平台评分系统设计

问题一：Rating Inflation（评分通胀）

• 随时间推移，marketplace 评分中位数持续上升（oDesk、Uber 等均存在此现象）。
• 两个驱动因素：
  • 互惠性：给对方好评几乎无成本，大多数人不愿做"坏人"。
  • 规范漂移：随着市场平均分上升，"4 星"从"还不错"变成"很差"，评分标尺失去区分度。
• 对策——重新定义评分含义：
  • 将最高档从"优秀"改为"超出预期"。
  • 引入比较式提问："这次体验相比你之前给出过高分的体验如何？"——用户更容易说"好但没超过那次"而非直接给低分。

问题二：简单平均的分配性不公平

• 简单平均对成熟者有利、对新进入者极其不利。
• 一家有一万条评价的 Yelp 餐厅，下一条评价几乎不影响其评分。但一个新卖家如果第一条评价是负面，eBay 研究显示其即时预期收入下降约 8%，且显著增加退出平台的概率。
• 对策——引入 prior（先验信念）：
  • 不直接用平均分，而是将新用户的评分与一个先验信念做加权平均。
  • 如果新用户收到一条差评，先验信念会把评分向上拉，给其继续获客的机会，而非直接被埋没。

问题三：The Sound of Silence（沉默的信息）

• 不留评价本身包含大量信息。eBay 研究（Steve Tadelis 等）提出"effective percent positive"：不只用已留评分计算好评率，而是把"未留评价"也纳入分母——这比传统好评率更能预测卖家后续表现。
• Airbnb 的 double-blind review（双盲评价：双方提交前看不到对方评价）意外提升了评价提交率——"某人给你留了评价，想看就也留一条"的机制让更多沉默信息被表达出来。