按照服务分的更新机制，服务分可以分为两类：一类是每次服务后更新，一类是定期更新。在介绍了服务分的设计场景和思路之后，本文作者对服务分策略设计的具体方法展开了分析和总结，包括：归一化、权重设计和归因。

一、服务分分类
1. 服务后更新

服务后更新顾名思义，比如每次打车后根据用户的评价进行服务分的调整，滴滴就是这么做的。记不清哪里看的了（反正肯定不是两年前看的内部文档），滴滴的服务分主要部分会根据好评、差评和默认好评去打分，每次用户打分会对应分值的变化。

这样的好处是可以及时更新，服务者会有及时反馈。

当然，局限性也很明显。乘客的好评不能完全评价司机的服务能力，比如司机接单少业绩差、高峰期不愿意出门等。而如果平台派单问题导致乘客体验下降，差评由司机承担也不公平。与此同时，全靠好评会造成司机索要好评的问题，对服务质量也有影响。

2. 定期更新

定期更新是本文的重点，也是上一篇文章重点讨论的内容。因为用了更复杂的计算机制，可以涵盖更多的数据，比如上一篇文章提到的，服务分的三部分构成：员工属性、SOP执行情况、业绩结果。这里面涉及了多种策略设计的方法。

二、归一化

员工属性和SOP执行情况的数据各种各样，比如有没有某个资格证是0和1；某个资格证分等级，则可能是（1，2，3）；电话的通话时长是一个大于等于零的小数；服务次数是一个非负整数。

为了将这些不同类型的数据融合，需要进行归一化，这些方法我在《产品逻辑之美》中也写过。

线性函数是一种简单的归一化方式，就是直接除以数据中的最大值，让所有值都在0~1之间，并保留原有的变化性质。用公式表示为：

这样的处理方法受极值的影响比较大。而且如果大部分分值比极值低很多，则低分值将没有区分度，以阅读量为例，如果最大阅读量的文章的阅读量为10万，而大部分文章阅读量集中在500左右。这样直接除以极大值处理后，大部分内容分值都趋近于0，缺乏区分度。

这个时候就需要在使用线性函数处理前，对数值进行对数处理，用公式表示为：

对数处理后的数据结果表示原始数据数量级的大小，在互联网数据中，长尾分布的案例比较多，使用对数函数转换是一种非常有效的方法。除了对数函数，也可以根据数据的分布，使用其他函数来改变数据的分布性质，比如多项式函数，这里就不再赘述。

z分数（z-score）标准化也是常用的一种归一化方法。在一组数据中，x为某一具体分数，μ为平均数，σ为标准差，用公式表示为：

z代表着原始分数和母体平均值之间的距离，以标准差为单位计算。在原始分数低于平均值时，z则为负数，反之则为正数。当然，z分数标准化处理的隐含前提是数据符合正态分布，或者类似正态分布。如果数据分布和正态分布差距明显时，用z分数标准化则可能会有问题。

当然，z标准化后的数据也需要处理一下，这个就根据正态函数的性质处理了。

比如下面的公式就可以控制在0~1之间，而这个公式的数学含义就不展开讨论了，感兴趣可以自己推导一下。

三、权重设计

当数据归一化之后就要进行加权求和，加权求和的公式是很常见的，如下所示：

这里需要考虑到如何设计权重。主要有以下几种思路。

1. 信息权重

从信息的角度，如果一个信息出现的概率越小，则信息量越大，一个信息越常见，则信息量越小。那么比如某个证书是否取得这个数据。取得证书的人越多，取得后的权重应该越少。这里的权重需要设计出一个函数，函数值和比例负相关。比如最简单的线性函数如下：

2. 置信度权重

置信度提权的原理是“数据量越大，信息越靠谱”，平均值、打分等方法都有比较好的效果，比如平均时长，平均评分。如下所示，N代表数据的数量，score代表原始打分。

3. 时间衰减

时间衰减降权，顾名思义，让过去的信息权重更低，最近的信息权重更高。因为行为具有连续性，所以最新的行为包含了更大的信息量。下面的公式是最常见的时间衰减公式，也是物体降温和自然衰变的公式，其中t是数据发生时间到现在的时间差。

4. 业务权重

当然，不同因素之间彼此哪个更重要，的确是一个业务问题，需要和业务方共同商定。业务方不一定需要给出具体的权重，可以给出优先级，根据优先级确定具体的数学规则。这里的方法不展开讲了，核心是达成共识。

四、归因

归因本质上是确定清楚具体的服务人员的贡献。因为一个服务的结果（比如是否下单）背后是多因素的，服务人员只是多个环节中的一环。

归因是策略分析中最复杂的问题，但是也有很多系统性的归因方法。数学功底比较好的同学我推荐系统看下《基本有用的计量学》。那这里长话短说，我去掉复杂的数学语言，艰难表述下也是两种书中提到的方法。

第一种就是回归算法，多个因素的话，可以使用多元线性回归和逻辑回归，如果需要考虑时序上的区别，时间序列的算法也可以考虑。每种算法都有对应的数学假设，在使用前要确保业务场景符合数学假设。

第二种就是找到一个指标找到一个参考标准，具体服务者的数据和参考基线的数据差是对应的贡献值。比如配送员的配送准时率，参考标准可以是同配送站准时率的均值。每个配送员计算后，再用这个差值作为配送时效分值计算的基础数据，进行归一化和后续的加权求和。

还有一些更复杂的衡量因果效应的方法，还是建议去阅读专业书籍。本文已经有太多公式了，再加真要没阅读量了。