Πώς υπολογίζει πραγματικά η Google τη βαθμολογία σας με αστέρια (Δεν είναι απλός μέσος όρος)

Μια ανάλυση των μαθηματικών Bayesian, της στάθμισης επικαιρότητας και της βαθμολόγησης εμπιστοσύνης που καθορίζουν την εμφανιζόμενη βαθμολογία σας, με τους πραγματικούς τύπους και παραδείγματα εφαρμογής.

Οι περισσότεροι ιδιοκτήτες επιχειρήσεων το μαθαίνουν με τον δύσκολο τρόπο. Μπορείτε να λάβετε είκοσι τέλειες αξιολογήσεις πέντε αστέρων στη σειρά και να δείτε τη βαθμολογία σας στο Google να μην κουνιέται σχεδόν καθόλου. Ή ίσως εργάζεστε για μήνες, φτάνετε επιτέλους στις 50 αξιολογήσεις και διαπιστώνετε ότι ο μέσος όρος 4.8 εμφανίζεται ως 4.3 στον χάρτη. Το σύστημα δεν είναι χαλασμένο. Λειτουργεί ακριβώς όπως σχεδιάστηκε. Απλώς δεν σας είπαν πώς σχεδιάστηκε.

Η Google δεν έχει δημοσιεύσει ποτέ επίσημα τον αλγόριθμο βαθμολόγησής της. Ωστόσο, οι μηχανισμοί του είναι ευρέως κατανοητοί. Αυτό οφείλεται στην δημόσια τεκμηρίωση της IMDB για τον δικό της τύπο Bayesian, στις σημειώσεις της Algolia για την κατάταξη, στην πανεπιστημιακή έρευνα για τις πλατφόρμες αξιολογήσεων και σε χρόνια επαγγελματιών που έχουν κάνει αντίστροφη μηχανική σε ό,τι βλέπουν. Αυτό το άρθρο παρουσιάζει τα μαθηματικά, χρησιμοποιώντας πραγματικούς αριθμούς.

Πρώτα, ας ορίσουμε έναν απλό μέσο όρο και ας δούμε γιατί είναι ένα φτωχό εργαλείο για αυτή τη δουλειά. Ο αριθμητικός μέσος όρος είναι το άθροισμα όλων των βαθμολογιών διαιρούμενο με τον αριθμό των βαθμολογιών. Αν έχετε τρεις αξιολογήσεις (5, 4 και 5), ο μέσος όρος σας είναι (5+4+5)/3, ή 4.67. Αυτό είναι αριθμητικά σωστό. Αλλά για την κατάταξη χιλιάδων επιχειρήσεων μεταξύ τους, είναι στατιστικά παραπλανητικό.

Τα προβλήματα με αυτή τη μέθοδο πολλαπλασιάζονται σε μεγάλη κλίμακα. Ένα καφέ που άνοιξε αυτή την εβδομάδα με τρεις λαμπερές αξιολογήσεις από φίλους του ιδιοκτήτη θα κατατασσόταν υψηλότερα από έναν μακροχρόνιο ανταγωνιστή με μέσο όρο 4.4 από 200 αξιολογήσεις. Η καθιερωμένη επιχείρηση είναι ένα πολύ πιο αξιόπιστο σημάδι ποιότητας. Οποιοδήποτε σύστημα επιτρέπει αυτό το είδος αποτελέσματος μπορεί να χειραγωγηθεί και να γίνει άχρηστο σε σύντομο χρονικό διάστημα.

Πώς λειτουργεί ο υπολογισμός της βαθμολογίας με αστέρια της Google στην πράξη

Μια βαθμολογία Bayesian είναι ένας μέσος όρος σταθμισμένος με την εμπιστοσύνη. Με μόνο μια χούφτα αξιολογήσεις, το σύστημα δεν έχει αρκετά δεδομένα για να εμπιστευτεί τη βαθμολογία σας. Έτσι, αναμιγνύει τον ακατέργαστο μέσο όρο σας με ένα «προηγούμενο» – μια προεπιλεγμένη βαθμολογία βασισμένη σε όλες τις επιχειρήσεις όπως η δική σας. Καθώς συλλέγετε περισσότερες αξιολογήσεις, το σύστημα εμπιστεύεται περισσότερο τα δικά σας δεδομένα και η επιρροή του προηγούμενου εξασθενεί.

Η IMDB χρησιμοποιεί αυτήν ακριβώς τη μέθοδο για τη λίστα των 250 κορυφαίων ταινιών της και έχει δημοσιεύσει τον τύπο: WR = (v/(v+m)) × R + (m/(v+m)) × C. Οι μεταβλητές είναι απλές, αλλά οι επιπτώσεις τους στη συμπεριφορά μπορεί να είναι εκπληκτικές. Τα ίδια μαθηματικά εμφανίζονται στους οδηγούς κατάταξης αναζήτησης της Algolia, σε ακαδημαϊκές εργασίες για συστήματα αξιολόγησης και στο έργο των SEO που έχουν μελετήσει τη συμπεριφορά τοπικής αναζήτησης της Google.

Η εξίσωση WR = (v/(v+m)) × R + (m/(v+m)) × C υπολογίζει ένα σταθμισμένο μείγμα δύο αριθμών: τον παρατηρούμενο μέσο όρο βαθμολογίας της επιχείρησής σας (R) και τον μέσο όρο για ολόκληρη την κατηγορία σας (C). Οι σταθμίσεις καθορίζονται από το πόσες αξιολογήσεις έχετε (v) σε σύγκριση με έναν ελάχιστο αριθμό αξιοπιστίας (m).

Κοιτάξτε τους δύο συντελεστές στάθμισης: (v/(v+m)) και (m/(v+m)). Πάντα αθροίζονται στο 1.0. Αυτό σημαίνει ότι πάντα αναμιγνύετε τα δικά σας δεδομένα με το προηγούμενο. Το μόνο που αλλάζει είναι οι αναλογίες. Όταν το v είναι μικρό σε σύγκριση με το m, το προηγούμενο έχει μεγαλύτερη επιρροή. Όταν το v είναι μεγάλο σε σύγκριση με το m, οι δικές σας αξιολογήσεις έχουν μεγαλύτερη επιρροή.

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

Η οριακή τιμή, m, είναι ο αριθμός που καθορίζει το πρότυπο εμπιστοσύνης της πλατφόρμας. Για τη λίστα Top 250, η IMDB χρησιμοποιεί ένα m περίπου 25.000 ψήφων. Ένα τοπικό καφέ στο Google δεν είναι στην ίδια κατηγορία με την ταινία Avatar, οπότε το m του είναι πολύ χαμηλότερο. Οι επαγγελματίες εκτιμούν ότι για τις τοπικές καταχωρίσεις της Google, το m είναι συνήθως μεταξύ 5 και 50, ανάλογα με την κατηγορία και την αγορά της επιχείρησης.

Ο μέσος όρος κατηγορίας, C, είναι η πιο παραβλεπόμενη μεταβλητή εδώ. Δεν είναι ένας ενιαίος παγκόσμιος αριθμός. Η Google σχεδόν σίγουρα υπολογίζει το C εν κινήσει για κάθε κατηγορία και πόλη, και ίσως ακόμη και για κάθε ερώτημα αναζήτησης. Ένας οδοντίατρος στο Σικάγο μετράται έναντι άλλων οδοντιάτρων του Σικάγο, όχι έναντι πιτσαριών στην αγροτική Τέξας. Το κατώτατο όριο της βαθμολογίας σας είναι επομένως ειδικό για την κατηγορία σας.

Γιατί ο σταθμισμένος τύπος βαθμολογίας με αστέρια είναι σημαντικός για το SEO σας

Η πραγματική συνέπεια είναι ότι οι πρώτες 50 αξιολογήσεις σας είναι πολύ πιο σημαντικές από τις αξιολογήσεις 51 έως 150. Οποιαδήποτε αξιολόγηση λάβετε κάτω από το όριο αξιοπιστίας m δημιουργεί μια μεγάλη μετατόπιση στον συντελεστή (v/(v+m)). Η μετάβαση από v=5 σε v=10 διπλασιάζει το βάρος εμπιστοσύνης σας. Η μετάβαση από v=150 σε v=155 δημιουργεί μια αλλαγή που είναι δύσκολο ακόμη και να μετρηθεί.

Αυτά τα μαθηματικά εξηγούν ένα παράξενο μοτίβο που οι SEO βλέπουν συνέχεια: μια επιχείρηση αναπτύσσεται από 3 αξιολογήσεις σε 30 και βλέπει την εμφανιζόμενη βαθμολογία της να πέφτει από 5.0 σε 4.6, ακόμα κι αν όλες οι νέες αξιολογήσεις ήταν καλές. Ο υπολογισμός είναι σωστός. Η αρχική βαθμολογία 5.0 ήταν μια ψευδαίσθηση Bayesian. Το 4.6 είναι η πρώτη πραγματική εκτίμηση ποιότητας.

Ας δούμε δύο παραδείγματα. Θα χρησιμοποιήσουμε έναν ρεαλιστικό μέσο όρο κατηγορίας C = 4.1 και ένα ελάχιστο όριο m = 50. Αυτές είναι δίκαιες εκτιμήσεις για μια κατηγορία υπηρεσιών με μέτριο ανταγωνισμό, όπως υδραυλικές εργασίες, οδοντιατρική ή υπηρεσίες αυτοκινήτων. Μπορείτε να αντικαταστήσετε τους δικούς σας αριθμούς για να μοντελοποιήσετε την κατάστασή σας.

Η επιχείρηση Α έχει τέλεια ακατέργαστη βαθμολογία· κάθε πελάτης άφησε 5 αστέρια. Αλλά με μόλις 3 αξιολογήσεις, ο τύπος δίνει στα δικά της δεδομένα μόνο 5.7% βαρύτητα. Το άλλο 94.3% της εμφανιζόμενης βαθμολογίας της προέρχεται από τον μέσο όρο κατηγορίας 4.1. Το αποτέλεσμα είναι 4.15, όχι το 5.0 που φαίνεται να έχει κερδίσει.

Η επιχείρηση Β έχει χαμηλότερο ακατέργαστο μέσο όρο 4.6, με κάποιες αξιολογήσεις 3 και 4 αστέρων. Αλλά οι 120 αξιολογήσεις της σημαίνουν ότι ο τύπος δίνει στα δικά της δεδομένα 70.6% βαρύτητα. Η εμφανιζόμενη βαθμολογία της 4.45 είναι πολύ πιο κοντά στην πραγματική της απόδοση. Ο αλγόριθμος της Google θα την κατατάξει πάνω από την επιχείρηση Α. Ο όγκος αγοράζει αξιοπιστία. Η αξιοπιστία αγοράζει κατάταξη.

Ο παρακάτω πίνακας χρησιμοποιεί τον τύπο για έξι διαφορετικά σενάρια, με C = 4.1 και m = 50. Η στήλη «Δέλτα» αποκαλύπτει πόσο μακριά είναι η βαθμολογία Bayesian από τον απλό μέσο όρο. Βλέπετε πώς κλείνει αυτό το κενό καθώς αυξάνεται ο αριθμός των αξιολογήσεων; Αυτή είναι η επιρροή του προηγούμενου που εξασθενεί καθώς έρχονται περισσότερα στοιχεία.

Η πιο ενδεικτική σειρά είναι η τελευταία. Μια επιχείρηση με μόλις 5 αξιολογήσεις και έναν θλιβερό ακατέργαστο μέσο όρο 2.0 εξακολουθεί να εμφανίζει βαθμολογία 3.85. Ανεβαίνει σχεδόν δύο ολόκληρα αστέρια λόγω του μέσου όρου της κατηγορίας. Αυτό είναι σκόπιμο. Το σύστημα δεν θα καταστρέψει μια επιχείρηση βασιζόμενο σε μόλις πέντε σημεία δεδομένων. Διαφυλάσσει το στοίχημά του προς τον μέσο όρο μέχρι το μέγεθος του δείγματος να είναι αρκετά μεγάλο για να εμπιστευτεί.

Αυτή η επίδραση απορρόφησης για αρνητικές ακραίες τιμές είναι ο λόγος που ο βομβαρδισμός αξιολογήσεων — μια σκόπιμη εκστρατεία ψεύτικων αξιολογήσεων 1 αστεριού — είναι λιγότερο επιζήμιος από ό,τι φαίνεται αρχικά. Ο αλγόριθμος καταπολεμά ακραία αποτελέσματα εάν ο αριθμός των αξιολογήσεων είναι πολύ χαμηλός για να τα υποστηρίξει. Επιπλέον, τα συστήματα της Google είναι κατασκευασμένα για να ανιχνεύουν και να επισημαίνουν εκστρατείες αξιολογήσεων υψηλής ταχύτητας οποιουδήποτε είδους, θετικές ή αρνητικές, κάτι που παραβιάζει την πολιτική της πλατφόρμας.

Ο τύπος Bayesian παρέχει τη βάση, αλλά το πραγματικό σύστημα της Google έχει τουλάχιστον τρία ακόμη στοιχεία: την αποσύνθεση της επικαιρότητας, την εμπιστοσύνη του συνεισφέροντα και την απόσβεση για ξαφνικές αιχμές ταχύτητας. Η Google δεν τα έχει επιβεβαιώσει. Όλα αυτά έχουν εξαχθεί από την παρατήρηση της συμπεριφοράς του συστήματος και την ανάλυση των πατεντών.

Ο βασικός τύπος Bayesian είναι το σημείο εκκίνησης. Τα άλλα επίπεδα καθιστούν την τελική βαθμολογία πιο δύσκολο να χειραγωγηθεί και πιο ακριβή στην παρούσα στιγμή. Ο στόχος είναι πάντα ο ίδιος: να εμφανίζεται μια βαθμολογία που να αντικατοπτρίζει αυτό που μπορεί να περιμένει ένας πελάτης αν επισκεφθεί σήμερα.

Στάθμιση επικαιρότητας: γιατί οι τελευταίες 90 ημέρες είναι κυρίαρχες

Η Google εφαρμόζει έναν παράγοντα χρονικής αποσύνθεσης στις αξιολογήσεις, εκτιμώντας περισσότερο την πρόσφατη ανατροφοδότηση από την παλιά. Αυτό λειτουργεί σαν μια εκθετική συνάρτηση αποσύνθεσης: η δύναμη μιας αξιολόγησης εξασθενεί με την πάροδο του χρόνου αντί να πέφτει απότομα σε μια συγκεκριμένη ημερομηνία.^[1]

Η ανάλυση του συστήματος αξιολόγησης της Google από την κοινότητα SEO δείχνει ότι οι αξιολογήσεις που είναι παλαιότερες από 12-18 μήνες έχουν περίπου 30-50% λιγότερο αντίκτυπο από μια αξιολόγηση της προηγούμενης εβδομάδας. Μια αξιολόγηση 5 αστέρων από τρία χρόνια πριν εξακολουθεί να μετράει, αλλά μετράει λιγότερο. Αυτό σημαίνει ότι μια επιχείρηση που έλαβε 80 αξιολογήσεις το 2022 αλλά καμία έκτοτε λειτουργεί με ένα εξασθενημένο σήμα.

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

Εμπιστοσύνη συνεισφέροντος: γιατί μια αξιολόγηση από έναν Τοπικό Οδηγό Επιπέδου 7 μετράει περισσότερο

Το σύστημα εμπιστοσύνης της Google για τους αξιολογητές μπορεί να συναχθεί από τις πατέντες της και από την παρακολούθηση του τρόπου αλλαγής των αξιολογήσεων. Η πατέντα US8818995B1 περιγράφει ένα σύστημα κατάταξης αναζήτησης που σταθμίζει τις εισόδους με βάση το επίπεδο εμπιστοσύνης της πηγής. Για τις αξιολογήσεις, αυτό σημαίνει ότι ένας Τοπικός Οδηγός Επιπέδου 7 με ιστορικό εκατοντάδων λεπτομερών αξιολογήσεων είναι μια πηγή υψηλής εμπιστοσύνης.^[2]

Το πραγματικό αποτέλεσμα είναι ότι μια αξιολόγηση 5 αστέρων από έναν Τοπικό Οδηγό Επιπέδου 7 πιθανότατα έχει μεγαλύτερη βαρύτητα από μια αξιολόγηση 5 αστέρων από έναν νέο λογαριασμό χωρίς ιστορικό. Αυτό δεν αφορά την ίδια την τιμή του αστεριού· και οι δύο είναι ένα «5» στον υπολογισμό. Αλλά η βαρύτητα που εφαρμόζεται σε κάθε μία πριν από τον μέσο όρο είναι διαφορετική. Η Google δεν έχει δηλώσει ποτέ πόσο μεγάλη είναι αυτή η διαφορά.

Απόσβεση ανωμαλιών: τι συμβαίνει αν εμφανιστούν 40 αξιολογήσεις σε μία εβδομάδα

Οι αιχμές στην ταχύτητα ενεργοποιούν ένα ξεχωριστό σύστημα ανίχνευσης. Εάν μια επιχείρηση που κανονικά λαμβάνει 2-3 αξιολογήσεις το μήνα ξαφνικά λάβει 40 σε 72 ώρες, το σύστημα της Google επισημαίνει το μοτίβο. Αυτό δεν οδηγεί σε αυτόματη διαγραφή αλλά σε καραντίνα. Οι νέες αξιολογήσεις δεν εμφανίζονται στον δημόσιο αριθμό ή τη βαθμολογία ενώ το σύστημα διερευνά.^[3]

Αυτός ο μηχανισμός είναι ο λόγος που οι επιχειρήσεις που αγοράζουν αξιολογήσεις συχνά δεν βλέπουν καμία αλλαγή, ή ακόμη και βλέπουν τις βαθμολογίες τους να πέφτουν καθώς οι παλιές, πραγματικές αξιολογήσεις παραμένουν ορατές ενώ οι νέες ψεύτικες κρατούνται σε εκκρεμότητα. Αυτή η πρακτική παραβιάζει τις πολιτικές της Google και είναι παράνομη στις ΗΠΑ σύμφωνα με τους κανόνες της FTC. Ο αλγόριθμος είναι κατασκευασμένος για να δυσπιστεί σε ξαφνικές αλλαγές που δεν ταιριάζουν με το καθιερωμένο μοτίβο μιας επιχείρησης.

Ακολουθούν δύο σενάρια που βασίζονται σε πραγματικές περιπτώσεις. Δεν είναι μυθοπλασίες· αυτά τα μοτίβα εμφανίζονται ξανά και ξανά σε αναφορές από επαγγελματίες διαχείρισης φήμης.

Το παράδειγμα του οδοντιάτρου δείχνει το κύριο μάθημα της βαθμολόγησης Bayesian: ένας χαμηλότερος ακατέργαστος μέσος όρος με υψηλή εμπιστοσύνη είναι καλύτερος από έναν υψηλό ακατέργαστο μέσο όρο με χαμηλή εμπιστοσύνη. Η εμφανιζόμενη βαθμολογία έπεσε (από ένα θεωρητικό 4.9 σε ένα ορατό 4.58), αλλά η κατάταξη αναζήτησής της ανέβηκε επειδή το βάρος εμπιστοσύνης ήταν πλέον σταθερό.

Το παράδειγμα της αιχμής του εστιατορίου δείχνει γιατί ένας φυσικός ρυθμός είναι σημαντικός. Τα συστήματα της Google έχουν σχεδιαστεί για να εντοπίζουν αφύσικη ταχύτητα. Σαράντα αξιολογήσεις σε μια εβδομάδα, και μετά δύο μήνες χωρίς αξιολογήσεις, δεν φαίνεται απλώς ύποπτο. Ο αποσβεσμένος αποτελεσματικός αριθμός σημαίνει ότι πληρώσατε για το τίποτα. Τα μαθηματικά το τιμωρούν δύο φορές: η ανίχνευση ανωμαλιών μειώνει τον ορατό αριθμό, και η αποσύνθεση της επικαιρότητας σημαίνει ότι οι αξιολογήσεις της αιχμής αρχίζουν να εξασθενούν σχεδόν αμέσως.

Ο μέσος όρος Bayesian δεν είναι η μόνη στατιστικά ορθή μέθοδος. Το άρθρο του Evan Miller το 2009 «How Not to Sort by Average Rating» έκανε διάσημη μια άλλη μέθοδο: το κάτω όριο ενός διαστήματος εμπιστοσύνης βαθμολογίας Wilson. Το Reddit το χρησιμοποιεί για να κατατάσσει σχόλια. Το Yelp χρησιμοποιεί μια εκδοχή του.

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

Η βαθμολογία Wilson απαντά σε μια διαφορετική ερώτηση από έναν μέσο όρο Bayesian. Αντί να ρωτάει, «Πώς πρέπει να αναμίξω τα δεδομένα μου με ένα προηγούμενο;», ρωτάει, «Δεδομένων των τρεχουσών αξιολογήσεών μου, ποια είναι η χαμηλότερη πραγματική ποιότητά μου με 95% εμπιστοσύνη;» Αυτό δίνει μια συντηρητική βαθμολογία που τιμωρεί την αβεβαιότητα ακόμη πιο έντονα από τον μέσο όρο Bayesian σε πολύ χαμηλούς αριθμούς αξιολογήσεων.

Μια τρίτη μέθοδος, το μοντέλο Dirichlet-Multinomial, αντιμετωπίζει κάθε μία από τις πέντε τιμές αστεριών ως ξεχωριστό κάδο, όχι ως μία ενιαία συνεχή γραμμή. Η District Data Labs το έχει τεκμηριώσει για συστήματα πολλαπλών αστέρων. Είναι μαθηματικά πιο αυστηρό από τον τύπο της IMDB (ο οποίος αντιμετωπίζει τα αστέρια ως γραμμικά), αλλά είναι επίσης πιο δύσκολο να υπολογιστεί. Στην πράξη, η διαφορά μεταξύ ενός μέσου όρου Bayesian και ενός μοντέλου Dirichlet είναι ελάχιστη μόλις έχετε περισσότερες από περίπου 30 αξιολογήσεις.

Όταν κατανοείτε τα μαθηματικά, η αόριστη συμβουλή «λάβετε περισσότερες αξιολογήσεις» γίνεται ένα μετρήσιμο σχέδιο. Κάθε επιχείρηση βρίσκεται κάπου στην καμπύλη v/(v+m). Γνωρίζοντας τη θέση σας, σας λέει πόσο θα αλλάξει πραγματικά η επόμενη αξιολόγησή σας τη βαθμολογία σας.

Αν v = 8 και m = 50, μια νέα αξιολόγηση 5 αστέρων μετακινεί το βάρος εμπιστοσύνης σας από 8/58 (0.138) σε 9/59 (0.153). Αυτό είναι ένα σημαντικό άλμα 1.5 ποσοστιαίων μονάδων. Αν v = 300 και m = 50, η ίδια αξιολόγηση σας μετακινεί από 300/350 (0.857) σε 301/351 (0.858), μια σχεδόν αόρατη αλλαγή. Ο όγκος στην αρχή έχει δέκα φορές τη μαθηματική δύναμη του όγκου σε μεγάλη κλίμακα.

Πώς να υπολογίσετε μια σταθμισμένη μέση βαθμολογία με αστέρια για τη δική σας επιχείρηση

Μπορείτε να εκτελέσετε αυτόν τον τύπο σε ένα υπολογιστικό φύλλο. Χρησιμοποιήστε τον τρέχοντα αριθμό αξιολογήσεων για το v. Για να εκτιμήσετε το m για την κατηγορία σας, κοιτάξτε τους αριθμούς αξιολογήσεων για τις τρεις κορυφαίες επιχειρήσεις στην κατηγορία σας στους Χάρτες Google· το 25ο εκατοστημόριο αυτής της ομάδας είναι μια καλή εκτίμηση για το m. Η τρέχουσα εμφανιζόμενη βαθμολογία σας είναι πιθανώς το αποτέλεσμα WR· ο απλός μέσος όρος σας είναι το άθροισμα των αστεριών διαιρούμενο με τον αριθμό.

Ο αριθμός που σας ενδιαφέρει πραγματικά είναι η επίδραση των επόμενων Ν αξιολογήσεων. Μοντελοποιήστε το. Προσθέστε 10 στο v, υπολογίστε ξανά το WR και δείτε πόσο αλλάζει. Κάντε το για μια σειρά τιμών v για να χαρτογραφήσετε μια καμπύλη ευαισθησίας. Το πιο απότομο μέρος αυτής της καμπύλης είναι εκεί όπου μια νέα αξιολόγηση έχει τον μεγαλύτερο αντίκτυπο· εκεί πρέπει να εστιάσετε τις προσπάθειές σας.

Γιατί η επικαιρότητα καθιστά την ταχύτητα των αξιολογήσεων πιο σημαντική από τον συνολικό αριθμό

Μόλις κατανοήσετε την αποσύνθεση της επικαιρότητας, ο στόχος σας αλλάζει. Δεν αφορά μόνο τον συνολικό αριθμό των αξιολογήσεων, αλλά και το πώς αυτός ο αριθμός κατανέμεται χρονικά. Μια επιχείρηση με 400 αξιολογήσεις από πέντε χρόνια πριν, αλλά τίποτα τους τελευταίους 18 μήνες, λειτουργεί με ένα μικρότερο αποτελεσματικό δείγμα από ό,τι υποδηλώνει ο συνολικός της αριθμός. Οι αποσυντεθειμένες αξιολογήσεις συμβάλλουν λιγότερο στον σταθμισμένο μέσο όρο.

Μια σταθερή ροή αξιολογήσεων, ακόμη και μικρή, πολλαπλασιάζει τα οφέλη της με τρόπους που μια μεμονωμένη έκρηξη δεν μπορεί. Η λήψη οκτώ νέων αξιολογήσεων κάθε μήνα για ένα χρόνο οδηγεί σε μια πιο σταθερή, υψηλότερης κατάταξης βαθμολογία από τη λήψη 96 αξιολογήσεων σε έναν μόνο μήνα σε σχεδόν κάθε μέτρο: εμπιστοσύνη Bayesian, εκκαθάριση ανίχνευσης ανωμαλιών, η τροχιά της αποσύνθεσης της επικαιρότητας και πόσο αξιόπιστοι φαίνεστε στους πελάτες.