Formel für sechs verschiedene Szenarien, mit C = 4,1 und m = 50. Die Spalte 'Delta' zeigt, wie weit die Bayes'sche Punktzahl vom einfachen Durchschnitt entfernt ist. Sehen Sie, wie sich diese Lücke schließt, wenn die Anzahl der Bewertungen steigt? Das ist der Einfluss des Priors, der mit zunehmender Evidenz verblasst.

Die aufschlussreichste Zeile ist die letzte. Ein Unternehmen mit nur 5 Bewertungen und einem miserablen Rohdurchschnitt von 2,0 zeigt immer noch eine Punktzahl von 3,85. Es wird durch den Kategoriedurchschnitt um fast zwei volle Sterne nach oben gezogen. Dies ist beabsichtigt. Das System wird ein Unternehmen nicht aufgrund von nur fünf Datenpunkten ruinieren. Es sichert sich gegen den Durchschnitt ab, bis die Stichprobengröße groß genug ist, um vertrauenswürdig zu sein.

Dieser dämpfende Effekt für negative Ausreißer ist der Grund, warum Review-Bombing – eine gezielte Kampagne gefälschter 1-Sterne-Bewertungen – weniger schädlich ist, als es zunächst scheint. Der Algorithmus bekämpft extreme Ergebnisse, wenn die Anzahl der Bewertungen zu niedrig ist, um sie zu unterstützen. Darüber hinaus sind Googles Systeme darauf ausgelegt, schnelle Bewertungskampagnen jeglicher Art, ob positiv oder negativ, zu erkennen und zu kennzeichnen, was gegen die Plattformrichtlinien verstößt.

Die Bayes'sche Formel bildet die Grundlage, aber Googles echtes System hat mindestens drei weitere Komponenten: Aktualitätsverfall, Beitragszahlervertrauen und Dämpfung bei plötzlichen Geschwindigkeitsschwankungen. Google hat diese nicht bestätigt. Sie werden alle aus der Beobachtung des Systemverhaltens und der Analyse von Patenten abgeleitet.

Die grundlegende Bayes'sche Formel ist der Ausgangspunkt. Die anderen Ebenen machen die Endpunktzahl schwerer zu manipulieren und im aktuellen Moment genauer. Das Ziel ist immer dasselbe: eine Bewertung anzuzeigen, die widerspiegelt, was ein Kunde erwarten kann, wenn er heute vorbeikommt.

Gewichtung nach Aktualität: Warum die letzten 90 Tage dominant sind

Google wendet einen Zeitverfallsfaktor auf Bewertungen an, der neuere Rückmeldungen stärker gewichtet als alte. Dies funktioniert wie eine exponentielle Zerfallsfunktion: Die Wirkung einer Bewertung verblasst mit der Zeit, anstatt zu einem bestimmten Datum abrupt abzunehmen.^[1]

Die Analyse von Googles Bewertungssystem durch die SEO-Community zeigt, dass Bewertungen, die älter als 12–18 Monate sind, etwa 30–50 % weniger Einfluss haben als eine Bewertung von letzter Woche. Eine 5-Sterne-Bewertung von vor drei Jahren zählt immer noch, aber sie zählt weniger. Das bedeutet, dass ein Unternehmen, das 2022 80 Bewertungen erhalten hat, aber seitdem keine mehr, mit einem verblassenden Signal arbeitet.

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

Vertrauen des Beitragenden: Warum eine Bewertung von einem Level 7 Local Guide mehr zählt

Googles Vertrauenssystem für Rezensenten lässt sich aus seinen Patenten und aus der Beobachtung, wie sich Bewertungen ändern, ableiten. Patent US8818995B1 beschreibt ein Suchrankingsystem, das Eingaben basierend auf dem Vertrauensniveau der Quelle gewichtet. Für Bewertungen bedeutet dies, dass ein Level 7 Local Guide mit einer Geschichte von Hunderten von detaillierten Bewertungen eine Quelle mit hohem Vertrauen ist.^[2]

Der reale Effekt ist, dass eine 5-Sterne-Bewertung von einem Level 7 Local Guide wahrscheinlich mehr Gewicht hat als eine 5-Sterne-Bewertung von einem neuen Konto ohne Historie. Es geht hier nicht um den Sternwert selbst; beide sind eine '5' in der Berechnung. Aber das Gewicht, das jedem vor der Mittelwertbildung zugewiesen wird, ist unterschiedlich. Google hat nie angegeben, wie groß dieser Unterschied ist.

Anomalie-Dämpfung: Was passiert, wenn 40 Bewertungen in einer Woche erscheinen

Spitzen in der Geschwindigkeit lösen ein separates Erkennungssystem aus. Wenn ein Unternehmen, das normalerweise 2-3 Bewertungen pro Monat erhält, plötzlich 40 in 72 Stunden bekommt, kennzeichnet Googles System das Muster. Dies führt nicht zu einer automatischen Löschung, sondern zu einer Quarantäne. Die neuen Bewertungen erscheinen nicht in der öffentlichen Zählung oder Bewertung, während das System ermittelt.^[3]

Dieser Mechanismus ist der Grund, warum Unternehmen, die Bewertungen sammeln, oft keine Veränderung sehen oder sogar sehen, wie ihre Bewertungen sinken, während alte, echte Bewertungen sichtbar bleiben, während die neuen Fälschungen in der Schwebe gehalten werden. Diese Praxis verstößt gegen die Richtlinien von Google und ist in den USA nach FTC-Regeln illegal. Der Algorithmus ist darauf ausgelegt, plötzlichen Änderungen zu misstrauen, die nicht dem etablierten Muster eines Unternehmens entsprechen.

Hier sind zwei Szenarien, die auf realen Fällen basieren. Sie sind keine Fiktionen; diese Muster tauchen immer wieder in Berichten von Reputation-Management-Experten auf.

Das Zahnarztbeispiel zeigt die Hauptlektion der Bayes'schen Bewertung: Ein niedrigerer Rohdurchschnitt mit hoher Konfidenz ist besser als ein hoher Rohdurchschnitt mit geringer Konfidenz. Die angezeigte Punktzahl sank (von theoretischen 4,9 auf sichtbare 4,58), aber ihr Suchrang stieg, weil das Konfidenzgewicht nun solide war.

Das Beispiel des Restaurant-Spikes zeigt, warum ein natürliches Tempo wichtig ist. Googles Systeme sind darauf ausgelegt, unnatürliche Geschwindigkeiten zu erkennen. Vierzig Bewertungen in einer Woche, dann zwei Monate ohne Bewertungen, sieht nicht nur verdächtig aus. Die gedämpfte effektive Anzahl bedeutet, dass Sie für nichts bezahlt haben. Die Mathematik bestraft dies doppelt: Die Anomalieerkennung senkt die sichtbare Anzahl, und der Aktualitätsverfall bedeutet, dass die Bewertungen des Spikes fast sofort zu verblassen beginnen.

Die Bayes'sche Mittelwertbildung ist nicht die einzige solide statistische Methode. Evan Millers Artikel von 2009 'How Not to Sort by Average Rating' machte eine andere Methode berühmt: die Untergrenze eines Wilson-Score-Konfidenzintervalls. Reddit verwendet es, um Kommentare zu ranken. Yelp verwendet eine Version davon.

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

Der Wilson-Score beantwortet eine andere Frage als ein Bayes'scher Durchschnitt. Anstatt zu fragen: 'Wie soll ich meine Daten mit einem Prior mischen?', fragt er: 'Angesichts meiner aktuellen Bewertungen, wie niedrig könnte meine wahre Qualität mit 95 %iger Sicherheit sein?' Dies ergibt eine konservative Punktzahl, die Unsicherheit bei sehr geringer Anzahl von Bewertungen noch stärker bestraft als die Bayes'sche Mittelwertbildung.

Eine dritte Methode, das Dirichlet-Multinomial-Modell, behandelt jeden der fünf Sternwerte als einen separaten Behälter, nicht als eine einzelne kontinuierliche Linie. District Data Labs hat dies für Mehrsternsysteme dokumentiert. Es ist mathematisch rigoroser als die IMDB-Formel (die Sterne als linear behandelt), aber auch schwieriger zu berechnen. In der Praxis ist der Unterschied zwischen einem Bayes'schen Durchschnitt und einem Dirichlet-Modell winzig, sobald Sie mehr als etwa 30 Bewertungen haben.

Wenn Sie die Mathematik verstehen, wird der vage Rat, 'mehr Bewertungen zu sammeln', zu einem messbaren Plan. Jedes Unternehmen befindet sich irgendwo auf der v/(v+m)-Kurve. Ihre Position zu kennen, sagt Ihnen, wie stark Ihre nächste Bewertung Ihre Punktzahl tatsächlich verändern wird.

Wenn v = 8 und m = 50, verschiebt eine neue 5-Sterne-Bewertung Ihr Vertrauensgewicht von 8/58 (0,138) auf 9/59 (0,153). Das ist ein signifikanter Sprung von 1,5 Prozentpunkten. Wenn v = 300 und m = 50, verschiebt dieselbe Bewertung Sie von 300/350 (0,857) auf 301/351 (0,858), eine nahezu unsichtbare Veränderung. Volumen am Anfang hat die zehnfache mathematische Kraft von Volumen im großen Maßstab.

So berechnen Sie eine gewichtete durchschnittliche Sternebewertung für Ihr eigenes Unternehmen

Sie können diese Formel in einer Tabelle ausführen. Verwenden Sie Ihre aktuelle Anzahl der Bewertungen für v. Um m für Ihre Kategorie zu schätzen, schauen Sie sich die Anzahl der Bewertungen für die Top-Drei-Unternehmen in Ihrer Google Maps-Kategorie an; das 25. Perzentil dieser Gruppe ist eine gute Schätzung für m. Ihre aktuell angezeigte Bewertung ist wahrscheinlich das WR-Ergebnis; Ihr einfacher Durchschnitt ist die Summe der Sterne geteilt durch die Anzahl.

Die Zahl, die Sie wirklich interessiert, ist der Effekt der nächsten N Bewertungen. Modellieren Sie es. Addieren Sie 10 zu v, berechnen Sie WR neu und sehen Sie, wie stark es sich ändert. Tun Sie dies für eine Reihe von v-Werten, um eine Empfindlichkeitskurve zu erstellen. Der steilste Teil dieser Kurve ist der Punkt, an dem eine neue Bewertung den größten Einfluss hat; dort sollten Sie Ihre Anstrengungen konzentrieren.

Warum Aktualität die Bewertungsgeschwindigkeit wichtiger macht als die Gesamtzahl

Sobald Sie den Aktualitätsverfall verstanden haben, ändert sich Ihr Ziel. Es geht nicht nur um die Gesamtzahl der Bewertungen, sondern darum, wie diese Zahl über die Zeit verteilt ist. Ein Unternehmen mit 400 Bewertungen von vor fünf Jahren, aber nichts in den letzten 18 Monaten, arbeitet mit einer kleineren effektiven Stichprobe, als seine Gesamtzahl vermuten lässt. Die verfallenen Bewertungen tragen weniger zum gewichteten Durchschnitt bei.

Ein stetiger Strom von Bewertungen, selbst ein kleiner, vervielfacht seine Vorteile auf eine Weise, die ein einzelner Schub nicht kann. Acht neue Bewertungen pro Monat für ein Jahr zu erhalten, ist in fast jeder Hinsicht besser als 96 Bewertungen in einem einzigen Monat: Bayes'sches Vertrauen, Überwindung der Anomalieerkennung, der Verlauf des Aktualitätsverfalls und wie glaubwürdig Sie für Kunden wirken.