Cum calculează Google ratingul tău cu stele (Nu este o medie simplă)

Matematica bayesiană din spatele recenziilor ponderate, a decăderii recente și de ce ratingul afișat diferă aproape sigur de media ta aritmetică — explicat cu formule reale și calcule practice.

Iată ceva ce majoritatea proprietarilor de afaceri descoperă pe calea cea grea: poți colecta douăzeci de recenzii consecutive de cinci stele și să observi cum ratingul tău afișat abia se mișcă. Sau mai rău — petreci șase luni îmbunătățindu-ți serviciile, ajungi în sfârșit la 50 de recenzii și realizezi că media ta de 4.8 s-a stabilit cumva la 4.3 pe Google Maps. Matematica nu este defectă. Funcționează exact așa cum a fost concepută. Doar că nu ți s-a spus care a fost concepția.

Google nu și-a publicat niciodată algoritmul de rating. Dar între formula bayesiană documentată public de IMDB, documentația de rating a Algolia, cercetările academice privind sistemele de recenzii și anii de inginerie inversă a schimbărilor vizibile de rating de către practicieni, mecanismele sunt bine înțelese. Acest articol prezintă matematica — corect, cu numere reale.

Să începem cu ce este o medie naivă și de ce eșuează. Media aritmetică a unui set de ratinguri este pur și simplu suma împărțită la număr. Trei recenzii de 5, 4 și 5 dau (5+4+5)/3 = 4.67. Acest lucru este corect matematic. Este, de asemenea, înșelător din punct de vedere statistic atunci când scopul este de a clasifica mii de afaceri una împotriva celeilalte.

Modurile de eșec se agravează rapid la scară. Un restaurant deschis săptămâna trecută cu trei recenzii de la prieteni entuziaști va obține un scor mai mare decât un concurent consacrat cu 200 de recenzii cu o medie de 4.4 — chiar dacă locul consacrat reprezintă un semnal dramatic mai fiabil. Orice sistem de clasificare care permite acest lucru va fi manipulat până la irelevanță în câteva luni.

Cum funcționează calculul ratingului cu stele Google în practică

Gândește-te la ratingul bayesian ca la o medie ponderată în funcție de încredere. Atunci când ai foarte puține recenzii, sistemul nu are suficientă încredere în eșantionul tău pentru a-l afișa la valoarea nominală. În schimb, îmbină media ta brută cu un prior — o așteptare implicită bazată pe toate afacerile similare. Cu cât acumulezi mai multe recenzii, cu atât sistemul are mai multă încredere în propriile tale date și cu atât priorul contează mai puțin.

IMDB folosește exact această abordare pentru lista lor Top 250 și a documentat public formula: WR = (v/(v+m)) × R + (m/(v+m)) × C. Variabilele sunt elegant de simple, dar implicațiile comportamentale necesită un moment pentru a fi pe deplin absorbite. Aceeași structură matematică apare în documentația de clasificare a Algolia, în literatura academică despre sistemele de recenzii și în munca de inginerie inversă realizată de practicienii SEO care studiază clasificarea locală a Google.

Formula WR = (v/(v+m)) × R + (m/(v+m)) × C este o combinație ponderată a două cantități: propria medie observată a afacerii tale (R) și media la nivel de categorie (C). Ponderile sunt determinate de câte recenzii ai (v) în raport cu un prag minim de credibilitate (m).

Observă că (v/(v+m)) + (m/(v+m)) este întotdeauna egal cu 1.0. Aceste două ponderi însumează 100% — interpolezi întotdeauna între propriile tale date și prior. Singura întrebare este cât din fiecare. Când v este foarte mic în raport cu m, priorul domină. Când v este mare în raport cu m, propriile tale recenzii domină.

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

Pragul m este parametrul care codifică cerințele de încredere ale platformei. IMDB setează m la aproximativ 25.000 de voturi pentru calculul lor Top 250. O cafenea de cartier pe Google nu concurează în același univers statistic cu Avatar, deci m este setat mult mai jos — practicienii estimează în general m în intervalul 5 până la 50 pentru listările locale Google, variind în funcție de categorie și piața geografică.

Media categoriei C este variabila cea mai subestimată. Nu este o constantă globală fixă. Google aproape sigur calculează C dinamic — pe categorie, pe oraș, poate pe context de căutare. Un dentist din San Francisco este comparat cu alți dentiști din San Francisco, nu cu restaurante din Montana rurală. Aceasta înseamnă că pragul tău bayesian este specific categoriei.

De ce formula ponderată a ratingului cu stele contează pentru SEO-ul tău

Implicația practică este că obținerea primelor 50 de recenzii contează disproporționat mai mult decât obținerea recenziilor 51 până la 150. Fiecare recenzie sub pragul de credibilitate m are un impact disproporționat, deoarece modifică semnificativ coeficientul (v/(v+m)). Trecerea de la v=5 la v=10 dublează ponderea ta de încredere. Trecerea de la v=150 la v=155 este abia măsurabilă.

Acest lucru explică un model contraintuitiv pe care practicienii îl observă în mod repetat: o afacere trece de la 3 recenzii la 30 de recenzii și vede ratingul afișat scăzând de la 5.0 la 4.6 — chiar și atunci când noile recenzii sunt, de asemenea, pozitive. Matematica este corectă. Ratingul de 5.0 inițial a fost o ficțiune bayesiană. Ratingul de 4.6 este prima estimare onestă.

Două exemple practice, folosind o medie realistă a categoriei de C = 4.1 și un prag minim de m = 50. Acestea sunt estimări plauzibile pentru o categorie de servicii locale moderat competitivă (instalatori, dentiști, ateliere auto). Introduceți valori diferite pentru a modela propria categorie.

Afacerea A are un scor brut perfect — fiecare recenzent a dat 5 stele. Dar cu doar 3 recenzii, formula are încredere în propriile sale date doar în proporție de 5.7%. Restul de 94.3% din scorul său afișat provine din media categoriei de 4.1. Rezultat: 4.15. Nu 5.0 pe care pare să-l merite.

Afacerea B are o medie brută mai mică, de 4.6 — unii recenzori au dat 3 sau 4 stele. Dar 120 de recenzii înseamnă că formula are încredere în propriile sale date în proporție de 70.6%. Scorul său afișat de 4.45 este mult mai aproape de realitate și va fi clasat mai sus de algoritmul Google decât nominalul 5.0 al Afacerii A. Volumul câștigă credibilitate. Credibilitatea câștigă vizibilitate.

Tabelul de mai jos aplică formula în șase scenarii cu C = 4.1 și m = 50. Coloana Delta arată cât de mult diferă scorul Bayesian de media naivă. Observați cum se reduce decalajul pe măsură ce numărul de recenzii crește — asta înseamnă că priorul își pierde influența pe măsură ce se acumulează dovezi.

Cel mai interesant rând este ultimul: o afacere cu doar 5 recenzii, dar o medie brută teribilă de 2.0, afișează de fapt 3.85 — trasă în sus cu aproape două stele întregi de media categoriei. Acest lucru este intenționat. Sistemul refuză să condamne o afacere la uitare pe baza a cinci puncte de date. Se orientează spre medie până când eșantionul este suficient de mare pentru a justifica încrederea.

Acest efect de amortizare asupra anomaliilor negative este motivul pentru care „review bombing” — o campanie coordonată de recenzii negative false — este mai puțin catastrofal decât pare la suprafață. Algoritmul rezistă rezultatelor extreme atunci când numărul de recenzii este insuficient pentru a le justifica. Acestea fiind spuse, sistemele de detectare a anomaliilor Google semnalează, de asemenea, campaniile de recenzii cu viteză rapidă în ambele direcții.

Formula bayesiană explică linia de bază, dar sistemul real al Google adaugă cel puțin încă trei straturi: decăderea recenței, scorarea încrederii contribuitorilor și amortizarea anomaliilor pentru vârfurile de viteză. Niciunul dintre acestea nu este confirmat oficial. Toate sunt inferate din dovezi comportamentale și analiza brevetelor.

Gândește-te la formula bayesiană de bază ca la fundație. Tot ce este construit deasupra ei face semnalul mai rezistent la manipulare și mai precis temporal. Scopul este întotdeauna același: ca ratingul afișat să reflecte ceea ce un client ar experimenta cu adevărat dacă ar intra astăzi.

Ponderarea recenței — de ce ultimele 90 de zile domină

Google aplică o decădere temporală recenziilor, acordând o pondere mai mare feedback-ului recent decât intrărilor mai vechi. Mecanismul este consistent cu o funcție de decădere exponențială, unde influența unei recenzii scade în timp, mai degrabă decât să scadă la zero la o dată limită fixă.^[1]

Analiza comunității privind comportamentul ratingurilor Google constată în mod constant că recenziile postate acum mai mult de 12–18 luni au o influență cu aproximativ 30–50% mai mică decât o recenzie postată săptămâna trecută. O recenzie de 5 stele de acum trei ani este încă numărată — doar că este numărată mai puțin. Aceasta înseamnă că o afacere care a colectat 80 de recenzii în 2022 și nu a mai primit niciuna de atunci, operează pe un semnal împrumutat.

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

Încrederea contribuitorului — de ce o recenzie de la un Ghid Local de Nivel 7 are un impact mai mare

Ierarhia de încredere a Google pentru recenzori este inferată din portofoliul său de brevete și din comportamentul observabil. Brevetul US8818995B1 descrie un sistem de clasificare a căutărilor care ponderază contribuțiile în funcție de nivelul de încredere al entității care le realizează. Aplicat recenziilor: un Ghid Local de Nivel 7 cu sute de recenzii detaliate în multiple categorii de afaceri este înregistrat ca un nod de încredere ridicată.^[2]

Efectul practic: o recenzie de 5 stele de la un Ghid Local de Nivel 7 este probabil ponderată mai puternic decât o recenzie de 5 stele de la un cont creat ieri, fără istoric de recenzii. Nu este vorba despre valoarea stelelor — ambele contează ca 5 în numărător. Dar ponderea aplicată fiecăreia înainte de mediere diferă. Google nu a cuantificat niciodată public acest diferențial.

Amortizarea anomaliilor — ce se întâmplă când sosesc 40 de recenzii într-o săptămână

Vârfurile de viteză declanșează un strat separat de detectare. Dacă o afacere primește 40 de recenzii în 72 de ore, când linia sa de bază este de 2–3 pe lună, sistemele Google semnalează acest tipar. Rezultatul nu este ștergerea automată — este carantina. Noile recenzii încetează să apară în numărul și ratingul afișat în timp ce sistemul investighează.^[3]

Acest mecanism explică de ce afacerile care cumpără campanii de recenzii în masă adesea nu observă nicio îmbunătățire vizibilă — sau temporar văd ratingurile profilului lor scăzând, deoarece recenziile autentice mai vechi rămân vizibile, dar noul lot stă în limbo-ul recenziilor. Algoritmul este reglat specific pentru a nu avea încredere în inflecțiile bruște de volum care deviază de la liniile de bază stabilite.

Două scenarii în stil real pentru a ilustra cum se comportă formula în timp. Niciunul nu este fictiv — aceste modele apar în mod repetat în studiile de caz ale practicienilor de gestionare a reputației.

Scenariul dentistului demonstrează ideea centrală a ratingului bayesian: o medie brută mai mică, cu încredere ridicată, este mai bună decât o medie brută mai mare, cu încredere scăzută. Scorul afișat a scăzut (de la un nominal de 4.9 la un afișat de 4.58), dar poziția în clasament s-a îmbunătățit, deoarece ponderea de încredere este acum reală.

Scenariul cu vârful de recenzii al restaurantului ilustrează de ce cadența organică contează. Sistemele Google sunt calibrate pentru a detecta viteza nenaturală. Patruzeci de recenzii într-o săptămână, urmate de două luni de liniște, nu doar par suspecte — numărul efectiv amortizat înseamnă că ați cheltuit bani și nu ați câștigat aproape nimic. Matematica o pedepsește de două ori: detectarea anomaliilor reduce numărul vizibil, iar decăderea recenței înseamnă că recenziile din perioada de vârf încep să se estompeze imediat.

Media bayesiană nu este singura abordare statistică solidă. Eseul lui Evan Miller din 2009 „How Not to Sort by Average Rating” a popularizat o metodă diferită: limita inferioară a intervalului de încredere al scorului Wilson. Reddit a adoptat-o pentru clasificarea comentariilor. Yelp folosește o variație a acesteia.

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

Scorul Wilson pune o întrebare diferită față de media bayesiană. În loc de „amestecă datele mele cu un prior”, întreabă: „având în vedere ratingurile pe care le am, care este cel mai rău nivel de calitate reală probabil la o încredere de 95%?” Aceasta produce o estimare conservatoare care pedepsește incertitudinea chiar mai agresiv decât media bayesiană pentru un număr foarte mic de recenzii.

O a treia abordare — modelul Dirichlet-Multinomial — tratează toate cele cinci valori de stele ca categorii separate, mai degrabă decât ca un singur scor continuu. District Data Labs a documentat această abordare pentru sistemele cu mai multe stele. Este matematic mai corectă decât formula IMDB (care tratează implicit stelele ca o scară liniară), dar mai grea din punct de vedere computațional. În scopuri practice, diferența comportamentală dintre media bayesiană și un model Dirichlet devine neglijabilă peste aproximativ 30 de recenzii.

Înțelegerea matematicii transformă sfatul abstract („obține mai multe recenzii”) într-o strategie cuantificată. Fiecare afacere există undeva pe spectrul v/(v+m). Știind unde te afli îți spune cât de mult îți mișcă următoarea recenzie acul.

Dacă v = 8 și m = 50, o singură recenzie nouă de 5 stele îți mută ponderea de încredere de la 8/58 = 0.138 la 9/59 = 0.153. Acea schimbare de 1.5 puncte procentuale este semnificativă. Dacă v = 300 și m = 50, aceeași recenzie te mută de la 300/350 = 0.857 la 301/351 = 0.858 — abia detectabil. Volumul în fereastra timpurie are un impact matematic de zece ori mai mare decât volumul la scară.

Cum să calculezi media ponderată a ratingului cu stele pentru propria afacere

Poți rula singur formula într-un tabel. Ia numărul tău actual de recenzii ca v. Estimează m-ul categoriei tale uitându-te la ce număr de recenzii mențin primele 3 afaceri din categoria ta Google Maps — percentila 25 a acelei distribuții este o estimare rezonabilă pentru m. Ratingul tău afișat curent este probabil deja rezultatul WR; media ta naivă este suma simplă împărțită la număr în backend-ul tău.

Calculul care te interesează este impactul marginal al următoarelor N recenzii. Modelează-l: crește v cu 10, recalculează WR, observă delta. Fă acest lucru pe o gamă de valori v pentru a construi o curbă de sensibilitate. Partea cea mai abruptă a acelei curbe — unde fiecare recenzie suplimentară produce cea mai mare îmbunătățire a WR — este locul unde ar trebui să-ți concentrezi efortul de achiziție de recenzii.

De ce recența înseamnă că viteza recenziilor este mai importantă decât numărul total

Odată ce înțelegi decăderea recenței, ținta de optimizare se schimbă. Nu este vorba doar despre volumul total — este vorba despre volumul distribuit în timp. O afacere cu 400 de recenzii colectate pe parcursul a cinci ani și nimic în ultimele 18 luni operează efectiv pe un eșantion efectiv mai mic decât sugerează numerele. Recenziile decăzute contribuie mai puțin la media ponderată curentă.

Generarea constantă de recenzii — chiar și la rate modeste — se compune în timp în moduri pe care achiziția în rafală nu le face niciodată. Opt recenzii noi pe lună timp de douăsprezece luni depășește 96 de recenzii într-o singură lună prin aproape fiecare metrică relevantă: încrederea bayesiană, eliminarea detectării anomaliilor, traiectoria decăderii recenței și percepția credibilității consumatorilor.