Cómo Google calcula realmente tu calificación de estrellas (no es un promedio simple)

Un desglose de las matemáticas bayesianas, la ponderación por antigüedad y la puntuación de confianza que determinan tu calificación mostrada, con las fórmulas reales y ejemplos prácticos.

La mayoría de los dueños de negocios aprenden esta lección por las malas. Puedes obtener veinte reseñas perfectas de cinco estrellas seguidas y ver que tu calificación en Google apenas se mueve. O tal vez trabajas durante meses, finalmente llegas a 50 reseñas y descubres que tu promedio de 4.8 aparece como 4.3 en el mapa. El sistema no está roto. Está funcionando exactamente como fue construido. Simplemente no te dijeron cómo fue construido.

Google nunca ha publicado oficialmente su algoritmo de calificación. Sin embargo, su mecánica es ampliamente conocida. Esto se debe a la documentación pública de IMDB de su propia fórmula bayesiana, las notas de Algolia sobre clasificación, la investigación universitaria sobre plataformas de reseñas y años de profesionales que han realizado ingeniería inversa de lo que ven. Este artículo presenta las matemáticas, utilizando números reales.

Primero, definamos un promedio simple y veamos por qué es una herramienta deficiente para este trabajo. La media aritmética es la suma de todas las calificaciones dividida por el número de calificaciones. Si tienes tres reseñas (5, 4 y 5), tu media es (5+4+5)/3, o 4.67. Esto es aritméticamente correcto. Pero para clasificar miles de negocios entre sí, es estadísticamente engañoso.

Los problemas con este método se multiplican a gran escala. Una cafetería que abrió esta semana con tres reseñas brillantes de los amigos del propietario se clasificaría más alto que un competidor de larga data con un promedio de 4.4 de 200 reseñas. El negocio establecido es una señal de calidad mucho más confiable. Cualquier sistema que permita este tipo de resultado puede ser manipulado hasta la inutilidad en poco tiempo.

Cómo funciona el cálculo de la calificación de estrellas de Google en la práctica

Una calificación bayesiana es un promedio ponderado por confianza. Con solo un puñado de reseñas, el sistema carece de datos suficientes para confiar en tu puntuación. Por lo tanto, mezcla tu promedio bruto con un 'prior'—una puntuación predeterminada basada en todos los negocios como el tuyo. A medida que recopilas más reseñas, el sistema confía más en tus propios datos y la influencia del prior se desvanece.

IMDB utiliza este mismo método para su lista de las 250 mejores películas y ha publicado la fórmula: WR = (v/(v+m)) × R + (m/(v+m)) × C. Las variables son sencillas, pero sus efectos en el comportamiento pueden ser sorprendentes. Las mismas matemáticas aparecen en las guías de clasificación de búsqueda de Algolia, en artículos académicos sobre sistemas de calificación y en el trabajo de SEOs que han estudiado el comportamiento de búsqueda local de Google.

La ecuación WR = (v/(v+m)) × R + (m/(v+m)) × C calcula una mezcla ponderada de dos números: la puntuación promedio observada de tu negocio (R) y el promedio de toda tu categoría (C). Los pesos se establecen por la cantidad de reseñas que tienes (v) en comparación con un número mínimo de credibilidad (m).

Observa los dos factores de ponderación: (v/(v+m)) y (m/(v+m)). Siempre suman 1.0. Esto significa que siempre estás mezclando tus propios datos con el prior. Lo único que cambia son las proporciones. Cuando v es pequeño en comparación con m, el prior tiene más influencia. Cuando v es grande en comparación con m, tus propias reseñas tienen más influencia.

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

El valor umbral, m, es el número que define el estándar de confianza de la plataforma. Para su lista Top 250, IMDB utiliza una m de aproximadamente 25,000 votos. Una cafetería local en Google no está en la misma liga que la película Avatar, por lo que su m es mucho menor. Los profesionales estiman que para los listados locales de Google, m suele estar entre 5 y 50, dependiendo de la categoría de negocio y el mercado.

La media de la categoría, C, es la variable más pasada por alto aquí. No es un número global único. Google casi con seguridad calcula C sobre la marcha para cada categoría y ciudad, y quizás incluso para cada consulta de búsqueda. Un dentista en Chicago se mide contra otros dentistas de Chicago, no contra pizzerías en la zona rural de Texas. Por lo tanto, el límite inferior de tu puntuación es específico de tu categoría.

Por qué la fórmula de calificación de estrellas ponderada es importante para tu SEO

La consecuencia en el mundo real es que tus primeras 50 reseñas son mucho más importantes que las reseñas 51 a 150. Cualquier reseña que obtengas por debajo del umbral de credibilidad m crea un gran cambio en el coeficiente (v/(v+m)). Pasar de v=5 a v=10 duplica tu peso de confianza. Pasar de v=150 a v=155 crea un cambio que es difícil incluso de medir.

Esta matemática explica un patrón extraño que los SEOs ven todo el tiempo: un negocio crece de 3 reseñas a 30 y ve su calificación mostrada caer de 5.0 a 4.6, incluso si todas las nuevas reseñas fueron buenas. El cálculo es correcto. La puntuación inicial de 5.0 era una ilusión bayesiana. El 4.6 es la primera estimación real de calidad.

Veamos dos ejemplos. Usaremos una media de categoría realista de C = 4.1 y un umbral mínimo de m = 50. Estas son estimaciones justas para una categoría de servicio con competencia moderada, como fontanería, odontología o servicio automotriz. Puedes sustituir tus propios números para modelar tu situación.

El negocio A tiene una puntuación bruta perfecta; cada cliente dejó 5 estrellas. Pero con solo 3 reseñas, la fórmula le da a sus propios datos solo un peso del 5.7%. El otro 94.3% de su puntuación mostrada se deriva de la media de la categoría de 4.1. El resultado es 4.15, no el 5.0 que parece haber ganado.

El negocio B tiene un promedio bruto más bajo de 4.6, con algunas reseñas de 3 y 4 estrellas. Pero sus 120 reseñas significan que la fórmula le da a sus propios datos un peso del 70.6%. Su puntuación mostrada de 4.45 está mucho más cerca de su rendimiento real. El algoritmo de Google lo clasificará por encima del negocio A. El volumen te da credibilidad. La credibilidad te da rango.

El gráfico a continuación utiliza la fórmula para seis escenarios diferentes, con C = 4.1 y m = 50. La columna 'Delta' revela cuán lejos está la puntuación bayesiana del promedio simple. ¿Ves cómo esa brecha se cierra a medida que aumenta el recuento de reseñas? Esa es la influencia del prior desvaneciéndose a medida que llega más evidencia.

La fila más reveladora es la última. Un negocio con solo 5 reseñas y un pésimo promedio bruto de 2.0 todavía muestra una puntuación de 3.85. Es impulsado casi dos estrellas completas por la media de la categoría. Esto es intencional. El sistema no arruinará un negocio basándose en solo cinco puntos de datos. Se inclina hacia el promedio hasta que el tamaño de la muestra sea lo suficientemente grande como para ser confiable.

Este efecto amortiguador para los valores atípicos negativos es la razón por la que el bombardeo de reseñas—una campaña deliberada de reseñas falsas de 1 estrella—es menos dañino de lo que parece al principio. El algoritmo combate los resultados extremos si el recuento de reseñas es demasiado bajo para respaldarlos. Además, los sistemas de Google están diseñados para detectar y señalar campañas de reseñas de alta velocidad de cualquier tipo, positivas o negativas, lo que viola la política de la plataforma.

La fórmula bayesiana proporciona la base, pero el sistema real de Google tiene al menos tres componentes más: decaimiento por antigüedad, confianza del contribuyente y amortiguación para picos repentinos de velocidad. Google no los ha confirmado. Todos se deducen de la observación del comportamiento del sistema y el análisis de patentes.

La fórmula bayesiana base es el punto de partida. Las otras capas hacen que la puntuación final sea más difícil de manipular y más precisa en el momento presente. El objetivo es siempre el mismo: mostrar una calificación que refleje lo que un cliente puede esperar si visita hoy.

Ponderación por antigüedad: por qué los últimos 90 días son dominantes

Google aplica un factor de decaimiento temporal a las reseñas, valorando más los comentarios recientes que los antiguos. Esto funciona como una función de decaimiento exponencial: el poder de una reseña se desvanece con el tiempo en lugar de caer abruptamente en una fecha específica.^[1]

El análisis del sistema de calificación de Google por parte de la comunidad SEO muestra que las reseñas de más de 12 a 18 meses tienen entre un 30 y un 50% menos de impacto que una reseña de la semana pasada. Una reseña de 5 estrellas de hace tres años todavía cuenta, pero cuenta menos. Esto significa que un negocio que obtuvo 80 reseñas en 2022 pero ninguna desde entonces está operando con una señal que se desvanece.

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

Confianza del contribuyente: por qué una reseña de un Guía Local Nivel 7 cuenta más

El sistema de confianza de Google para los revisores se puede inferir de sus patentes y de observar cómo cambian las calificaciones. La patente US8818995B1 describe un sistema de clasificación de búsqueda que pondera las entradas en función del nivel de confianza de la fuente. Para las reseñas, esto significa que un Guía Local Nivel 7 con un historial de cientos de reseñas detalladas es una fuente de alta confianza.^[2]

El efecto en el mundo real es que una reseña de 5 estrellas de un Guía Local Nivel 7 probablemente tenga más peso que una reseña de 5 estrellas de una cuenta nueva sin historial. Esto no se trata del valor de la estrella en sí; ambas son un '5' en el cálculo. Pero el peso aplicado a cada una antes de promediar es diferente. Google nunca ha declarado cuán grande es esta diferencia.

Amortiguación de anomalías: qué sucede si aparecen 40 reseñas en una semana

Los picos de velocidad activan un sistema de detección separado. Si un negocio que normalmente recibe 2-3 reseñas al mes de repente recibe 40 en 72 horas, el sistema de Google marca el patrón. Esto no conduce a la eliminación automática, sino a una cuarentena. Las nuevas reseñas no aparecen en el recuento público ni en la calificación mientras el sistema investiga.^[3]

Este mecanismo explica por qué los negocios que compran reseñas a menudo no ven ningún cambio, o incluso ven caer sus calificaciones, ya que las reseñas antiguas y reales permanecen visibles mientras las nuevas falsificaciones se mantienen en el limbo. Esta práctica viola las políticas de Google y es ilegal en los EE. UU. según las reglas de la FTC. El algoritmo está diseñado para desconfiar de los cambios repentinos que no coinciden con el patrón establecido de un negocio.

Aquí hay dos escenarios modelados en casos del mundo real. No son ficciones; estos patrones aparecen una y otra vez en los informes de profesionales de la gestión de la reputación.

El ejemplo del dentista muestra la principal lección de la calificación bayesiana: un promedio bruto más bajo con alta confianza es mejor que un promedio bruto alto con baja confianza. La puntuación mostrada cayó (de un teórico 4.9 a un visible 4.58), pero su clasificación de búsqueda subió porque el peso de confianza ahora era sólido.

El ejemplo del pico del restaurante muestra por qué un ritmo natural es importante. Los sistemas de Google están diseñados para detectar velocidades antinaturales. Cuarenta reseñas en una semana, luego dos meses sin reseñas, no solo parece sospechoso. El recuento efectivo amortiguado significa que no pagaste por nada. Las matemáticas castigan esto dos veces: la detección de anomalías reduce el recuento visible, y el decaimiento por antigüedad significa que las reseñas del pico comienzan a desvanecerse casi de inmediato.

El promedio bayesiano no es el único método estadístico sólido. El artículo de Evan Miller de 2009 'How Not to Sort by Average Rating' hizo famoso otro método: el límite inferior de un intervalo de confianza de la puntuación de Wilson. Reddit lo usa para clasificar comentarios. Yelp usa una versión de él.

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

La puntuación de Wilson responde a una pregunta diferente a la de un promedio bayesiano. En lugar de preguntar: '¿Cómo debo mezclar mis datos con un prior?', pregunta: 'Dadas mis calificaciones actuales, ¿cuál es la calidad más baja que podría tener mi verdadero valor con un 95% de confianza?' Esto da una puntuación conservadora que penaliza la incertidumbre aún más fuertemente que el promedio bayesiano con muy pocos recuentos de reseñas.

Un tercer método, el modelo Dirichlet-Multinomial, trata cada uno de los cinco valores de estrellas como un cubo separado, no como una sola línea continua. District Data Labs lo ha documentado para sistemas de múltiples estrellas. Es más riguroso matemáticamente que la fórmula de IMDB (que trata las estrellas como lineales), pero también es más difícil de calcular. En la práctica, la diferencia entre un promedio bayesiano y un modelo de Dirichlet es mínima una vez que tienes más de unas 30 reseñas.

Cuando entiendes las matemáticas, el vago consejo de 'obtener más reseñas' se convierte en un plan medible. Cada negocio está en algún lugar de la curva v/(v+m). Conocer tu posición te dice cuánto cambiará realmente tu puntuación tu próxima reseña.

Si v = 8 y m = 50, una nueva reseña de 5 estrellas mueve tu peso de confianza de 8/58 (0.138) a 9/59 (0.153). Eso es un salto significativo de 1.5 puntos porcentuales. Si v = 300 y m = 50, esa misma reseña te mueve de 300/350 (0.857) a 301/351 (0.858), un cambio casi invisible. El volumen al principio tiene diez veces el poder matemático del volumen a escala.

Cómo calcular una calificación de estrellas promedio ponderada para tu propio negocio

Puedes ejecutar esta fórmula en una hoja de cálculo. Usa tu recuento actual de reseñas para v. Para estimar m para tu categoría, mira los recuentos de reseñas de los tres principales negocios en tu categoría de Google Maps; el percentil 25 de ese grupo es una buena estimación para m. Tu calificación mostrada actual es probablemente el resultado de WR; tu promedio simple es la suma de las estrellas dividida por el recuento.

El número que realmente te importa es el efecto de las próximas N reseñas. Modélalo. Agrega 10 a v, recalcula WR y ve cuánto cambia. Haz esto para un rango de valores de v para trazar una curva de sensibilidad. La parte más pronunciada de esa curva es donde una nueva reseña tiene el mayor impacto; ahí es donde debes enfocar tus esfuerzos.

Por qué la antigüedad hace que la velocidad de las reseñas sea más importante que el recuento total

Una vez que comprendes el decaimiento por antigüedad, tu objetivo cambia. No se trata solo del número total de reseñas, sino de cómo ese número se distribuye a lo largo del tiempo. Un negocio con 400 reseñas de hace cinco años pero ninguna en los últimos 18 meses está trabajando con una muestra efectiva más pequeña de lo que sugiere su recuento total. Las reseñas decaídas contribuyen menos al promedio ponderado.

Un flujo constante de reseñas, incluso uno pequeño, multiplica sus beneficios de maneras que un solo estallido no puede. Obtener ocho reseñas nuevas cada mes durante un año es mejor que obtener 96 reseñas en un solo mes en casi todas las medidas: confianza bayesiana, superación de la detección de anomalías, la trayectoria del decaimiento por antigüedad y cuán creíble pareces a los clientes.