4年前为京东店铺做的的排序规则，如今其实一样适用很多产品。

大家好，我是策略产品经理夏唬人，今天带大家复盘一个我四年前在京东做的一个策略。

很多策略产品经理可能经常遇到这种情况：在我们做排序策略的时候，经常会通过量化多种特征去综合衡量一个物品的质量好坏，从而为排序提供依据。那么通常一个特征量化的结果越高，排序的得分也就会越高，相应排名也会相对越靠前，比如销量、优惠力度等等。但是，有一些非常典型的特征直接这么处理不妥，可能会带来一些问题，比如好评率。好评率参与排序，从业务角度来看，总体目标肯定是希望好评越高的商品，排名相对来说越靠前。

很多时候会有这么两种做法

第一种

好评得分=好评数-差评数

假定有两个物品，物品A是80个好评数，20个中、差评数，物品B是600个好评数，300个中、差评数。请问，谁应该排在前面？

按照上面的公式，B会排在前面，因为它的得分（600 - 300 = 300）高于A（80 - 20 = 60）。但是实际上，B的好评率只有67%（600 / 900），而A为80%（80 / 100），所以，我们可能更希望A排在前面。

还有一种是

好评率=好评数/总评价数

这个策略咋一看没有什么问题，但是它有个致命的前置条件，就是只有在总量足够大的时候，这个策略是一个好的策略。但是如果总量特别小，那么这个可能不能满足预期。

比如物品A有3个好评，0个差评；物品B有100个好评，1个差评，显然，从业务的角度来看，我们是期望物品B排序到前面的，但是按照上面的公式，最终物品A会排到物品B的前面。

这种情况其实还不少见，尤其在一些用户评价比较少的业务，比如医疗，民宿，酒店等等。

所以，如何避免这种样本量比较少，但是还需要依靠它来计算，并且参与排序导致不准确的问题。

这个也是我当时在京东做一个策略时遇到的问题，下面，给大家介绍一种比较常见这种问题的解法，也是我们当时采用的一种方法。

威尔逊区间法

先给大家上一个公式：

上面的公式中计算出的结果叫威尔逊得分，P表示好评率，n表示样本量，z值一般是一个常数，取1.96即可。

从这个公式可以看到，当样本量n足够大的时候，威尔逊得分会越来越趋近于p；如果n非常小，威尔逊得分会远远小于p，从而它的排名也不会上去，这样就避免小样本量的情况下好评率大导致排名靠前的问题。

这种策略，无论是采用算法排序，还是线性规则排序都是非常常用的一种方法，作为策略产品经理可以掌握它。