按照服務分的更新機制，服務分可以分為兩類：一類是每次服務后更新，一類是定期更新。在介紹了服務分的設計場景和思路之后，本文作者對服務分策略設計的具體方法展開了分析和總結，包括：歸一化、權重設計和歸因。

一、服務分分類

1. 服務后更新

服務后更新顧名思義，比如每次打車后根據(jù)用戶的評價進行服務分的調(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），滴滴的服務分主要部分會根據(jù)好評、差評和默認好評去打分，每次用戶打分會對應分值的變化。

這樣的好處是可以及時更新，服務者會有及時反饋。

當然，局限性也很明顯。乘客的好評不能完全評價司機的服務能力，比如司機接單少業(yè)績差、高峰期不愿意出門等。而如果平臺派單問題導致乘客體驗下降，差評由司機承擔也不公平。與此同時，全靠好評會造成司機索要好評的問題，對服務質(zhì)量也有影響。

2. 定期更新

定期更新是本文的重點，也是上一篇文章重點討論的內(nèi)容。因為用了更復雜的計算機制，可以涵蓋更多的數(shù)據(jù)，比如上一篇文章提到的，服務分的三部分構成：員工屬性、SOP執(zhí)行情況、業(yè)績結果。這里面涉及了多種策略設計的方法。

二、歸一化

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

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

線性函數(shù)是一種簡單的歸一化方式，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，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。

這個時候就需要在使用線性函數(shù)處理前，對數(shù)值進行對數(shù)處理，用公式表示為：

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

z分數(shù)（z-score）標準化也是常用的一種歸一化方法。在一組數(shù)據(jù)中，x為某一具體分數(shù)，μ為平均數(shù)，σ為標準差，用公式表示為：

z代表著原始分數(shù)和母體平均值之間的距離，以標準差為單位計算。在原始分數(shù)低于平均值時，z則為負數(shù)，反之則為正數(shù)。當然，z分數(shù)標準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，用z分數(shù)標準化則可能會有問題。

當然，z標準化后的數(shù)據(jù)也需要處理一下，這個就根據(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，而這個公式的數(shù)學含義就不展開討論了，感興趣可以自己推導一下。

三、權重設計

當數(shù)據(jù)歸一化之后就要進行加權求和，加權求和的公式是很常見的，如下所示：

這里需要考慮到如何設計權重。主要有以下幾種思路。

1. 信息權重

從信息的角度，如果一個信息出現(xiàn)的概率越小，則信息量越大，一個信息越常見，則信息量越小。那么比如某個證書是否取得這個數(shù)據(jù)。取得證書的人越多，取得后的權重應該越少。這里的權重需要設計出一個函數(shù)，函數(shù)值和比例負相關。比如最簡單的線性函數(shù)如下：

2. 置信度權重

置信度提權的原理是“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，比如平均時長，平均評分。如下所示，N代表數(shù)據(jù)的數(shù)量，score代表原始打分。

3. 時間衰減

時間衰減降權，顧名思義，讓過去的信息權重更低，最近的信息權重更高。因為行為具有連續(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)生時間到現(xiàn)在的時間差。

4. 業(yè)務權重

當然，不同因素之間彼此哪個更重要，的確是一個業(yè)務問題，需要和業(yè)務方共同商定。業(yè)務方不一定需要給出具體的權重，可以給出優(yōu)先級，根據(jù)優(yōu)先級確定具體的數(shù)學規(guī)則。這里的方法不展開講了，核心是達成共識。

四、歸因

歸因本質(zhì)上是確定清楚具體的服務人員的貢獻。因為一個服務的結果（比如是否下單）背后是多因素的，服務人員只是多個環(huán)節(jié)中的一環(huán)。

歸因是策略分析中最復雜的問題，但是也有很多系統(tǒng)性的歸因方法。數(shù)學功底比較好的同學我推薦系統(tǒng)看下《基本有用的計量學》。那這里長話短說，我去掉復雜的數(shù)學語言，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，如果需要考慮時序上的區(qū)別，時間序列的算法也可以考慮。每種算法都有對應的數(shù)學假設，在使用前要確保業(yè)務場景符合數(shù)學假設。

第二種就是找到一個指標找到一個參考標準，具體服務者的數(shù)據(jù)和參考基線的數(shù)據(jù)差是對應的貢獻值。比如配送員的配送準時率，參考標準可以是同配送站準時率的均值。每個配送員計算后，再用這個差值作為配送時效分值計算的基礎數(shù)據(jù)，進行歸一化和后續(xù)的加權求和。

還有一些更復雜的衡量因果效應的方法，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

關于服務分一共寫了三期文章，這是B端策略的一個重要課題，但是在整個產(chǎn)品經(jīng)理的業(yè)務范圍內(nèi)，還是一個非常窄的選題。大部分同學可能對這個選題不感興趣，但希望這些內(nèi)容可以幫助到工作中涉及到服務分和服務者績效衡量的同學。

#相關閱讀#

評分算法（1）：用戶評分

評分算法（2）：B端核心策略——服務分

#專欄作家#

潘一鳴，公眾號：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，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，有很多復雜系統(tǒng)的構建實踐經(jīng)驗。

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。

題圖來自 Unsplash，基于 CC0 協(xié)議