凭据处事分的更新机制，处事分可以分为两类：一类是每次处过后更新，一类是按期更新。在先容了处事分的设计场景和思路之后，本文作者对处事分计策设计的详细要领展开了阐明和总结，包罗：归一化、权重设计和归因。

一、处事分分类 1. 处过后更新

处过后更新顾名思义，好比每次打车后按照用户的评价举办处事分的调解，滴滴就是这么做的。记不清那边看的了（横竖必定不是两年前看的内部文档），滴滴的处事分主要部门会按照好评、差评和默认好评去打分，每次用户打分会对应分值的变革。

这样的长处是可以实时更新，处事者会有实时反馈。

虽然，范围性也很明明。搭客的好评不能完全评价司机的处事本领，好比司机接单少业绩差、岑岭期不肯意出门等。而假如平台派单问题导致搭客体验下降，差评由司机包袱也不公正。与此同时，全靠好评会造成司机索要好评的问题，对处事质量也有影响。

2. 按期更新

按期更新是本文的重点，也是上一篇文章重点接头的内容。因为用了更巨大的计较机制，可以涵盖更多的数据，好比上一篇文章提到的，处事分的三部门组成：员工属性、SOP执行环境、业绩功效。这内里涉及了多种计策设计的要领。

二、归一化

员工属性和SOP执行环境的数据各类百般，好比有没有某个资格证是0和1；某个资格证分品级，则大概是（1，2，3）； *** 的通话时长是一个大于便是零的小数；处事次数是一个非负整数。

为了将这些差异范例的数据融合，需要举办归一化，这些要领我在《产物逻辑之美》中也写过。

线性函数是一种简朴的归一化 *** ，就是直接除以数据中的更大值，让所有值都在0~1之间，并保存原有的变革性质。用公式暗示为：

这样的处理惩罚要领受极值的影响较量大。并且假如大部门分值比极值低许多，则低分值将没有区分度，以阅读量为例，假如更大阅读量的文章的阅读量为10万，而大部门文章阅读量会合在500阁下。这样直接除以极大值处理惩罚后，大部门内容分值都趋近于0，缺乏区分度。

这个时候就需要在利用线性函数处理惩罚前，对数值举办对数处理惩罚，用公式暗示为：

对数处理惩罚后的数据功效暗示原始数据数量级的巨细，在互联网数据中，长尾漫衍的案例较量多，利用对数函数转换是一种很是有效的要领。除了对数函数，也可以按照数据的漫衍，利用其他函数来改变数据的漫衍性质，好比多项式函数，这里就不再赘述。

z分数（z-score）尺度化也是常用的一种归一化要领。在一组数据中，x为某一详细分数，μ为平均数，σ为尺度差，用公式暗示为：

z代表着原始分数和母体平均值之间的间隔，以尺度差为单元计较。在原始分数低于平均值时，z则为负数，反之则为正数。虽然，z分数尺度化处理惩罚的隐含前提是数据切合正态漫衍，可能雷同正态漫衍。假如数据漫衍和正态漫衍差距明明时，用z分数尺度化则大概会有问题。

虽然，z尺度化后的数据也需要处理惩罚一下，这个就按照正态函数的性质处理惩罚了。

好比下面的公式就可以节制在0~1之间，而这个公式的数学寄义就不展开接头了，感乐趣可以本身推导一下。

三、权重设计

当数据归一化之后就要举办加权求和，加权求和的公式是很常见的，如下所示：

这里需要思量到如何设计权重。主要有以下几种思路。

1. 信息权重

从信息的角度，假如一个信息呈现的概率越小，则信息量越大，一个信息越常见，则信息量越小。那么好比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。好比最简朴的线性函数如下：

2. 置信度权重

置信度提权的道理是“数据量越大，信息越靠谱”，平均值、打分等要领都有较量好的结果，好比平均时长，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