Budujemy RateProof: Jak nasz algorytm walczy z patologiami fałszywych opinii w e-commerce

Problem nie zaczyna się od jednej gwiazdki

Wyobraź sobie dwa sklepy.

Pierwszy ma ocenę 5,0. Drugi - 4,2.

Który wybierasz?

Zanim odpowiesz, warto zadać kilka dodatkowych pytań. Ile opinii ma każdy z nich? Jak stare są te recenzje? Czy pochodzą od rzeczywistych klientów? Czy opisują konkretne doświadczenia, czy tylko powtarzają „świetny sklep, polecam”?

Sama ocena 5,0 nie dowodzi manipulacji. Tak samo 4,2 nie jest dowodem uczciwości. Problem polega na tym, że liczba nie wyjaśnia, skąd się wzięła.

Handel fałszywymi opiniami nie jest przy tym wyłącznie teoretycznym zagrożeniem. UOKiK opisywał i karał działalność firm publikujących recenzje bez korzystania z ocenianych produktów lub usług. Takie komentarze miały wyglądać jak doświadczenia prawdziwych klientów. UOKiK - „Fałszywe opinie? Stop!”

Nie chcemy jednak odpowiadać na ten problem kolejną obietnicą: „nasze gwiazdki są prawdziwsze”.

Chcemy wyjaśnić, na jakiej podstawie opinia wpływa na wynik firmy.

Nie wystarczy policzyć gwiazdki. Trzeba jeszcze wiedzieć, co za nimi stoi.

1. Patologia skali: sto negatywnych opinii nie mówi wszystkiego

Sto negatywnych komentarzy może wyglądać niepokojąco.

Ale sama liczba nie odpowiada na pytanie, jak często firma zawodzi klientów.

Rozważmy uproszczony przykład. Porównujemy ten sam okres, a każda negatywna opinia dotyczy innego zamówienia:

Przykład hipotetyczny: ten sam okres, każda negatywna opinia dotyczy innego zamówienia

Sklep B ma sto razy więcej negatywnych opinii, ale ich udział w liczbie zamówień jest dziesięć razy mniejszy.

To pokazuje, dlaczego sam licznik krytycznych komentarzy nie wystarcza do porównania firm.

Nie pokazuje jednak, że 99% klientów sklepu B było zadowolonych.

Nie wiemy, ilu niezadowolonych kupujących niczego nie napisało. Nie wiemy też, czy wszystkie problemy zostały opisane na tej samej platformie. Milczenie pozostałych klientów nie jest pozytywną opinią.

Co z tym robi RateProof?

W obecnym, publicznie opisanym modelu nie przeliczamy wyniku według całkowitego wolumenu sprzedaży sklepu. Algorytm wykorzystuje dostępne opinie, ich potwierdzenie, aktualność i historię kolejnych doświadczeń. [1]

To ważna granica.

Nie chcemy twierdzić, że znamy odsetek udanych zakupów, jeżeli nie mamy danych pozwalających go ustalić.

Uwzględnianie skali sprzedaży wymagałoby czegoś więcej niż deklaracji przedsiębiorcy. Trzeba byłoby określić między innymi, co uznajemy za transakcję, jak traktujemy anulowania i czy dane obejmują cały porównywany okres.

Duży sklep nie powinien być oceniany wyłącznie przez liczbę skarg. Nie powinien też otrzymywać automatycznej taryfy ulgowej tylko dlatego, że dużo sprzedaje.

2. Problem reprezentatywności: kto wystawia opinię, a kto pozostaje niewidoczny?

Wyobraź sobie dwie sytuacje.

Pierwszy klient otrzymuje przesyłkę zgodnie z zamówieniem. Odkłada telefon i wraca do swoich spraw.

Drugi czeka na dostawę, nie otrzymuje odpowiedzi i publikuje szczegółowy, emocjonalny komentarz.

To możliwy scenariusz, ale nie daje podstaw do stwierdzenia, że każdą negatywną opinię należy osłabić, a brakujące głosy uznać za pochwały.

Nie wiemy przecież, co powiedzieliby klienci, którzy nie napisali niczego.

Nie „równoważymy gniewu”. Ważymy potwierdzenie

W RateProof liczba przyznanych gwiazdek nie decyduje o wadze dowodu. Jedna i pięć gwiazdek podlegają tym samym regułom weryfikacji i wygaszania. [1]

To oznacza, że krytyczna opinia poparta mocnym potwierdzeniem doświadczenia może mieć większy wpływ niż pochwała oparta wyłącznie na potwierdzonym adresie e-mail.

I odwrotnie: dobrze udokumentowana pozytywna opinia może mieć większą wagę niż słabo potwierdzona krytyka.

Nie premiujemy pochwał. Nie karzemy za niezadowolenie. Rozróżniamy to, co udało się potwierdzić.

Sam emocjonalny ton również nie rozstrzyga o prawdziwości komentarza. Można opisać rzeczywisty problem ze złością. Można też napisać spokojną, szczegółową recenzję doświadczenia, którego nigdy nie było.

Dlatego nie chcemy utożsamiać nieprzyjemnej opinii z fałszywą opinią.

Uczciwa krytyka nie jest patologią systemu opinii. Jest jedną z informacji, które ten system powinien chronić.

3. Wieczna kara - i wieczna nagroda

Załóżmy, że sklep miał poważny kryzys podczas Black Friday w 2024 roku. Zamówienia się opóźniały, komunikacja zawiodła, klienci wystawili negatywne opinie.

W 2026 roku sytuacja wygląda inaczej. Firma zmieniła organizację pracy, a nowe doświadczenia klientów pokazują poprawę.

Czy tamten kryzys powinien wpływać na jej ocenę równie mocno jak obecna jakość obsługi?

Naszym zdaniem nie.

Ale odwróćmy sytuację.

Sklep przez kilka lat zbierał pochwały. Później jakość spadła, a najnowsi klienci zaczęli regularnie opisywać problemy.

Firma nie powinna bez końca korzystać z dawnych sukcesów, tak samo jak nie powinna być oceniana wyłącznie przez dawne błędy.

Jak działa zmniejszanie wpływu starszych opinii?

W RateProof starsze doświadczenia stopniowo tracą wagę. Znaczenie ma także napływ kolejnych, nowszych i wiarygodnych doświadczeń. Wiek opinii liczymy od daty doświadczenia, a nie od daty późniejszej edycji tekstu. [1]

Nie oznacza to usuwania historii. Starsze opinie nadal mogą dostarczać czytelnikowi ważnego kontekstu.

Zmienia się ich udział w bieżącym wyniku.

Nie oznacza też, że sam upływ czasu dowodzi poprawy. Do stwierdzenia, że firma rzeczywiście działa lepiej, potrzebne są nowe doświadczenia klientów.

Chcemy pokazywać możliwie aktualny obraz firmy, a nie wystawiać jej ocenę raz na zawsze.

4. Pierwsza opinia nie powinna opowiadać całej historii

Przy zwykłej średniej nowy profil z jedną oceną jednogwiazdkową ma wynik 1,0.

Z jedną oceną pięciogwiazdkową - 5,0.

Matematycznie wszystko się zgadza. Problem zaczyna się wtedy, gdy traktujemy taki wynik jak miarodajne podsumowanie działalności firmy.

W obu przypadkach wiemy przecież bardzo mało.

Pierwsza krytyka może opisywać poważny, prawdziwy problem. Pierwsza pochwała może być całkowicie szczera. Ale nadal pozostają pojedynczymi doświadczeniami.

Początkowa ochrona - z jawnym założeniem

RateProof wykorzystuje początkowy punkt odniesienia 4,5 z wagą 5. Jego wpływ maleje w miarę gromadzenia wiarygodnych doświadczeń. To składnik obliczeń, a nie pięć rzeczywistych opinii klientów. [1]

W publicznym przykładzie RPS-1.0 wygląda to następująco:

Przykłady ilustracyjne RPS-1.0: nowy profil, świeże doświadczenie i potwierdzona transakcja. To nie są dane rzeczywistych firm.

Są to przykłady działania mechanizmu początkowego, nie prognoza wyniku dowolnej firmy. [1]

Identyczne zasady ważenia jedynek i piątek nie oznaczają, że sam punkt startowy jest neutralny. To dwie różne kwestie.

Dlatego pokazujemy tę zasadę otwarcie. Ochrona nowego profilu nie może być przedstawiana jako dowód, że firma zdążyła już zasłużyć na wysoką ocenę.

Rzeczywista opinia klienta pozostaje istotna. Przy małej liczbie recenzji szczególnie warto przeczytać jej treść, zamiast kończyć ocenę firmy na głównym wyniku.

Co właściwie sprawdza RateProof?

Nie każda forma potwierdzenia mówi nam to samo.

Potwierdzony adres e-mail oznacza dostęp autora do skrzynki. Nie jest dowodem zakupu.

Potwierdzony numer telefonu również nie dowodzi, że ktoś korzystał z usług konkretnej firmy.

Dlatego w RPS-1.0 rozróżniamy kilka poziomów:

1. Potwierdzony autor

   Potwierdzenie adresu e-mail

2. Zweryfikowany użytkownik

   Potwierdzenie e-maila i numeru telefonu

3. Potwierdzone doświadczenie

   Wiarygodne potwierdzenie relacji z firmą

4. Zaproszenie z transakcji

   Systematyczne zapraszanie powiązane z rzeczywistym zakupem

5. Transakcja potwierdzona

   Niezależny dowód doświadczenia

Poziomy mają różne wagi w algorytmie. Ręczne wysłanie linku wybranym, zadowolonym klientom nie wystarcza do uzyskania poziomu „Zaproszenie z transakcji”. [1]

Trzeba jednak zachować kolejne rozróżnienie: potwierdzenie transakcji nie oznacza automatycznego potwierdzenia każdego zdania w opinii.

Dowód zakupu może wykazać relację ze sprzedawcą. Nie musi rozstrzygać wszystkich sporów dotyczących rozmowy telefonicznej, ustaleń czy odpowiedzialności za problem.

Dlatego poziom weryfikacji opisuje siłę dostępnego potwierdzenia, a nie naszą nieomylność.

Nie można kupić lepszego wyniku

W publicznych zasadach RateProof rozdzielamy narzędzia dla firm od obliczania oceny.

Płatne konto nie daje dodatkowej wagi opiniom. Sama odpowiedź przedsiębiorcy również nie podnosi Score. Jeżeli klient sam zmieni ocenę, algorytm uwzględnia nowe gwiazdki, zachowując pierwotną datę doświadczenia. [1]

To istotne, ponieważ profesjonalna odpowiedź może pomóc czytelnikowi zrozumieć sytuację, ale nie powinna automatycznie unieważniać tego, co przeżył klient.

Ładnie napisane przeprosiny i rzeczywiste rozwiązanie problemu to nie zawsze to samo.

Ocena dostępna także podczas zakupów

RateProof rozwijamy również jako narzędzie dostępne w przeglądarce.

Bezpłatne rozszerzenie dla Chrome sprawdza domenę odwiedzanej strony w bazie RateProof. Gdy dostępne są odpowiednie informacje, pozwala zobaczyć ocenę, liczbę opinii i poziomy weryfikacji bez ręcznego wyszukiwania firmy. Do odczytu publicznych ocen nie jest potrzebne konto. [2]

Chodzi o dodatkowy kontekst w momencie podejmowania decyzji.

Nie o komunikat: „ten sklep na pewno jest bezpieczny”.

Brak profilu nie dowodzi oszustwa. Wysoki wynik nie gwarantuje udanego zakupu. Rozszerzenie ma pomagać w sprawdzaniu reputacji, a nie zastępować ocenę oferty, danych sprzedawcy i warunków płatności. [2]

Budujemy publicznie - także tam, gdzie pojawiają się trudne pytania

Łatwo napisać, że algorytm jest sprawiedliwy.

Trudniej wyjaśnić, co to właściwie znaczy.

Jak długo dawna opinia powinna wpływać na bieżący wynik? Jak silna powinna być ochrona nowej firmy? Jak zapobiegać manipulacji, nie odbierając głosu klientowi, który ma prawdziwy problem?

Nie uważamy tych pytań za zamknięte.

Publikujemy zasady RPS-1.0, w tym wagi, sposób zmniejszania wpływu opinii oraz mechanizm początkowego punktu odniesienia. [1]

Ale jawny wzór sam w sobie nie wystarcza. Potrzebujemy również dyskusji o tym, czy jego założenia prowadzą do rozsądnych wyników.

Dlatego zapraszamy właścicieli sklepów, osoby zarządzające e-commerce i kupujących do zgłaszania konkretnych przypadków. Nie tylko takich, w których firma uważa ocenę za zbyt niską. Równie ważne są sytuacje, w których wynik wygląda zbyt dobrze w porównaniu z dostępną historią.

Dobry system opinii powinien umieć zakwestionować zarówno niezasłużoną jedynkę, jak i niezasłużoną piątkę.

Mniej wiary w samą liczbę. Więcej kontekstu.

Nie chcemy naprawiać reputacji każdej firmy.

Chcemy pomagać w jej ocenie na podstawie możliwie aktualnych i wiarygodnych doświadczeń.

To wymaga czegoś więcej niż prostej średniej. Ale wymaga też uczciwości wobec ograniczeń własnego algorytmu.

Nie znamy doświadczeń wszystkich klientów. Nie każdą transakcję możemy potwierdzić. Nie każdy spór da się rozstrzygnąć na podstawie opinii i załączonego dokumentu.

Dlatego obietnicą RateProof nie jest pewność. Jest nią więcej informacji o tym, na czym opiera się wynik.

RateProof - Prawdziwe opinie. Więcej pewności.

Źródła

[1] RateProof, „Jak obliczamy RateProof Score? Zasady oceny firm”, publiczny opis RPS-1.0 wraz ze szczegółami technicznymi. To podstawa opisu mechanizmów w artykule; nie zastępuje audytu kodu produkcyjnego.

[2] RateProof, „Rozszerzenie do sprawdzania opinii o sklepach”, publiczny opis działania i dostępności rozszerzenia.

Źródło zewnętrzne: UOKiK, „Fałszywe opinie? Stop!”, komunikat z 30 lipca 2024 r. dotyczący handlu opiniami niepochodzącymi z rzeczywistych doświadczeń klientów.