在電子商務領域，產品的評分和評價體系是必不可少的，這甚至是高過傳統商務模式的優點，逛街購物永遠無法知道某乙個實體商店的評分和評價。評分和評價體系的目的是對商品的附加服務進行量化考核。如售後，送貨速度，商家態度，產品實際使用體驗等。這些附加於商品本身的主觀性消費感受，是無法標準化的。
商品：有形，標準，生產與消費分離，可儲存
服務：無形，異質，生產與消費同步，易逝性
所以需要有海量的個體單元資訊（使用者點評）來復合描述整個服務的感受，給使用者乙個具象無限接近標準的商品形象。
現在主流**的評分和評價體系如圖
一，量化資料部分
基本結構如下
總樣本數 如：80個點評
評分專案 如：綜合評分，送貨速度
--程度 如：好評，中評和差評；或者1-5分
--該專案單項程度樣本數 如： 好評10個，中評1個和差評0個。（也有通過百分比來顯示的）
二，不可量化資訊部分
單個樣本的點評內容（值得一體的是京東對點評還進行了細分，以優點，不足和總結來引導使用者對點評進行格式化呈現。）
這個評分體系的優點很多，被大多數**廣泛採用，已經成為了約定俗成的知識，使用者不論是在哪個**，都可以理解這一套評價體系，並且快速的對自己檢視的商品形成乙個直觀印象。
但是我就想找茬了，難道沒有更好的體系來顛覆這一套現有的系統嗎？不破不立，拋磚引玉。
我認為這套體系有以下缺點
1 當資料量過多的時候，對於使用者的評價反應就會遲鈍
這個反應遲鈍的意思，舉乙個例子會比較形象。如果乙個商戶的服務有1000個單位的高分，但是隨著最近生意的增長，或者其他什麼原因導致了服務質量下降，連續出現了10個左右的低分，但是總評分數依然是在高分上，那麼最近購買的客戶的真實感受就無法立刻被反映出來，而商戶也可能因為這種遲鈍的分數體制而忽略對使用者提供高質量服務的堅持。
解決方案：
那麼點評的分數是否應該設計成和時效性掛鉤呢？一周內的評分應該是最高權重，而半年前的分數給予非常低的權重。其實**已經做了，動態評分體系，時間是六個月。
但它沒有和時間順序進行權重計算，我認為，只有最近的服務，才最能反映下一次服務的情況。
2 分數分布不均勻
打個比方說，同樣乙個班級，a老師評分比較寬容，作文分數都在90分以上，隨便找乙個都是90分100分的人。b老師評分嚴格，只有兩三個上90分的。那麼我從這個班級中隨機抽出乙個學生，他的分數是90分整，我不知道是a老師評的還是b老師評價的，那他的寫作水平到底是怎樣呢？
最理想的狀態，這些分數的分布也只是乙個正態分佈，但實際上也不是這樣的分布。那還有更好的明顯的區分檔次的方式麼？
解決方案：
例如：把所有學生的分數按順序排序，乙個班級100個人，拍100名。按五分制計算，1-20名算5分，21-40名算4分，以此類推。這樣做出來的檔次劃分，是最均勻分布也最明顯的。對於使用者來說，就可以更好的選擇和對比。
這樣拉平分數，有人會說，都是好產品，總有10%給1分，還不及格，這怎麼做生意呢？所以，我想，這個也是有限度的拉平分數間隔，比如最低3分。3分到5分的分數區間，按排名均勻拉平，也比80%都是4.5分這樣更有參考價值。
創新的現有模式
1.開拓式創新 開拓式創新是最有價值 也最有難度的一種創新，這種創新所創造的事物是歷史上不曾出現過的，是全新的，並且對於歷史程序具有深遠的影響，它往往伴隨著天才人物的靈光乍現，帶有一定的偶然性。比如牛頓開創的經典物理學，愛因斯坦開創的相對論，哥倫布發現新大陸，萊特兄弟發明飛機，賈伯斯發明的個人電腦 ...
ElasticSearch的評分計算
elasticsearch 搜素時會帶有乙個 score 的資料，表示搜尋出來的結果與引數之間的相關性 elasticsearch 的三大評分原則 elasticsearch 了解為什麼這樣評分 elasticsearch 的文字評判基礎演算法 5.0 以前使用 tf idf 演算法 5.0 以後使...
apache ii評分和死亡率 營養評分的臨床應用
介紹 營養不良在醫院中普遍存在，20 50 的患者在入院時被確認為營養不良，並且在危重病房中非常普遍。它與增加的致殘率 死亡率 醫院感染 較長的住院時間和icu出院時的功能損害有關。常規使用的營養篩選和評估方法有助於有效的營養計畫管理，即決定應該提供哪種最佳營養支援。危重病人是乙個不同嚴重程度的異質...