Ulasan dan peringkat produk memainkan peran penting dalam pengambilan keputusan konsumen. Pembeli online mencari produk dengan peringkat tertinggi. Mereka sering membaca review yang memberikan detail di balik rating. Dalam konteks pencarian dan penemuan, bisnis menganggap ulasan produk sama relevannya dengan deskripsi produk. Keduanya relevan untuk mencocokkan kueri pengguna Show
Fitur peringkat khusus Algolia memungkinkan Anda menggunakan sinyal bisnis seperti jumlah penjualan dan margin keuntungan. Anda juga dapat menggunakan peringkat untuk memengaruhi peringkat. Misalnya, saat pengguna mengetik kueri yang luas seperti "headphone", peringkat khusus berdasarkan peringkat memastikan bahwa earbud dengan peringkat tertinggi muncul lebih dulu. Meskipun tutorial ini berfokus pada peringkat bintang, solusi ini dapat bekerja dengan sistem penilaian produk apa pun. Misalnya, Anda dapat menghitung rata-rata Bayesian untuk jumlah suara naik dan turun, atau skor berdasarkan jumlah penjualan atau penayangan Bagian pertama dalam panduan ini menjelaskan tantangan dengan peringkat bintang dan bagaimana rata-rata Bayesian menjadi metode pilihan untuk menentukan peringkat berdasarkan peringkat bintang. Jika Anda suka, Anda bisa Kesulitan menghitung peringkat yang andalMembuat strategi pemeringkatan yang bermakna berdasarkan peringkat dapat menjadi tantangan. Apakah hanya satu peringkat yang cukup? Contoh yang bagus adalah kueri “singa” di situs streaming film. Haruskah film "The Lion King" mendapat peringkat di atas film berperingkat lebih tinggi tetapi kurang dikenal seperti "The Lion in Winter"? . 5 bintang tetapi "Singa di Musim Dingin" memiliki rata-rata lebih tinggi dari 4. 8. Jika 4. 5 peringkat rata-rata berasal dari 10.000 peringkat dan 4. 8 rating rata-rata dari 100 rating, film mana yang harus tayang lebih dulu? Tantangan dengan sistem peringkat apa pun—baik untuk tas tangan, elektronik, atau film—adalah bahwa jumlah peringkat sama pentingnya dengan peringkat itu sendiri. Secara intuitif, semakin banyak peringkat yang diterima, semakin besar kepercayaan Anda terhadap peringkat tersebut. Tetapi sekali lagi, berapa banyak peringkat yang Anda butuhkan untuk yakin bahwa peringkat itu bermakna? Membandingkan peringkat peringkat yang berbedaPertimbangkan dua cara untuk memberi peringkat peringkat bintang
Seperti yang sudah disarankan, mengabaikan jumlah peringkat tidak membantu membedakan antara item dengan 10 peringkat dan 1000 peringkat. Anda setidaknya perlu menghitung rata-rata yang mencakup jumlah peringkat Gambar berikut menunjukkan tiga item yang diberi peringkat berdasarkan rata-rata yang berbeda. Sisi kiri menggunakan rata-rata aritmatika untuk peringkat. Sisi kanan menggunakan rata-rata Bayesian Kedua belah pihak menampilkan rata-rata aritmatika dalam tanda kurung tepat di sebelah kanan bintang. Mereka juga menampilkan rata-rata yang digunakan untuk peringkat sebagai { "name": "Item A", "avg_stars_rating": 5, "bayes_average": 0, "ratings_count": 10, }, { "name": "Item B", "avg_stars_rating": 4.8, "bayes_average": 0, "ratings_count": 100, }, { "name": "Item C", "avg_stars_rating": 4.6, "bayes_average": 0, "ratings_count": 1000, },4 dan { "name": "Item A", "avg_stars_rating": 5, "bayes_average": 0, "ratings_count": 10, }, { "name": "Item B", "avg_stars_rating": 4.8, "bayes_average": 0, "ratings_count": 100, }, { "name": "Item C", "avg_stars_rating": 4.6, "bayes_average": 0, "ratings_count": 1000, },5 masing-masing, di bawah setiap item Dengan menempatkan Item A di atas, peringkat sisi kiri menyesatkan dan tidak memuaskan. Peringkat di sebelah kanan, berdasarkan rata-rata Bayesian, mencerminkan keseimbangan peringkat dan kuantitas peringkat yang lebih baik. Contoh ini menunjukkan bagaimana rata-rata Bayesian menurunkan rata-rata item A menjadi 4. 3 karena mengukur 10 peringkat A terhadap peringkat B dan C yang jauh lebih besar. Seperti yang dijelaskan nanti, rata-rata Bayesian meninggalkan Item B dan C tidak berubah karena rata-rata Bayesian memengaruhi item dengan jumlah peringkat rendah jauh lebih banyak daripada yang memiliki peringkat lebih banyak. Singkatnya, dengan merelatifkan peringkat dengan cara ini, rata-rata Bayesian menciptakan perbandingan antar produk yang lebih andal. Ini memastikan bahwa produk dengan jumlah peringkat lebih rendah memiliki bobot lebih sedikit dalam peringkat. Berikut ini adalah deskripsi rata-rata Bayesian dan cara mengkodekannya Memahami rata-rata BayesianRata-rata Bayesian menyesuaikan peringkat rata-rata produk yang jumlah peringkatnya berada di bawah ambang batas. Misalkan jumlah ambang dihitung menjadi 100. Itu berarti peringkat rata-rata dengan kurang dari 100 peringkat disesuaikan, sedangkan peringkat rata-rata dengan lebih dari 100 peringkat hanya berubah sedikit. Jumlah ambang 100 ini disebut angka kepercayaan, karena memberi Anda keyakinan bahwa rata-rata dengan peringkat 100 atau lebih lebih dapat diandalkan daripada rata-rata dengan peringkat kurang dari 100 Angka kepercayaan ini berasal dari distribusi jumlah peringkat katalog dan peringkat rata-rata semua produk. Dengan memperhitungkan jumlah peringkat dan rata-rata dari seluruh katalog, rata-rata Bayesian memiliki efek berikut pada peringkat rata-rata individual item
Cara menghitung rata-rata BayesianRata-rata Bayesian menggunakan dua konstanta untuk mengimbangi rata-rata aritmatika produk individual
Perhitungan untuk { "name": "Item A", "avg_stars_rating": 5, "bayes_average": 0, "ratings_count": 10, }, { "name": "Item B", "avg_stars_rating": 4.8, "bayes_average": 0, "ratings_count": 100, }, { "name": "Item C", "avg_stars_rating": 4.6, "bayes_average": 0, "ratings_count": 1000, },_6 adalah rata-rata aritmetika langsung untuk semua produk. jumlah semua peringkat dibagi dengan hitungan kuantitas peringkat Menghitung { "name": "Item A", "avg_stars_rating": 5, "bayes_average": 0, "ratings_count": 10, }, { "name": "Item B", "avg_stars_rating": 4.8, "bayes_average": 0, "ratings_count": 100, }, { "name": "Item C", "avg_stars_rating": 4.6, "bayes_average": 0, "ratings_count": 1000, },_7 membutuhkan lebih banyak matematika. Tutorial ini menghitung { "name": "Item A", "avg_stars_rating": 5, "bayes_average": 0, "ratings_count": 10, }, { "name": "Item B", "avg_stars_rating": 4.8, "bayes_average": 0, "ratings_count": 100, }, { "name": "Item C", "avg_stars_rating": 4.6, "bayes_average": 0, "ratings_count": 1000, },_7 berdasarkan distribusi jumlah peringkat untuk setiap produk, di mana { "name": "Item A", "avg_stars_rating": 5, "bayes_average": 0, "ratings_count": 10, }, { "name": "Item B", "avg_stars_rating": 4.8, "bayes_average": 0, "ratings_count": 100, }, { "name": "Item C", "avg_stars_rating": 4.6, "bayes_average": 0, "ratings_count": 1000, },7 sama dengan persentil 25% (= kuartil bawah). Misalnya, sebuah toko memiliki 100 produk. Untuk menghitung { "name": "Item A", "avg_stars_rating": 5, "bayes_average": 0, "ratings_count": 10, }, { "name": "Item B", "avg_stars_rating": 4.8, "bayes_average": 0, "ratings_count": 100, }, { "name": "Item C", "avg_stars_rating": 4.6, "bayes_average": 0, "ratings_count": 1000, },_7, Anda mengambil semua produk dan mengurutkannya berdasarkan jumlah peringkat yang dimiliki masing-masing produk. Beberapa memiliki 10 peringkat dan yang lain memiliki peringkat 100 atau 1000. Setelah diurutkan, Anda menemukan produk pada posisi 25% pada daftar yang diurutkan dan melihat berapa peringkat yang dimilikinya. Ini adalah kuartil bawah untuk { "name": "Item A", "avg_stars_rating": 5, "bayes_average": 0, "ratings_count": 10, }, { "name": "Item B", "avg_stars_rating": 4.8, "bayes_average": 0, "ratings_count": 100, }, { "name": "Item C", "avg_stars_rating": 4.6, "bayes_average": 0, "ratings_count": 1000, },7. Untuk kesederhanaan, panduan ini menetapkan
|