业务|谈谈评分模型( 二 ) 评分|谈谈|评价模型|商家|分值

【 业务|谈谈评分模型】我在线下跟朋友交流此问题时，鲜有人能准确选出答案，甚至到商家管理业务同学这里也栽了跟头；这个问题在未明确目标时，我们容易将销量，评价数、退货率这些指标引入评价模型。
从主观感知上来看，我们天然认为销量高的商家比销量低的商家服务质量好；评价越多的商品，店铺服务质量会越好；退货率越高的店铺，服务质量不好，从平台大盘数据看整个商家体系往往也是此趋势。
但具体到个例上看确是如此么？

销量高、评价数多的商家普遍比销量低评价数少的商家服务好，但新商家服务质量不一定比老商家差，小众品类商家服务质量不一定比大品类商家差；
退货率低的商家普遍比退货率高的商家服务质量好，但有些品类天然退货率高，如服饰鞋帽品类天然比食品零食品类退货率高。
退货也不一定是商家服务质量造成的退货，可能存在用户个人原因，故若要反应商家服务质量，也品质退货率会更准确，类似此类例子还有很多。

商家对用户提供的服务质量确实会影响销量、评价数、退货率等指标，但这是一个逆命题。
上述几个指标均是结果型指标，代表的场景是：商户对用户提供了良好的服务质量，会影响上述指标的结果。
我们的模型要探究的是哪些指标对商家服务质量结果产生了影响，而不是商家服务质量会对哪些指标产生影响；在此语境下，我们更应关注过程型指标。
但这并不代表结果型指标不可用于评分模型，结果型指标运用于评分模型中有两个天然的劣势：

滞后性，从评价主体的行为到结果的输出存在时间差；
多因素干扰，实际业务场景下，某个结果型指标往往被多因素共同影响，存在部分因素不是评分模型研究范围。

若实际业务过程中能接受滞后性，或者能排除多因素干扰，那么结果型指标同样可作用于评分模型
可度量性：这个就相对易理解了，文章开头我们定义了评分模型的概念：本质上是定性分析到定量分析的过程——这就要求选取的指标可量化。
普遍性：评分模型在完成评价主体的确定，对模型指标选择中，应尽量选择评价主体都具备的能力/特征作为考核指标，以减少统计的不公平性，避免模型计算过程中的复杂性。
2. 指标的选择——GSM模型合理的指标需要满足什么基础特征，我们现在知道了。
但就像明白了很多做人道理却依旧过不好此生，很多人会感觉指标该满足关联性、普遍性、可度量性，我知道了，但合理的指标如何选取呢，还是不知道。
这里面其实有一个逻辑定式在里面，我们说的指标满足各种特性，其实是对结果的一种验证，缺少的是对实现路径的认知。
这里我提供一个路径，供大家参考：拆分目标-归纳表现型-选取指标——GSM模型。
GSM模型：目标（Goal）→信号（Signal）→指标（Metric）是谷歌用户体验团队提出的一种指标体系搭建方法，其核心思想：通过明确目标，归纳测量主体表现型，找出关键指标。
目标确立（Goal）：
推导信号和现象（Signal）：

目标达成或未达成的表现型是怎样；
什么行为指示了目标达成/未达成；
很多时候负向信号/表现型比正向信号/表现型更容易识别；

选取指标（Metric）：

目标达成/未达成的表现通过哪些数据指标量化；
考虑每个数据指标对推导信号/现象的描述程度；

文章插图
3. 指标的正向化选择的指标从评判标准来将会存在以下几种类型：

正向指标——越大越好；
逆向指标——越小越好；
中间型指标——越趋于某个值越好；
区间型指标——越靠近某一区间；

为了便于后续计算与分析，我们通常将各类型指标转化为正向指标。
逆向指标正向化：
yi=max-xi 或 yi=1/xi
中间型指标正向化：
其中Xbest为中间最优值。
区间型指标正向化：

文章插图
4. 指标的无量纲化无量纲——听起来有点晦涩。
无量纲是物理学延伸出的概念，指在便于对物理常量进行比较、分析，不同常量（重量、长度、时间、体积、温度等）之间单位是不一样，为了消除单位的影响需要进行的去量纲化。
同理，不同指标之间由于存在量纲不同致其不具可比性，亦需将指标进行无量纲化，消除量纲影响将指标实际值转化为评价值，大家可以简单理解为去单位化。