Hur Google verkligen beräknar ditt stjärnbetyg (det är inte ett enkelt genomsnitt)

En genomgång av den Bayesianska matematiken, vikten av aktualitet och konfidenspoäng som bestämmer ditt visade betyg, komplett med de faktiska formlerna och räkneexemplen.

De flesta företagare lär sig detta den hårda vägen. Du kan få tjugo perfekta femstjärniga recensioner i rad och se ditt betyg på Google knappt röra sig. Eller så kanske du arbetar i månader, får äntligen 50 recensioner och upptäcker att ditt genomsnitt på 4,8 visas som 4,3 på kartan. Systemet är inte trasigt. Det fungerar precis som det byggdes. Du fick bara inte veta hur det byggdes.

Google har aldrig officiellt släppt sin betygsalgoritm. Dess mekanik är dock allmänt förstådd. Detta tack vare IMDB:s offentliga dokumentation av sin egen Bayesianska formel, Algolias anteckningar om rankning, universitetsforskning om recensionsplattformar och år av praktiker som har omvänt konstruerat vad de ser. Denna text presenterar matematiken med hjälp av verkliga siffror.

Låt oss först definiera ett enkelt genomsnitt och se varför det är ett dåligt verktyg för detta jobb. Det aritmetiska medelvärdet är summan av alla betyg dividerat med antalet betyg. Om du har tre recensioner (5, 4 och 5) är ditt medelvärde (5+4+5)/3, eller 4,67. Detta är aritmetiskt korrekt. Men för att ranka tusentals företag mot varandra är det statistiskt vilseledande.

Problemen med denna metod mångfaldigas i stor skala. Ett kafé som öppnade denna vecka med tre glödande recensioner från ägarens vänner skulle rankas högre än en långvarig konkurrent med ett genomsnitt på 4,4 från 200 recensioner. Det etablerade företaget är en mycket mer tillförlitlig signal om kvalitet. Alla system som tillåter denna typ av resultat kan manipuleras till att bli oanvändbara på kort tid.

Hur Googles stjärnbetygsberäkning fungerar i praktiken

Ett Bayesianskt betyg är ett genomsnitt viktat efter konfidens. Med bara en handfull recensioner saknar systemet tillräckligt med data för att lita på din poäng. Så det blandar ditt råa genomsnitt med en 'prior' – en standardpoäng baserad på alla företag som ditt. När du samlar in fler recensioner litar systemet mer på dina egna data, och priorns inflytande avtar.

IMDB använder exakt denna metod för sin Top 250-filmlista och har publicerat formeln: WR = (v/(v+m)) × R + (m/(v+m)) × C. Variablerna är enkla, men deras effekter på beteendet kan vara överraskande. Samma matematik förekommer i Algolias guider för sökrankning, akademiska artiklar om betygssystem och SEO-experters arbete som har studerat Googles lokala sökbeteende.

Ekvationen WR = (v/(v+m)) × R + (m/(v+m)) × C beräknar en viktad blandning av två tal: ditt företags observerade genomsnittliga poäng (R) och genomsnittet för hela din kategori (C). Vikterna bestäms av hur många recensioner du har (v) jämfört med ett minimikreditabilitetsnummer (m).

Titta på de två viktfaktorerna: (v/(v+m)) och (m/(v+m)). De summerar alltid till 1,0. Detta innebär att du alltid blandar dina egna data med priorn. Det enda som ändras är proportionerna. När v är litet jämfört med m har priorn mer inflytande. När v är stort jämfört med m har dina egna recensioner mer inflytande.

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

Tröskelvärdet, m, är det nummer som definierar plattformens konfidensstandard. För sin Top 250-lista använder IMDB ett m på cirka 25 000 röster. Ett lokalt kafé på Google är inte i samma liga som filmen Avatar, så dess m är mycket lägre. Praktiker uppskattar att för Googles lokala listor ligger m vanligtvis mellan 5 och 50, beroende på företagskategori och marknad.

Kategorimedelvärdet, C, är den mest förbisedda variabeln här. Det är inte ett enda globalt nummer. Google räknar nästan säkert ut C i farten för varje kategori och stad, och kanske till och med för varje sökfråga. En tandläkare i Chicago mäts mot andra tandläkare i Chicago, inte mot pizzerior på landsbygden i Texas. Din poängs golv är därför specifikt för din kategori.

Varför den viktade stjärnbetygsformeln är viktig för din SEO

Den verkliga konsekvensen är att dina första 50 recensioner är mycket viktigare än recensioner 51 till 150. Alla recensioner du får under trovärdighetströskeln m skapar en stor förändring i koefficienten (v/(v+m)). Att flytta från v=5 till v=10 fördubblar din konfidensvikt. Att flytta från v=150 till v=155 skapar en förändring som är svår att ens mäta.

Denna matematik förklarar ett märkligt mönster som SEO-experter ser hela tiden: ett företag växer från 3 recensioner till 30 och ser sitt visade betyg falla från 5,0 till 4,6, även om alla nya recensioner var bra. Beräkningen är korrekt. Den tidiga 5,0-poängen var en Bayesiansk illusion. 4,6 är den första verkliga uppskattningen av kvalitet.

Låt oss gå igenom två exempel. Vi kommer att använda ett realistiskt kategorimedelvärde på C = 4,1 och en minimitröskel på m = 50. Dessa är rimliga uppskattningar för en tjänstekategori med måttlig konkurrens, som VVS, tandvård eller bilservice. Du kan ersätta dina egna siffror för att modellera din situation.

Företag A har en perfekt råpoäng; varje kund lämnade 5 stjärnor. Men med bara 3 recensioner ger formeln dess egna data endast en 5,7% vikt. De övriga 94,3% av dess visade poäng härleds från kategorimedelvärdet på 4,1. Resultatet är 4,15, inte de 5,0 det verkar ha förtjänat.

Företag B har ett lägre rått genomsnitt på 4,6, med några 3- och 4-stjärniga recensioner. Men dess 120 recensioner innebär att formeln ger dess egna data en 70,6% vikt. Dess visade poäng på 4,45 är mycket närmare dess faktiska prestanda. Googles algoritm kommer att ranka det över Företag A. Volym ger dig trovärdighet. Trovärdighet ger dig rankning.

Diagrammet nedan använder formeln för sex olika scenarier, med C = 4,1 och m = 50. Kolumnen 'Delta' visar hur långt det Bayesianska betyget är från det enkla genomsnittet. Ser du hur den klyftan minskar när antalet recensioner ökar? Det är priorns inflytande som avtar när mer bevis kommer in.

Den mest talande raden är den sista. Ett företag med bara 5 recensioner och ett dystert rått genomsnitt på 2,0 visar fortfarande en poäng på 3,85. Det dras upp nästan två hela stjärnor av kategorimedelvärdet. Detta är avsiktligt. Systemet kommer inte att förstöra ett företag baserat på endast fem datapunkter. Det garderar sig mot genomsnittet tills urvalsstorleken är tillräckligt stor för att kunna lita på.

Denna dämpande effekt för negativa avvikelser är anledningen till att recensionsbombning – en avsiktlig kampanj med falska 1-stjärniga recensioner – är mindre skadlig än den först verkar. Algoritmen bekämpar extrema resultat om antalet recensioner är för lågt för att stödja dem. Dessutom är Googles system byggda för att upptäcka och flagga snabba recensionskampanjer av alla slag, positiva eller negativa, vilket bryter mot plattformens policy.

Den Bayesianska formeln utgör grunden, men Googles verkliga system har minst tre ytterligare komponenter: aktualitetsförfall, bidragsgivares förtroende och dämpning för plötsliga hastighetstoppar. Google har inte bekräftat dessa. De är alla härledda från att observera systembeteende och analysera patent.

Den grundläggande Bayesianska formeln är utgångspunkten. De andra lagren gör det slutliga resultatet svårare att manipulera och mer exakt i nuet. Målet är alltid detsamma: att visa ett betyg som återspeglar vad en kund kan förvänta sig om de besöker idag.

Aktualitetsviktning: varför de senaste 90 dagarna dominerar

Google tillämpar en tidsförfallfaktor på recensioner, vilket värderar ny feedback mer än gammal feedback. Detta fungerar som en exponentiell förfallsfunktion: en recensions kraft avtar över tid istället för att falla brant vid ett specifikt datum.^[1]

Analys av Googles betygssystem av SEO-communityn visar att recensioner som är äldre än 12–18 månader har cirka 30–50% mindre inverkan än en recension från förra veckan. En 5-stjärnig recension från tre år sedan räknas fortfarande, men den räknas för mindre. Detta innebär att ett företag som fick 80 recensioner 2022 men inga sedan dess arbetar med en avtagande 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

Bidragsgivares förtroende: varför en recension från en lokal guide på nivå 7 räknas mer

Googles förtroendesystem för recensenter kan härledas från dess patent och från att observera hur betyg förändras. Patent US8818995B1 beskriver ett sökrankningssystem som viktar input baserat på källans förtroendenivå. För recensioner innebär detta att en lokal guide på nivå 7 med en historia av hundratals detaljerade recensioner är en källa med högt förtroende.^[2]

Den verkliga effekten är att en 5-stjärnig recension från en lokal guide på nivå 7 förmodligen har större vikt än en 5-stjärnig recension från ett nytt konto utan historik. Detta handlar inte om stjärnvärdet i sig; båda är en '5' i beräkningen. Men vikten som tillämpas på var och en före genomsnittet är annorlunda. Google har aldrig angett hur stor denna skillnad är.

Anomalidämpning: vad händer om 40 recensioner dyker upp på en vecka

Toppar i hastighet utlöser ett separat detektionssystem. Om ett företag som normalt får 2-3 recensioner i månaden plötsligt får 40 på 72 timmar, flaggar Googles system mönstret. Detta leder inte till automatisk borttagning utan till en karantän. De nya recensionerna visas inte i det offentliga antalet eller betyget medan systemet undersöker.^[3]

Denna mekanism är anledningen till att företag som köper recensioner ofta inte ser någon förändring, eller till och med ser sina betyg falla när gamla, verkliga recensioner förblir synliga medan de nya falska hålls i limbo. Denna praxis bryter mot Googles policyer och är olaglig i USA enligt FTC-regler. Algoritmen är byggd för att misstro plötsliga förändringar som inte matchar ett företags etablerade mönster.

Här är två scenarier modellerade på verkliga fall. De är inte fiktioner; dessa mönster dyker upp om och om igen i rapporter från yrkesverksamma inom rykteshantering.

Tandläkarexemplet visar den huvudsakliga lärdomen av Bayesiansk betygsättning: ett lägre rått genomsnitt med hög konfidens är bättre än ett högt rått genomsnitt med låg konfidens. Det visade betyget sjönk (från en teoretisk 4,9 till en synlig 4,58), men dess sökrankning gick upp eftersom konfidensvikten nu var solid.

Restaurangtoppexemplet visar varför en naturlig takt är viktig. Googles system är utformade för att upptäcka onaturlig hastighet. Fyrtio recensioner på en vecka, sedan två månader utan recensioner, ser inte bara misstänkt ut. Det dämpade effektiva antalet innebär att du betalade för ingenting. Matematiken straffar detta två gånger: anomalidetektion sänker det synliga antalet, och aktualitetsförfall innebär att toppens recensioner börjar avta nästan omedelbart.

Bayesiansk medelvärdesberäkning är inte den enda sunda statistiska metoden. Evan Millers artikel från 2009 'How Not to Sort by Average Rating' gjorde en annan metod känd: den nedre gränsen för ett Wilson-poängkonfidensintervall. Reddit använder den för att ranka kommentarer. Yelp använder en version av den.

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-poängen besvarar en annan fråga än ett Bayesianskt genomsnitt. Istället för att fråga, 'Hur ska jag blanda mina data med en prior?', frågar den, 'Med tanke på mina nuvarande betyg, vad är den lägsta min sanna kvalitet kan vara med 95% konfidens?' Detta ger en konservativ poäng som straffar osäkerhet ännu hårdare än Bayesiansk medelvärdesberäkning vid mycket låga recensionsantal.

En tredje metod, Dirichlet-Multinomial-modellen, behandlar var och en av de fem stjärnvärdena som en separat hink, inte en enda kontinuerlig linje. District Data Labs har dokumenterat detta för flerstjärniga system. Den är mer matematiskt rigorös än IMDB-formeln (som behandlar stjärnor som linjära), men den är också svårare att beräkna. I praktiken är skillnaden mellan ett Bayesianskt genomsnitt och en Dirichlet-modell liten när du har mer än cirka 30 recensioner.

När du förstår matematiken blir det vaga rådet att 'samla in fler recensioner' en mätbar plan. Varje företag befinner sig någonstans på v/(v+m)-kurvan. Att känna till din position talar om hur mycket din nästa recension faktiskt kommer att ändra din poäng.

Om v = 8 och m = 50, flyttar en ny 5-stjärnig recension din konfidensvikt från 8/58 (0,138) till 9/59 (0,153). Det är ett betydande hopp på 1,5 procentenheter. Om v = 300 och m = 50, flyttar samma recension dig från 300/350 (0,857) till 301/351 (0,858), en nästan osynlig förändring. Volym i början har tio gånger den matematiska kraften jämfört med volym i stor skala.

Hur du beräknar ett viktat genomsnittligt stjärnbetyg för ditt eget företag

Du kan köra denna formel i ett kalkylblad. Använd ditt nuvarande antal recensioner för v. För att uppskatta m för din kategori, titta på antalet recensioner för de tre bästa företagen i din Google Maps-kategori; den 25:e percentilen av den gruppen är en bra gissning för m. Ditt nuvarande visade betyg är sannolikt WR-resultatet; ditt enkla genomsnitt är summan av stjärnor dividerat med antalet.

Det nummer du verkligen bryr dig om är effekten av de nästkommande N recensionerna. Modellera det. Lägg till 10 till v, beräkna WR igen och se hur mycket det förändras. Gör detta för en rad v-värden för att kartlägga en känslighetskurva. Den brantaste delen av den kurvan är där en ny recension har störst inverkan; det är där du bör fokusera dina ansträngningar.

Varför aktualitet gör recensionshastigheten viktigare än det totala antalet

När du väl förstår aktualitetsförfallet ändras ditt mål. Det handlar inte bara om det totala antalet recensioner, utan om hur det antalet är fördelat över tiden. Ett företag med 400 recensioner från fem år sedan men inget under de senaste 18 månaderna arbetar med ett mindre effektivt urval än vad dess totala antal antyder. De förfallna recensionerna bidrar mindre till det viktade genomsnittet.

Ett stadigt flöde av recensioner, även ett litet, förstärker sina fördelar på sätt som en enskild explosion inte kan. Att samla in åtta nya recensioner varje månad under ett år leder till ett mer stabilt, högre rankat resultat än att samla in 96 recensioner under en enda månad på nästan alla mått: Bayesianskt förtroende, undvikande av anomalidetektion, aktualitetsförfallets bana och hur trovärdig du ser ut för kunderna.