按照服務(wù)分的更新機(jī)制，服務(wù)分可以分為兩類：一類是每次服務(wù)后更新，一類是定期更新。在介紹了服務(wù)分的設(shè)計(jì)場(chǎng)景和思路之后，本文作者對(duì)服務(wù)分策略設(shè)計(jì)的具體方法展開了分析和總結(jié)，包括：歸一化、權(quán)重設(shè)計(jì)和歸因。

一、服務(wù)分分類

1. 服務(wù)后更新

服務(wù)后更新顧名思義，比如每次打車后根據(jù)用戶的評(píng)價(jià)進(jìn)行服務(wù)分的調(diào)整，滴滴就是這么做的。記不清哪里看的了（反正肯定不是兩年前看的內(nèi)部文檔），滴滴的服務(wù)分主要部分會(huì)根據(jù)好評(píng)、差評(píng)和默認(rèn)好評(píng)去打分，每次用戶打分會(huì)對(duì)應(yīng)分值的變化。

這樣的好處是可以及時(shí)更新，服務(wù)者會(huì)有及時(shí)反饋。

當(dāng)然，局限性也很明顯。乘客的好評(píng)不能完全評(píng)價(jià)司機(jī)的服務(wù)能力，比如司機(jī)接單少業(yè)績(jī)差、高峰期不愿意出門等。而如果平臺(tái)派單問(wèn)題導(dǎo)致乘客體驗(yàn)下降，差評(píng)由司機(jī)承擔(dān)也不公平。與此同時(shí)，全靠好評(píng)會(huì)造成司機(jī)索要好評(píng)的問(wèn)題，對(duì)服務(wù)質(zhì)量也有影響。

2. 定期更新

定期更新是本文的重點(diǎn)，也是上一篇文章重點(diǎn)討論的內(nèi)容。因?yàn)橛昧烁鼜?fù)雜的計(jì)算機(jī)制，可以涵蓋更多的數(shù)據(jù)，比如上一篇文章提到的，服務(wù)分的三部分構(gòu)成：?jiǎn)T工屬性、SOP執(zhí)行情況、業(yè)績(jī)結(jié)果。這里面涉及了多種策略設(shè)計(jì)的方法。

二、歸一化

員工屬性和SOP執(zhí)行情況的數(shù)據(jù)各種各樣，比如有沒有某個(gè)資格證是0和1；某個(gè)資格證分等級(jí)，則可能是（1，2，3）；電話的通話時(shí)長(zhǎng)是一個(gè)大于等于零的小數(shù)；服務(wù)次數(shù)是一個(gè)非負(fù)整數(shù)。

為了將這些不同類型的數(shù)據(jù)融合，需要進(jìn)行歸一化，這些方法我在《產(chǎn)品邏輯之美》中也寫過(guò)。

線性函數(shù)是一種簡(jiǎn)單的歸一化方式，就是直接除以數(shù)據(jù)中的最大值，讓所有值都在0~1之間，并保留原有的變化性質(zhì)。用公式表示為：

這樣的處理方法受極值的影響比較大。而且如果大部分分值比極值低很多，則低分值將沒有區(qū)分度，以閱讀量為例，如果最大閱讀量的文章的閱讀量為10萬(wàn)，而大部分文章閱讀量集中在500左右。這樣直接除以極大值處理后，大部分內(nèi)容分值都趨近于0，缺乏區(qū)分度。

這個(gè)時(shí)候就需要在使用線性函數(shù)處理前，對(duì)數(shù)值進(jìn)行對(duì)數(shù)處理，用公式表示為：

對(duì)數(shù)處理后的數(shù)據(jù)結(jié)果表示原始數(shù)據(jù)數(shù)量級(jí)的大小，在互聯(lián)網(wǎng)數(shù)據(jù)中，長(zhǎng)尾分布的案例比較多，使用對(duì)數(shù)函數(shù)轉(zhuǎn)換是一種非常有效的方法。除了對(duì)數(shù)函數(shù)，也可以根據(jù)數(shù)據(jù)的分布，使用其他函數(shù)來(lái)改變數(shù)據(jù)的分布性質(zhì)，比如多項(xiàng)式函數(shù)，這里就不再贅述。

z分?jǐn)?shù)（z-score）標(biāo)準(zhǔn)化也是常用的一種歸一化方法。在一組數(shù)據(jù)中，x為某一具體分?jǐn)?shù)，μ為平均數(shù)，σ為標(biāo)準(zhǔn)差，用公式表示為：

z代表著原始分?jǐn)?shù)和母體平均值之間的距離，以標(biāo)準(zhǔn)差為單位計(jì)算。在原始分?jǐn)?shù)低于平均值時(shí)，z則為負(fù)數(shù)，反之則為正數(shù)。當(dāng)然，z分?jǐn)?shù)標(biāo)準(zhǔn)化處理的隱含前提是數(shù)據(jù)符合正態(tài)分布，或者類似正態(tài)分布。如果數(shù)據(jù)分布和正態(tài)分布差距明顯時(shí)，用z分?jǐn)?shù)標(biāo)準(zhǔn)化則可能會(huì)有問(wèn)題。

當(dāng)然，z標(biāo)準(zhǔn)化后的數(shù)據(jù)也需要處理一下，這個(gè)就根據(jù)正態(tài)函數(shù)的性質(zhì)處理了。

比如下面的公式就可以控制在0~1之間，而這個(gè)公式的數(shù)學(xué)含義就不展開討論了，感興趣可以自己推導(dǎo)一下。

三、權(quán)重設(shè)計(jì)

當(dāng)數(shù)據(jù)歸一化之后就要進(jìn)行加權(quán)求和，加權(quán)求和的公式是很常見的，如下所示：

這里需要考慮到如何設(shè)計(jì)權(quán)重。主要有以下幾種思路。

1. 信息權(quán)重

從信息的角度，如果一個(gè)信息出現(xiàn)的概率越小，則信息量越大，一個(gè)信息越常見，則信息量越小。那么比如某個(gè)證書是否取得這個(gè)數(shù)據(jù)。取得證書的人越多，取得后的權(quán)重應(yīng)該越少。這里的權(quán)重需要設(shè)計(jì)出一個(gè)函數(shù)，函數(shù)值和比例負(fù)相關(guān)。比如最簡(jiǎn)單的線性函數(shù)如下：

2. 置信度權(quán)重

置信度提權(quán)的原理是“數(shù)據(jù)量越大，信息越靠譜”，平均值、打分等方法都有比較好的效果，比如平均時(shí)長(zhǎng)，平均評(píng)分。如下所示，N代表數(shù)據(jù)的數(shù)量，score代表原始打分。

3. 時(shí)間衰減

時(shí)間衰減降權(quán)，顧名思義，讓過(guò)去的信息權(quán)重更低，最近的信息權(quán)重更高。因?yàn)樾袨榫哂羞B續(xù)性，所以最新的行為包含了更大的信息量。下面的公式是最常見的時(shí)間衰減公式，也是物體降溫和自然衰變的公式，其中t是數(shù)據(jù)發(fā)生時(shí)間到現(xiàn)在的時(shí)間差。

4. 業(yè)務(wù)權(quán)重

當(dāng)然，不同因素之間彼此哪個(gè)更重要，的確是一個(gè)業(yè)務(wù)問(wèn)題，需要和業(yè)務(wù)方共同商定。業(yè)務(wù)方不一定需要給出具體的權(quán)重，可以給出優(yōu)先級(jí)，根據(jù)優(yōu)先級(jí)確定具體的數(shù)學(xué)規(guī)則。這里的方法不展開講了，核心是達(dá)成共識(shí)。

四、歸因

歸因本質(zhì)上是確定清楚具體的服務(wù)人員的貢獻(xiàn)。因?yàn)橐粋€(gè)服務(wù)的結(jié)果（比如是否下單）背后是多因素的，服務(wù)人員只是多個(gè)環(huán)節(jié)中的一環(huán)。

歸因是策略分析中最復(fù)雜的問(wèn)題，但是也有很多系統(tǒng)性的歸因方法。數(shù)學(xué)功底比較好的同學(xué)我推薦系統(tǒng)看下《基本有用的計(jì)量學(xué)》。那這里長(zhǎng)話短說(shuō)，我去掉復(fù)雜的數(shù)學(xué)語(yǔ)言，艱難表述下也是兩種書中提到的方法。

第一種就是回歸算法，多個(gè)因素的話，可以使用多元線性回歸和邏輯回歸，如果需要考慮時(shí)序上的區(qū)別，時(shí)間序列的算法也可以考慮。每種算法都有對(duì)應(yīng)的數(shù)學(xué)假設(shè)，在使用前要確保業(yè)務(wù)場(chǎng)景符合數(shù)學(xué)假設(shè)。

第二種就是找到一個(gè)指標(biāo)找到一個(gè)參考標(biāo)準(zhǔn)，具體服務(wù)者的數(shù)據(jù)和參考基線的數(shù)據(jù)差是對(duì)應(yīng)的貢獻(xiàn)值。比如配送員的配送準(zhǔn)時(shí)率，參考標(biāo)準(zhǔn)可以是同配送站準(zhǔn)時(shí)率的均值。每個(gè)配送員計(jì)算后，再用這個(gè)差值作為配送時(shí)效分值計(jì)算的基礎(chǔ)數(shù)據(jù)，進(jìn)行歸一化和后續(xù)的加權(quán)求和。

還有一些更復(fù)雜的衡量因果效應(yīng)的方法，還是建議去閱讀專業(yè)書籍。本文已經(jīng)有太多公式了，再加真要沒閱讀量了。

小結(jié)

關(guān)于服務(wù)分一共寫了三期文章，這是B端策略的一個(gè)重要課題，但是在整個(gè)產(chǎn)品經(jīng)理的業(yè)務(wù)范圍內(nèi)，還是一個(gè)非常窄的選題。大部分同學(xué)可能對(duì)這個(gè)選題不感興趣，但希望這些內(nèi)容可以幫助到工作中涉及到服務(wù)分和服務(wù)者績(jī)效衡量的同學(xué)。

#相關(guān)閱讀#

評(píng)分算法（1）：用戶評(píng)分

評(píng)分算法（2）：B端核心策略——服務(wù)分

#專欄作家#

潘一鳴，公眾號(hào)：產(chǎn)品邏輯之美，人人都是產(chǎn)品經(jīng)理專欄作家。畢業(yè)于清華大學(xué)，暢銷書《產(chǎn)品邏輯之美》作者；先后在多家互聯(lián)網(wǎng)公司從事產(chǎn)品經(jīng)理工作，有很多復(fù)雜系統(tǒng)的構(gòu)建實(shí)踐經(jīng)驗(yàn)。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來(lái)自 Unsplash，基于 CC0 協(xié)議