刷一条假评论挣1美元，罚上限53088美元，两个数不在一个账本上

摘要：刷单那头的账是这么算的——5个机器人账号，每天完成200份问卷，每份1美元，一个月30000美元。而某家概率抽样面板的成员，单账户、月均不到2份、每份约11美元，一个月理论上限22美元。单份报酬高出11倍，总收益却低1364倍。这个倍数才决定了两份数据各自值多少信任，可它不写在任何一份方法说明里。往下依次拆四个被并排引用、分母却各不相同的比例，一条两端高中间低的隐藏率曲线，一句差一个字就违规的活动文案，以及一个模型收藏品站按评价数挑主推位、方向整个选反了的例子。

判断一份数据能不能用，大部分人的第一反应是去找方法说明。样本量多少，怎么抽的，误差范围写没写，什么时候采集的。这套动作没错，我自己也做了十几年。

但它有个前提：写方法说明的人和提供数据的人是同一批人，而且都想把事情做对。

这个前提在很多场合是不成立的。数据不是从天上掉下来的，它是一群具体的人一条一条填出来、写出来、点出来的。这些人当中有一部分并不关心你要拿这份数据做什么决定，他们只关心填完这一条能拿到多少钱。只要这个数字足够大，方法说明写得再漂亮，你拿到手的也是一堆按最快速度点完的选项。

判断一份数据可不可信，为什么要先算钱？

先说清楚这套动作要替换掉什么

我不是说方法说明不用看。我是说，在打开方法说明之前，有一个问题比它更快、更硬，而且答案通常就写在页面上：提供一条数据，那个人能拿到多少钱？

这个问题为什么比想象中重要

因为它不是一个关于诚信的问题，是一个关于产能的问题。一个人偶尔敷衍两句，对一份几千人的调查没什么影响。真正把数据搞坏的，是那种一天能生产几百条的结构。而能不能一天生产几百条，完全由报酬和次数上限决定，跟人品没有关系。

这和样本资格条件是同一类问题的两面。一份调研里如果压根没有某一类人，再干净的方法也补不回来；而报酬结构管的是另一头，决定谁被吸引进来。

有一家机构把这笔账当众算了一遍

2026年5月12日，皮尤研究中心发了一篇关于虚假受访者的方法问答，答问的是他们负责方法与创新的副总裁。这篇东西的价值不在结论，在于它罕见地把造假的收益结构摊开算给外人看。

它开头列的是三种正在同时发生的事：有公司不问真人、直接问人工智能公众会怎么想；有人用人工智能大规模伪造问卷回答；还有一类人不伪造身份，只是以最快速度点完所有题目去领报酬。三件事性质完全不同，可它们在最终那张表上留下的痕迹长得一模一样。

大部分机构谈到数据质量，给出的是一串防御措施：我们有异常检测，我们有注意力测试题，我们有答题时长过滤。这些都是事后的。而这篇问答从头到尾几乎没谈检测，它谈的全是结构——谁能进来，进来之后能做多少次，做一次值多少钱。

它顺手回答了另一个更时髦的问题

同一篇问答里还谈了一件事：现在有公司干脆不问真人了，直接问人工智能“公众会怎么想”，业内管这叫硅基采样。皮尤说他们不做，理由分两层——伦理上，民调的意义就在于让真人的声音被听见；科学上，已有研究发现这类估计会把群体刻板化，代表某一派观点比代表另一派更吃力，并且会系统性地低估公众内部的分歧程度。

最后那一条尤其值得记：低估分歧，意味着模型生成的意见分布会比真实世界更整齐。而整齐恰恰是最容易被当成“数据质量好”的表象。

5个账号，每天200份，每份1美元

文章里举了一个具体场景：某个人注册5个机器人账号，用它们每天完成200份问卷，每份的报酬是1美元。这样一天进账1000美元，一个月大约30000美元。这个数字不是估的，是乘出来的，你可以自己按一遍。

换一套结构，同一个人只能挣22美元

同一篇文章里给了对照组：他们自己那套概率抽样面板的成员，每人只有一个账号，平均每月完成不到2份问卷，每份的报酬平均是11美元。一个用人工智能代答的人，在这套结构里一个月的理论上限是22美元。

原文在这里放了一句反问，我读到时笑了一下：一个存心骗调查机构的人，是想每月挣30000美元，还是22美元？这句话没有任何数据，但它把整个问题从“怎么识别坏人”换成了“坏人为什么要来”，而后者是能靠设计解决的。

这家机构的材料我上一次拆过另一面——同一条趋势线上藏着的三处口径变更。那次讲的是数据被生产出来之后发生了什么，这次讲的是生产之前。

1364倍这个数是我自己除出来的

30000除以22，等于1363.6。原文只是把两个数并排放着，让读者自己感受差距，没有给出比值。我把它除出来，是因为这个倍数才是这套判据真正的刻度——差三个数量级，意味着这两套结构面对的根本不是同一批人。

把1364倍拆成三个杠杆

差距不是一个原因造成的，是三个。把它们分开看，才知道哪一个真正在起作用。

三个杠杆里，只有一个方向是反的

把三个倍数合成一下：3000乘5再除以11，正好是1363.6。次数和账号数这两个杠杆一起把收益放大了15000倍，而单价那个杠杆往回拉了11倍。

而单价，恰恰是所有人唯一盯着的那个

这就是我觉得这笔账最值得记的地方。付得越多越可疑，这是几乎所有人的直觉，而它在这里是反的。皮尤每份给11美元，是刷单账号那边的11倍，可它那套结构的总产出只有对方的一千三百六十四分之一。

为什么次数上限比金额上限管用

因为造假是一门规模生意。一条假数据的边际收益很低，靠的是量。你把单价压到0.5美元，对方多做一倍的量就补回来了；你把次数卡死在每月2份，对方再怎么加价也没用，因为他一个月总共只能交2份。限制价格是在调节收益，限制次数是在直接砍掉产能。

准入门槛做的又是另一件事

皮尤那套面板不接受自荐。他们从全美住址名单里随机抽，先寄纸质信件，被抽中的概率极小，而且没有任何途径可以让你把自己塞进去。这一条比次数上限更狠：它让造假者连第一步都迈不出去，不需要检测，也不需要事后清洗。

由此得到三句判据

把上面这些收拢，判断一份数据可不可信，可以先问三句话，全部不需要打开附件：

第一句：提供一条，能拿到多少钱

钱可以是现金、礼品卡、优惠券、抽奖资格、积分，也可以是某种排他的权限。只要提供一条数据能换来某样有价值的东西，这条就算数。数字越大越要警惕，但真正决定性的是它和后两句的组合。

第二句：同一个人最多能提供多少条

有没有上限，上限是多少，怎么执行。一个人一辈子只能提交一次，和一个人一天可以提交两百次，是两种完全不同的数据。这一句往往比第一句更有信息量，因为大多数材料压根不写。

上限和样本量是一体两面。算清楚A/B测试要多少样本才不出假胜利讲的是下限，这里问的是上限，两头都不写的数据基本没法用。

第三句：想进来要先付出什么

能不能自己报名，是这一句的核心。需要被随机抽中、需要收到纸质信件、需要通过某种线下核验，都属于有准入成本；点一个社交媒体广告就能加入，属于零成本。

三句话怎么判分

三问全过，可以当基准数据用；只过后两问、第一句答不上来，当线索用，别拿它支撑决策；第三句答案是“能自己报名”，那这份数据只能当行业动态读，不管它的方法说明写得多好看。

分完档还得看时效。同一份行业基准隔一年发第二次那个例子说明，就算三问全过，一份两年前采集的数据也未必还能当基准用。

30秒粗筛只需要问一句话

如果连三句都嫌多，那就留一句：我能不能自己报名参加。能，说明造假的人也能，而且他比你有动机、比你有工具、比你有时间。这一句不需要打开任何文档，通常在报名页面上就能看出来。

为什么这一句比读方法说明快

方法说明是一份需要理解的文档，读懂它要求你懂抽样、懂加权、懂误差范围。而“能不能自己报名”是一个事实问题，答案只有两个字，任何人都能核对。把一个需要专业判断的问题，换成一个只需要查证的问题，这本身就是效率的来源。

这也是我一直主张先把数据分析的指标体系和异常诊断路径理顺再谈工具的原因：判断力比工具贵得多，而能被换成查证的判断最划算。

核心推论：可信度不写在方法论文档里

这套判据背后的道理只有一句：方法论文档写的是发布方希望你相信的东西，收益结构决定的是造假者实际会怎么做。前者要读，后者要算。两者冲突的时候，永远以后者为准，因为造假者不读方法论文档。

它不判断数据对不对，只判断数据值不值得查

得说清楚边界。算完这笔账，你并不知道那个百分比是高了还是低了，也不知道结论对不对。你只知道这份数据的生产环节给造假留了多大的口子，从而决定要不要花时间往下查、以及查到什么程度。这是一道分诊，不是诊断。

分诊之后要做的是分级引用，不是全盘否定。这一点和砍掉虚荣指标、定准北极星指标是同一种取舍：不是数据越多越好，是知道哪个数能承重。

自主报名的数据也不是一概不能用

皮尤自己在同一篇问答里划了这条线，我觉得比外人来划更有说服力。他们说，如果只是测量全体成年人对某个大众话题的整体态度，比如赞不赞成某项人尽皆知的政策，自主报名式调查和概率抽样调查得到的结果可能很接近。

出问题的是两类：年轻人群体的估计，以及任何一种相对罕见的行为或身份的估计。原因不难想——罕见意味着分母里真正符合条件的人极少，只要混进几个乱填的，比例立刻被抬起来。

罕见事件对口径最敏感这一条，在别处同样成立。孤岛页面检测换一种抽样口径，结论就能翻个面，机制完全一样：分母里符合条件的东西越少，噪声占的份额越大。

反过来，概率抽样也不是免死金牌

这一条同样是他们自己说的：近几年的选举里，就出现过用概率样本、但加权做错了，结果偏得离谱的例子。抽样方式只是起点，一份数据要可信，得从头到尾每一步都站得住。

所以单看一个环节永远不够。把指标拆成层、给每一层定一个唯一口径讲的也是这件事：链条上任何一环出问题，前面做得再好也扛不住。

所以这三句判据的定位要放准：它筛掉的是那些结构上就守不住的，留下来的还得继续看。通不过等于不用看了，通过了不等于可以直接用。

顺手说一下这套判据是怎么来的

它不是从哪本书上学的。我做SEO和独立站这些年，看过太多次同一个场景：一份数据被质疑，讨论迅速滑向“这个机构靠不靠谱”“做这个的人专不专业”，然后不了了之。

我整理过一份转化率、排名周期这类行业基准数据。做那份东西最花时间的从来不是找数，是逐个确认每个数的采集方式——找数几分钟，确认口径一整天。

因为“靠不靠谱”是一个关于人的判断，而关于人的判断在会议室里永远吵不出结果。算钱不一样，算钱是一个所有人都能验算的动作，谁都可以拿计算器按一遍，按出来的结果一样。把一个态度问题换成一道算术题，会议就有了终点。

接下来要拆三样东西

光有判据不够，得看它在真实材料上怎么走。下面依次拆三样：四份材料对同一件事给出的四个比例，一个被反复引用却不是它字面意思的数，以及一条监管条文里差一个字就换性质的红线。它们分别对应收益结构的三个位置——数据被生产出来之后、被统计出来之后、以及被写进规则之后。

同一件事，为什么会被报成4.4%、6%、16%和47%？

四个数并排出现在同一个脚注里

美国联邦贸易委员会2024年8月发布的消费者评价与推荐规则，正式文本只有九节，但配套的最终规则说明有163页。在讨论假评价到底有多普遍时，它在一个脚注里一口气列了四个来源，并且诚实地写了一句：各来源的定量估计差别很大。

为什么一个脚注值得花这么大篇幅拆

因为这是极少见的一种材料形态：四个互相矛盾的数字，被一个中立的第三方原样并排放在了同一个位置上。平时你遇到的是散落在各处的单个数字，各自被各自的作者当成定论引用，永远碰不到面。

它们碰面了，矛盾才暴露出来。而更值得琢磨的是：把它们放在一起的那个机构，最后一个都没用。这个动作本身就是一句评语，只是它没有写成句子。

先把四个数原样摆出来

猫途鹰2023年的评价透明度报告说，提交的评价里有4.4%是欺诈性的。信任飞行员的2024年透明度报告说，它的软件删掉了6%的评价，理由是假。Yelp的2023年信任与安全报告，被引用为16%的提交评价被软件标记为“不推荐”。第四个来自一篇工作论文，说Yelp上被隐藏的、很可能是假的评价，比例高达47%。

脚注在列完这四条之后还补了一句：这些估计从个位数到二十以上不等。写这句话的人显然知道四个数对不上，只是没有说明白为什么对不上。而“为什么对不上”，恰恰是这四个数唯一有用的那部分信息。

分母这件事在别的场合也一样折腾人。商品列表页上那个每千克价格之所以难做，就是因为它是整页唯一一个需要现场选分母的数字，选错了不报错，只是算出来不对。

极差42.6个百分点，最大是最小的10.68倍

这两个数是我自己算的，原脚注只是把四个数并排列出。同一个国家、同一个年份、同一类平台、同一件事，四份材料给出的答案相差十倍以上。如果这是一次温度测量，四支温度计报出的是零下三度和三十度。

差十倍的时候，通常不是谁算错了

这里有一条我用了很多年的经验：当一个领域里的估计值相差十倍以上，多半不是谁算错了，而是他们数的根本不是同一样东西。算错通常差百分之几十，差一个数量级往往是定义问题。

同样的道理适用于分析工具。GA4核心指标最常见的几个误读里，有一半根本不是读错了数，是把两个定义不同的字段当成了同一件事。

这条经验在别处也灵。同一个词的月搜索量，三个工具给出三个数、彼此差好几倍，绝大多数时候不是谁的爬虫坏了，是它们对“一次搜索”的计法不一样——含不含拼写变体、含不含移动端、含不含零点击。差得越离谱，越该先去看定义而不是先去挑哪个数好看。

把四个分母逐个挖出来

挖的办法很笨，就是顺着脚注给的链接一个个打开，找到那句话原本的上下文。挖完之后是这样：

前两个是删除，后两个是降权

这是四个数最根本的分野。删除意味着平台已经下了判断：这是假的，从此不存在。降权意味着平台只是把它挪到了角落：不计入星级、不计入评价数，但你点一下还能看见。

删除和降权的区别，在别的地方也会咬人。有些平台不让机器读你的评论时，评论并没有消失，只是对某一类读者不存在了——效果上和降权是同一回事。

一个是判决，一个是缓刑。把两者当成同一类比例并排比较，等于把死刑判决书和取保候审登记表放在一起数人头。

被降权的那部分，平台自己不认为它们是假的

Yelp在解释推荐软件时写得很清楚：有时候一条评价出现在“不推荐”区，仅仅是因为软件对这位写评价的人了解得不够多，不足以把他的意见推荐给社区。它评估的是可靠性和活跃度，不是真伪。

更要命的是这个分类会来回变

同一页还写着：推荐软件会定期重跑，随着它对这个人和这家店了解得更多，评价可以从不推荐变成推荐，也可以反过来。

一个会随时间变的分类，做成指标就更麻烦。仪表盘全是绿灯生意却没动那篇讲过一类相似的坑：指标本身没坏，坏的是它测的那件事已经不是你关心的那件事了。

一个会随时间来回变的分类，不可能是“真假”这种事实判断。一条评价不会今天是假的、明天变成真的。会变的只能是“系统对它有多有把握”。

顺手对出了一处引用差错

查这一条的时候撞上了别的东西。规则说明的脚注把Yelp那份报告引用为16%被标记为不推荐，而Yelp那份报告自己的摘要页写的是：2023年贡献的评价中有78%被推荐。

78%的补数是22%，不是16%

两个数差6个百分点。按2023年约2200万条的提交量算，22%是484万条，16%是352万条，中间差着132万条评价。

我没有把这当成谁的错误来写，因为最可能的解释很平淡：Yelp的分档很可能不止两档，除了推荐和不推荐，还有一部分是直接移除的，三者相加才是100%。但这恰恰是本节要说的事——连一份监管机构逐句校对过的文件，在引用别人的比例时都会掉进档位里。

第五个口径是委员会自己造的

更值得玩味的是接下来那一段。列完这四个差十倍的数之后，委员会最终一个都没用，它改用了另一个来源：按商品或商家统计，大约10%的商品或商家存在某种程度的评价操纵。

换分母这个动作，和换指标是同一类决定。该淘汰哪些老指标、换成什么那份清单里，多数替换的理由也不是旧指标算错了，是它回答的问题已经不是现在要问的问题。

从按评价算改成按商家算，是一次分母的整体搬家

这个改动很聪明。四份材料吵得不可开交，是因为它们都在数“有多少条评价是假的”，而这件事在定义上就没法统一。换成“有多少家店被操纵过”，问题一下子好答了——只要一家店出现过一条，它就算数。

代价是这个数不再能回答原来那个问题。10%的商家有过操纵，和10%的评价是假的，是两句完全不同的话，而它们长得一模一样。

连续两年都写着6%，可它实际涨了

再看信任飞行员那份报告，它有一句话我盯了很久：假评价占比连续两年保持一致，都是6%。

把绝对量摊开就露馅了

同一份报告里给了绝对数：2022财年删掉260万条，2023财年删掉330万条；2023财年的评价总量是5400万条，同比增长17%。

绝对数和比例要一起看，这是对账的基本功。数据分析师和SEO之间那份对账清单里，第一个动作就是把两边的绝对量摆出来，因为比例对得上、绝对量对不上的情况太常见了。

那么2022财年的总量可以反推：5400万除以1.17，约等于4615万条。260万除以4615万是5.633%，330万除以5400万是6.111%。两个数都四舍五入成6%，可它们之间隔着0.478个百分点，相对涨幅8.48%。

“连续两年保持一致”这句话本身没错

四舍五入到整数确实都是6，报告没有撒谎。但这句话给读者的印象是“情况没变”，而实际发生的是删除量的增速跑赢了总量的增速——删除量涨26.9%，总量涨17%。

同期还有一个数涨得更快

那份报告在另一页写着：2023年这些假评价里有82%是自动检测系统发现并删除的，比2022年的68%有所提高。68到82，相对提升20.6%。

把这三个数放在一起，才看得出6%是什么

自动检测能力提升了20.6%，删除量涨了26.9%，而占比只从5.63挪到6.11。这个组合能推出一件事：6%不是“有多少假评价”，是“这套系统这一年抓到了多少”。它是产能的记录，不是存量的测量。

换个说法更直白：凡是靠“我们删了多少”算出来的比例，天然是一个下界，而且它的变化更多反映检测方的动作，而不是造假方的动作。

顺着本文的主线再问一句：谁在报这个数

这里可以把第一节那套判据反过来用一次。四个数里有三个是平台自己公布的，那就该问：报出这个数，对报的人有什么好处？

“我删了多少”和“还剩多少”，激励方向正好相反

平台报“我今年删掉了330万条假评价”，这个数越大越显得它能干、投入大、系统有效。平台报“我的页面上还剩多少条假评价没抓住”，这个数越大越难看。

这种口径选择在社媒数据里最泛滥。把社媒指标拆成四层漏斗之后会发现，被大量展示的那几个数，恰好是发布方最愿意让你看到的那几个。

四家公布的全是前一种。这不是撒谎，是选择了一个跟自身利益同向的口径——而这个口径恰好和读者真正想知道的那个问题方向相反。读者想知道的是“我现在看到的评价里有多少是假的”，得到的却是“我们今年拦下了多少”。

这一条对自建评价体系的人同样成立

如果你自己的站点有评价功能，团队汇报“本季度拦截了多少条垃圾评价”时，可以顺手问一句：这个数变大，是因为坏人变多了，还是因为规则变严了，还是因为总量涨了？三种原因会推出三种完全不同的动作，而汇报口径通常一个都不说。

顺带提一句配置层面的事。产品评论的审核、防刷和已购验证怎么配那篇讲得比较细，本文关心的只是其中一点：你的拦截量变大，未必说明坏人变多了。

Yelp那份报告里还有一组数，方向就诚实得多

它写道：2023年向其他平台举报了1300多次，提醒对方有人在那里买卖评价；举报量比上一年增加23%，但只有54%的举报被对方采取了行动，这个处理率比2022年降了将近30%。

1300乘54%，剩下的近600次没人管

这个乘法是我自己做的，原文只给了比例。约702次被处理，约598次石沉大海。一家平台花力气查出来的线索里，有将近一半在另一家平台那里没有下文。

我把这一条单拎出来，是因为它是四个数里唯一一个方向对自己不利的——它承认的是“我做了但没用”。一份报告里凡是出现对自己不利的数，那部分的可信度通常比其余部分高一截。

那这四个数还能不能用

能，但用法要换。它们不能拿来回答“假评价有多少”，只能拿来回答“各家平台各自拦下了多少”。四个数之所以差十倍，是因为四家的口子开在不同位置，拦网的密度也完全不同。

三种分母形态，对应三种完全不同的问题

把这一节收一下，分母大致就三种：以提交量为分母，回答的是“进门的人里有多少被拦下”；以展示量为分母，回答的是“留在页面上的有多少值得信”；以商家数为分母，回答的是“有多少家店碰过这件事”。

三个问题的答案可以同时是4.4%、22%和10%，彼此毫不矛盾。看见比例先找分母，这句话每次说都像废话，可它每次都管用。

再补一个找分母的笨办法

把那个百分比还原成一句带主语和量词的完整中文。“6%的评价是假的”还原之后应该是：该平台该年度收到的全部评价里，有6%被它自己的软件判定为假并删除。

还原分母这件事，做多了会上瘾。搜索份额到底怎么算就是一个典型：同一个词，分母取全类目还是取品牌集合，算出来的份额能差出好几倍，而两种算法都在被人用。

还原不出来，说明你手上的信息不够，这个数暂时只能当谈资。能不能用一句话把分子和分母都说清楚，是判断自己有没有真看懂一个比例的唯一标准，这一条我用了很多年，基本没失过手。

被隐藏的评价，真的就是假评价吗？

这是整条链路上最常见的一次替换

上一节说到，那个47%指的是被算法隐藏的评价占比。从“被隐藏”走到“是假的”，中间隔着一次悄无声息的替换，而这次替换几乎从来没有人标注过。它太顺理成章了：平台把它藏起来，肯定是因为它有问题。

这一层区分对做内容的人尤其要紧。把用户评价和问答做成会排名的资产时，你真正能控制的是被展示的那一部分，而被隐藏的那部分照样占着你的数据。

那篇工作论文其实给了三个数，不是一个

被引用的是一位联邦贸易委员会经济学家的工作论文，样本框有62.8万家企业。它没有说“Yelp上47%的评价是假的”，它做的是一张按商家质量分档的表，一共三行。

被搬走的那个47%，来自这张表里最高的那一格。把一张三行表里最大的那个数拿出来当成整体结论，是引用环节最常见的一种损耗——不是伪造，是把分档信息扔掉了，而分档信息恰恰是这张表全部的价值所在。

把分档信息扔掉，损失的往往正是全部价值。按页面模板抽样做电商SEO审计之所以能把一百天压到半天，靠的就是分档——不分档就只能逐条查，分了档才知道该查哪一档。

把三行原样摆出来

先别看数值，看形状

左边那一列是两端高、中间低。高质量商家46.6，中等33.1，低质量46.0。这是一条U形曲线。

U形这个形状，造假动机造不出来

道理很简单：刷评价是要花钱的，花钱的动机来自“我的真实口碑不够好”。所以如果隐藏率测的真是造假，它应该随着商家质量下降而单调上升——越差的店越有理由刷。

动机这条线索比技术手段可靠。产品评论的SEO怎么做那篇里我提过一个判断：评价体系设计得好不好，看的是它有没有让作弊变得不划算，而不是看它抓得准不准。

这个推理不需要任何统计知识，只需要承认一件事：人不会为了自己已经拥有的东西付钱。一家口碑本来就好的店，花钱买好评的边际收益接近于零，它买不到什么它没有的。

它没有。它在中间那一档掉下去了，两端各比中间高出13.5和12.9个百分点。这两个差值是我自己减出来的，论文只给了三个原始数。

更别扭的是高低两端的比较

高质量商家的隐藏率是46.6%，低质量商家是46.0%。高质量商家那一档还高0.6个百分点。如果这个指标测的是造假，那就等于说好店比差店刷得还多一点点。

0.6个百分点当然在误差范围里，论文给的标准误是0.4，两者差不多是一回事。但“差不多是一回事”本身就已经推翻了那个引用——一个被当成造假指标用的数，在最该拉开差距的两端居然打平了。

换一把尺子，形状立刻变了

同一篇论文用了第二个数据源：另一家商业信誉机构自己的过滤算法，为每条评价打一个“是假的概率”分。按同样三档拆，得到7.9、8.9、9.4。

这一条是单调的，而且极差只有1.5个百分点

高到低一路往上走，方向完全符合直觉。但它的极差只有1.5个百分点，而Yelp那把尺子的极差是13.5个百分点，相差9倍。

两把尺子量同一件事，一把说三档几乎一样，另一把说三档差出13个点还排成U形。这时候要问的不是哪把尺子准，而是这两把尺子各自到底在量什么。

两套算法给出相反答案，这种事比想象中常见。商品页那个推荐位，两套报表算出相反的结论，而且两套都没算错——分歧全部来自它们各自把什么算进了归因窗口。

论文作者自己给了两种解释

他写得很克制：这些结果可能意味着所有商家都存在假评价，也可能意味着造假者伪装得足够像真人，以至于高质量商家的许多正当评价也被标记成了假的。

注意这句话的结构——他给了两种解释，一种都没有排除，也没有说自己更倾向哪种。在一份要被引用的材料里，作者主动写下“这里我说不准”，比他给出一个确定结论有用得多，可惜这句话在传播中活不过第一手转述。

两种解释推出的动作完全相反

如果是第一种，那结论是“假评价无处不在，谁都别装”。如果是第二种，那结论是“这个过滤器误伤严重，尤其误伤好店”。前者让你更不相信评价，后者让你更不相信过滤器。而引用这个数字的人，通常两种都没说，只留下了那个47%。

两种解释指向相反的动作时，唯一的出路是设计一次能分开它们的观察。把SEO决策变成假设检验讲的就是这一步：先想清楚什么结果能证伪哪一种，再去看数据。

还有第三种可能，藏在平台自己的说明里

回到Yelp那句话：有时候一条评价进了不推荐区，只是因为软件对这个人了解得不够多。那么高质量商家的隐藏率偏高就有了一个平淡的解释——好店往往新客占比高，新客的账号往往是新的，新账号系统认识得少。这个解释不需要任何人造假。

这句话在传播里活不过一手

它写在平台自己的信任与安全说明里，位置不隐蔽，语气也不含糊。可只要那个百分比被搬走一次，这句话就掉了。再搬第二次，连“不推荐”这个词都会变成“被判定为假”。

这不是谁存心曲解。是因为“被判定为假”比“系统了解不够所以暂不推荐”短得多、也有力得多，而每一次转述都在为简短付费，付出去的正是那些限定条件。限定条件是这类信息里最先掉的东西，因为它最长、最绕、也最不像重点。

新客账号被系统认得少这件事，反过来也会影响你。社会证明体系怎么搭才能让陌生买家敢下第一单里，最容易被忽略的正是新账号写的那批评价，它们对转化最有用，却最容易被过滤。

被隐藏的那些评价，分数反而更高

论文还算了一件事：如果把被过滤的评价放回去一起算平均分，高质量商家的星级会上升0.2星，中等上升0.1星，低质量上升0.4星。而被过滤评价本身的平均分，比已发布的高0.3、0.2和0.7星。

这两组数要分开读。前一组是“放回去以后整体变多少”，后一组是“被拿掉的那批自己有多高”。后一组更大，是因为被拿掉的只占一部分，掺回整体里会被稀释。能同时给出这两组，说明作者知道有人会混用，提前把两个口径都摆出来了。

这一条的方向反倒是对的

低质量商家那一栏的0.4和0.7最大，说明过滤器确实在压制虚高，而且在最该压的地方压得最狠。所以这套算法在做正事，只是它做的事叫“别让分数被抬起来”，不叫“判定这条是不是假的”。

作者自己在脚注里划了这条线

他写道：评价没有被发布可能有假评价之外的原因，比如脏话、垃圾信息，或者与已有评价重复。这句话被放在脚注里，而正文里的那个数字被搬走时，脚注没有跟上。

那人能不能靠读一读就分辨出来

这个问题有人做过实验，而且数字很难看。信任飞行员在透明度报告里引了三组：面对面判断一个人有没有说谎，准确率54%；只看评价内容找出假评价，准确率57%；如果额外提供评价者的一些信息，升到65%。

凡是靠肉眼判断的事，都值得先做一次小规模实测。拿一批样本页跑一遍再下结论那次也是这样：跑之前所有人都很确定答案，跑完之后一半的人改了口。

还有一组更狠

同一页还引了一项研究：让参与者区分一段文字是人写的还是人工智能写的，准确率50%到52%。

50到52是什么概念

随机瞎猜是50%。也就是说，最好的情况下比抛硬币多认对2条，最差的情况下和抛硬币一模一样。那句“我一眼就能看出来这是刷的”，翻译成数学是：我的判断携带的信息量约等于零。

更麻烦的是这种判断带着强烈的自信。没人会说“我抛硬币决定这条评价真不真”，可从结果上看，说“这条一看就是刷的”和抛硬币是同一件事。准确率50%配上自信度90%，比准确率50%配上自信度50%危险得多，因为前者会真的去改点什么。

57%其实也没好到哪去

57%意味着每100条里比瞎猜多认对7条，同时也意味着有43条判错。拿一个准确率57%的判断去质疑一条评价，你有将近一半的概率在冤枉一个真实顾客。

所以平台早就不看内容了

信任飞行员在同一页写了它的做法：技术手段访问的是数亿条评价背后的行为数据点，而不是评价的文字本身，这样即使内容是人工智能写的也能识别。看行为不看内容，是因为文字这条路已经被堵死了。

看行为不看内容，这个转向在搜索引擎那边发生得更早。产品评论算法更新之后哪些站活了下来那次的结论是：活下来的不是文字写得漂亮的，是能拿出实际使用痕迹的。

检测这条路有个结构性问题

它是一场没有终点的军备竞赛。对方每换一种写法，你就要更新一次模型；你更新一次模型，对方就换下一种。而准入门槛是一次性的结构改造：把“能自己报名”改成“只能被随机抽中”，之后不需要每年再改。

两条路的成本曲线完全不同。检测的成本随对手的进化线性增长，准入的成本主要发生在改造的那一次。代价是准入会把一部分真实用户也挡在外面——皮尤那套面板一年只邀请一小批人，样本贵得多，这笔钱就是这么花掉的。

有个数字正好印证了这一点

上一节算过：信任飞行员的自动检出率从68%提到82%，相对提升20.6%，而假评价占比还是那个6%。检测能力提升了两成，报出来的比例几乎没动。这不是检测没用，是检测的产出被造假的产能同步吃掉了。

换个角度，不查单条也能看出问题

同一篇论文里还有一组分布数据，我觉得比隐藏率有用得多：在几个主流平台上，平均分高于4星的商家占比分别是——某搜索平台59%，某社交平台79%，某家装服务平台96%。

96%这个数说明这把尺子已经废了

一个评分体系里96%的商家都在4星以上，剩下4%里还包括各种极端情况。这时候星级已经不携带信息了，因为它对任何一家店的评价都是“很好”。你不需要一条条查假评价，看一眼分布就知道这个数字不能用来做选择。

同一组数里，某搜索平台是59%，某社交平台是79%。三个平台的分布压缩程度差得这么远，说明这不是消费者的态度差异，是各家评分规则和过滤策略的差异。换句话说，你比较的从来不是商家好不好，是平台松不松。

这比查真假省力得多

查一条评价的真假，要看内容、看账号、看行为，还不一定查得出来。看一眼评分分布，只需要几分钟。而分布这个东西是造假者没法单独修的——他能把自己那家店刷到4.8，改不了整个平台96%都在4星以上这件事。

顺带说一个更省力的替代动作

与其纠结某个平台的假评价率是多少，不如做一件更简单的事：把你自己后台的原始评分分布，和那个平台展示出来的评分分布放在一起比。

比对分布之前，先确认你的数据导得出来。给评论加上星级结构化数据那篇里的字段设计，顺手就能满足这个需求，因为它本来就要求评分和条数分开存。

两条分布差多少，就是这个平台在你这里过滤掉的量。这个数是你自己的，不依赖任何一份透明度报告，也不用相信任何人的口径。做一次不到半小时，而且它回答的是你真正关心的那个问题——不是“行业里有多少假的”，是“我这家店在这个平台上被削掉了多少”。

这一节的判据

收一下：看见一个“假评价占比”的数字，先问它是不是从“被平台处理过的评价”里算出来的。如果是，那它测的是平台的处理量，不是造假的存量；如果它还被分了档，就去看那条线的形状对不对得上造假的动机——形状不对，多半是这个指标测的根本不是那件事。

一条假评价，到底值多少钱？

有人把这个问题直接摆到了监管机构面前

联邦贸易委员会制定这条规则时公开征求过意见。在收到的意见里，有一家企业提了个很实在的要求：希望委员会说清楚假评价的财务后果，比如是不是每条大约5万美元。

这个提法很值得注意。他没有问“这样做对不对”，也没有问“会不会被查”，他问的是单价。一个准备守规矩的人，想知道的是这条线画在哪；一个准备算账的人，想知道的是每一步值多少钱。同一个问题，两种人都会问。

问单价的人未必都是要算账。自夸式榜单被点名之后怎么改那次，很多站长第一反应也是问“到底哪一条越线了”，而那个问题问出来，多半意味着他还想留下点什么。

委员会的回答有三句，只有第一句是确定的

它写道：目前的最高民事罚款是每次违规51744美元，但法院必须考虑法案里规定的若干法定因素，可能判处低得多的单次罚款；最终，法院还将决定在一个具体案件中如何计算违规次数。

三句话，第一句给了上限，第二句说这个上限通常达不到，第三句说“一条算不算一次”这件事本身还没有答案。也就是说，提问者想要的那个单价，官方的回答是：分子有上限，分母未定。

那个51744今天已经不是51744了

这类罚款上限每年按通胀调整。2025年1月17日联邦公报发布的那次调整把它提到了53088美元，此后维持。差1344美元，涨幅2.60%。

法规里的数字会变，法规要求你留的证据也会变。商品页上被划掉的那个原价就是个例子：规则本身十年没大改，但对“证明它存在过”的举证要求一路收紧。

我把这个变化写出来，不是因为1344美元有多重要，而是因为它说明了一件事：规则正文里印着的那个数，是会过期的。引用一条法规里的金额时，得顺手确认一下有没有更新过，这是个五分钟的动作。

现在把收益端和成本端并排摆一下

收益端，本文第一节算过：自主报名式问卷，一条1美元，可以一天两百条，可以开五个账号。三个数字全部确定，精确到个位。

成本端：上限53088美元，实际多少法院定，一条算不算一次法院也还没定。三个环节里没有一个是确定的。

这就是全篇最不对称的一处

收益端精确到分，成本端连计量单位都还没有定下来。这不是谁的失职——立法本来就得给司法留裁量空间，逐条定价反而会出问题。但对一个正在算账的人来说，这种不确定性是有方向的：它降低了成本端的期望值。

一件事收益确定、代价模糊，人们的默认反应是低估代价。模糊本身就是一种折扣。

53088除以1，等于53088

这个除法很粗暴，但它有意义：一条假评价的罚款上限，相当于53088条假评价的全部收入。换个说法，如果一个人靠一美元一条挣钱，他要连续做53088条才能赚回一次顶格罚款。

再换个口径更直观：按每月30000美元算，一次顶格罚款等于1.77个月的全部收入。不到两个月的活儿，一次罚没。

但这个倍数漏掉了最关键的一项

造假者不会拿罚款上限跟收入比，他算的是期望值——罚款金额乘以被抓到并被顶格处罚的概率。而上一节已经说清楚了：靠读内容识别假评价的准确率是57%，靠人力查一家一家的成本极高，跨平台举报有近一半没有下文。

把概率乘进去之后，那个53088倍就未必还是53088倍了。这也是为什么真正管用的从来不是提高罚款上限，而是提高被抓的概率——前者是乘数，后者是那个决定乘数有没有意义的因子。

顺便说说那句“法定因素”是什么

法条里列的考量因素大致包括：欺骗行为的严重程度、被告的支付能力、以往的行为记录、以及从公平角度看还有什么需要考虑的。这几项没有一项是可以提前算出来的。

这类依赖情节的条款，最好在出事之前就有人替你读过。法务和SEO之间那七个协作动作点里，有一条就是让法务提前把这类模糊条款翻译成运营看得懂的红线。

它们的共同点是都依赖具体情节。换句话说，能不能提前知道自己要赔多少，取决于你有没有真的做过这件事——没做过的人算不出来，做过的人算得出来但已经晚了。这个设计是故意的。

把这套结构和刷单方那套放到一张表里

四行里有三行是不对称的

左边一列全部可以在动手之前算清楚，右边一列只有第一行的上限是明确的。一个人做决定时，能算的那部分会被算得很仔细，算不了的那部分会被换成一句“应该不至于”。

可预测这件事，在合规工具上体现得最明显。违禁词检测把销量最好的那句话标成高风险，而那句话恰好是执法指南里写明的例外——工具给的是确定答案，规则给的是有条件的答案。

这不是道德问题，是认知的默认行为。凡是要靠规则约束行为的场合，把代价做得可预测，往往比把代价做得高更有效。

规则说明里有一句话，把这件事说穿了

委员会在解释为什么要把这些行为写成一条正式规则时提到：如果没有一条能有效追索民事罚款的路径，做坏事的人几乎不必担心受罚。

这句话承认的是：在这条规则之前，这些行为本来就是违法的，只是罚不动。规则改变的不是“什么被禁止”，而是“罚起来能不能走得通”。

规则本体一共九节，其中一节是空的

正文短得出人意料：465.1是定义，465.2到465.8是七类被禁止的行为，465.9是可分割性条款。而465.3那一节只写着两个字：保留。

条文短不等于要求低。有的法规连表格长什么样都规定了，读起来同样只有几句话，落到页面上却要改一整套模板。

委员会自己算过这条规则值多少钱

说明文件里有一张十年现值表。按3%贴现率算，收益现值在674亿到2695.5亿美元之间；按7%贴现率算，是570.3亿到2304.4亿美元。净收益的低端是561.6亿美元。

十年现值这种算法，本质上和内容投入产出是同一套。内容ROI到底怎么算那篇里我拆过单篇盈亏表，最难的一步也不是加减，是决定把哪些收益算进来、算几年。

数量级很大，但这不是本节的重点。重点在成本那一行。

成本那一行：低端8.7亿美元，高端0

是的，高端估计那一栏的一次性成本写的是零。第一次看到时我以为是排版错误，翻到对应章节才明白它是认真的。

为什么会是零

委员会的原话大意是：这条规则禁止的行为，本来就已经属于违法行为；已经守法的企业不会因为这条规则而产生任何额外成本。所以其中一个情景假设企业只花极少时间读一遍规则，不对现行政策做任何改动——成本就是零。

另一个情景假设企业因为现在面临民事罚款风险，会主动做一轮自查：通知员工、审一遍流程、该改的改。这一轮自查算出来是8.7亿美元。

这两个情景的差别，恰恰就是这条规则的效果本身

把这一层想透会有点绕，但它很值：规则的合规成本，全部来自企业因为怕被罚而多做的那些动作。而“让企业因为怕被罚而多做点什么”，正是这条规则唯一的目的。

所以这两栏数字的关系是：成本为零，等于规则完全没起作用；成本是8.7亿，等于规则起作用了。成本和效果是同一件事的两面，一份成本效益表居然把这两面同时印在了一页上。

那8.7亿是怎么摊出来的

他们用的底数是2021年美国约3477万家企业，其中员工500人以上的有19688家，其余3475万家是小企业；再假设其中74%会因为这条规则做一轮自查，也就是不超过2571万家。

拍出来的比例撑起总数，这在预算测算里天天发生。财务和SEO那七个协作动作里最关键的一条，就是把每个假设单独列出来，让看的人知道哪一格是查来的、哪一格是估的。

这个74%是我在文件里看到的唯一一处纯假设，它没有对应的实证来源。把它调到50%，成本立刻掉三分之一。一份把每一项数据来源都标了脚注的文件，最后仍然要靠一个拍出来的比例把总数撑起来——这不是缺点，是任何前瞻性估算的宿命，值得记住的是它出现在哪一层。

他们还往两个方向各做了一次压力测试

一个方向是假设合规成本被系统性低估了：把所有人工工时乘以10。这样合规审查成本变成87.2亿美元，而按7%贴现的净收益仍有483.1亿美元。

另一个方向是假设威慑效果被高估了。这次动的不是成本，是那个核心系数。

核心系数从0.12换成0.04，结论缩水三分之二

主表用的假设是：消除评价操纵之后，消费者在每一美元支出上能挽回0.12美元的福利损失，这个数来自一项关于假评价如何影响需求与福利的实验研究。压力测试改用0.04——同一项研究里，只消除部分操纵时报告的最小改善值。

换掉这一个系数，7%贴现下的净现值从561.6亿降到181.4亿，只剩三分之一。0.12和0.04差3倍，而它们出自同一篇论文的两种情景。

这一条对读任何一份影响评估都成立

一份评估报告的结论，往往由一两个核心系数决定，而这些系数通常藏在脚注里，写着它取自哪项研究的哪种情景。换掉一个系数，结论可以差三倍，而报表的格式一行都不用改。

要求给出依据，本身就是在压缩这种系数的自由度。商品页上写环保材质要拿得出证据那条新规也是这个思路：不禁止你说，只要求你说的时候带上算法和来源。

我自己顺手把这个系数推成了金额

用他们自己的口径：2023年美国电商零售额11190亿美元，受评价影响的服务业收入3410.5亿美元；按大约10%的商品或商家存在操纵计算，分别是1119亿和341亿。

自己验算一遍别人的表，这个习惯在合规数据上尤其值。同意横幅怎么装才不毁掉SEO数据那篇里的采样偏差，也是靠拿两套数据互相验算才发现的。

再乘0.12：电商侧约134.3亿美元，服务业侧约40.9亿美元，一年合计约175.2亿美元。十年一千七百多亿，和他们那张表的量级对得上，说明我理解的口径没跑偏。这一步纯粹是自己验算，不验算的话，那张表就只能当结论背。

这一节的判据

收一下：看见一个罚款上限或者一个处罚金额，先找它的计量单位——按条、按次、按天、按笔，还是按案。单位没定的时候，那个金额的威慑力主要来自它的位数，而不是来自它的实际期望值。

选工具时也该问同样的问题。出海独立站怎么选同意管理平台那份横评里，我把每家的计费单位单列了一栏，因为按会话、按域名还是按次数计费，同一个报价能差出好几倍。

同理，看见一份影响评估，先找它的核心系数取自哪一项研究的哪一种情景。把那个系数换成同一篇论文里的另一个值，结论通常会缩水一半以上——如果它不会，那才是真的稳。

“求评价”和“求好评”，差在哪一个字上？

这条规则里有一句话，是独立站最容易踩的

前面几节都在讲怎么读别人的数据。这一节换个方向：如果你自己的站点在收集评价，哪一步会把自己的数据也搞成前面说的那种。

答案集中在这份规则的465.4这一节。它是整份规则里最短的一节，只有一句话，但那句话的落点很出人意料。

配置层面的对应动作也不复杂。优惠券和促销规则怎么设置才不亏本那篇里的防薅逻辑，稍微改一改就能用在评价激励上，两者要防的其实是同一类行为。

先把这一句原样翻出来

大意是：一家企业提供报酬或其他激励，用以换取表达特定倾向的评价，或者明示、暗示地以表达特定倾向为条件发放报酬，无论这个倾向是正面还是负面，都属于不公平或欺骗性行为，构成对本部分的违反。

读第二遍的时候注意那个转折点。被禁止的不是“提供报酬”，是“以表达特定倾向为条件”。

红线不在给不给钱，在钱跟什么挂钩

这个区分极其锋利，而且几乎所有中文讨论都把它讲丢了。给写评价的顾客发5美元店铺余额，这件事本身不在禁止之列；把发放条件写成“分享你的好评”，就跨线了。

推荐计划里有完全一样的分界。双边激励怎么设计才不被薅羊毛的核心，也是把奖励挂在“完成了某个动作”上，而不是挂在“达成了某个结果”上。

同一笔钱，同一批人，同一个动作，区别只在活动文案的措辞。

两句文案，放在一起看

第一句：写下你的使用体验，无论满意与否，都可获得5美元店铺余额。第二句：分享你的好评，赢取5美元店铺余额。

第一句合规，第二句不合规。两句话在中文里差的是“体验”和“好评”这两个词，在英文原文里差的更少。而这两句话通常是市场同事在活动上线前十分钟随手改定的。

多摆几对，这条线的位置会更清楚

第五行是最容易被忽略的一行

它不涉及任何文案措辞，涉及的是发送名单。只给已知满意的顾客发评价邀请，这个动作在文案上完全干净，但它把筛选做在了上游。很多站点的自动化流程里就埋着这一条，因为它当初是作为“提高邀请转化率”的优化加进去的。

名单条件通常藏在自动化流里。自动化流和一次性群发的分工那篇讲过，流的触发条件写好之后基本没人再看，而筛选偏差正好就长在那些没人再看的地方。

这也是这一节和前面几节真正的接点：无论筛选发生在写之前、写之后还是展示之前，产生的偏差是同一种，只是越靠上游越难被发现。

为什么线画在这儿，而不是干脆禁止一切激励

因为激励本身不制造偏差，条件才制造偏差。你付钱请人说话，得到的是更多的人说话；你付钱请人说好话，得到的是更多的好话。前者放大样本量，后者扭曲分布。

积分和分层体系里也有这道题。会员忠诚度体系怎么搭时，如果把积分挂在“晒好评”上，整套等级数据就会跟着倾斜，而等级数据往往还要拿去做用户分层。

这个道理和本文第一节那套判据是同一回事：决定数据形状的不是有没有钱，是钱跟什么绑在一起。

那到底什么算报酬

规则在定义那一节给了清单。所谓“购买一条评价”，指的是提供任何有价值的东西以换取评价，包括金钱、礼品卡、产品、服务、折扣、优惠券、抽奖资格。

清单的最后一项让人愣一下

清单没有到抽奖资格为止，后面还跟着一样东西：另一条评价。

也就是说，“我给你的店写个好评，你给我的店写个好评”，这种互换在定义上就等同于花钱买。它不需要有任何金钱流动，就已经落进了“购买”这个词里。

这一条对做独立站的人有直接后果

卖家社群里的互评互赞、店主之间的资源置换、行业群里的“帮忙点个五星”，全都在这个定义的射程内。很多人觉得没花钱就不算买，而规则里那句话的存在，说明写规则的人早就想到这一层了。

找素人做体验官是另一条路，也更经得起看。KOC素人体验官怎么铺成真实口碑矩阵的关键在于：给的是产品和场景，不是结论，写什么由对方决定。

那还能不能主动请顾客写评价

能。而且规则专门为此留了口子，位置在465.2的例外条款里。

那个口子叫“泛化征集”

原文的意思是：企业向购买者发出泛化的征集，请他们就自己的使用体验发表评价或推荐，由此产生的评价不适用前面那两款的限制。

“泛化”这个词是整条规则给运营留的唯一活口，也是唯一需要逐字理解的词。它的意思是：面向所有购买者、不挑人、不挑倾向、不预设内容。

三条可以照抄的自查

把这个词翻译成三个可以对着活动方案打勾的问题：这次征集是发给所有买过的人，还是只发给评分高的那批？文案里有没有出现任何暗示希望得到正面反馈的词？拿到报酬的条件，是不是只跟“写了”有关，跟“写了什么”无关？

获客那头有一份现成的对照可以借。邮件列表怎么合规地从零养起来里的双重确认流程，逻辑上就是把“愿意收”和“留了地址”分成两件事，和这里把“写了”和“写了什么”分开是同一种拆法。

三个都是“是”，这次活动就站得住。三个问题合计不到三分钟，而它拦下的是本文第一节讲的那种偏差，从源头上。

接下来是自己人写的评价

465.5管的是内部人。高管或经理写自家产品的评价、推荐语，必须清楚显著地披露自己和企业的关系，除非这层关系对受众来说本来就很明显。

“近亲属”的定义只有四类

配偶、父母、子女、兄弟姐妹。清单短得几乎有点保守，堂表亲、姻亲都不在内。定义写得越窄，越说明写的人打算认真执行它——一个宽泛到没边的定义，实际上等于没有定义。

披露关系这件事，在内容侧比在法务侧更常见。把开箱做成复购和口碑的杠杆时，寄出去的每一份体验装其实都产生了一层需要说明的关系，只是大多数人不这么想。

最有意思的是465.5里的第三款

它管的是索要行为：高管或经理向自己的近亲属、或者向员工、代理人索要评价，或者要求员工去找他们的亲属写评价，如果结果是这些人写了评价却没有披露关系，并且这位高管或经理满足三个条件之一，就构成违规。

三个条件里最值得注意的是中间那个

三个条件是：鼓励对方不要披露；没有指示对方要清楚显著地披露；或者知道、应当知道这样的评价出现了却没有采取补救措施。

中间那一条是纯粹的不作为。你什么都没说，就已经满足了这个条件。这是整份规则里唯一一处把“没做某件事”直接写成违规要件的地方。

不作为等同于作为，这个设计是有道理的

因为“我没让他不披露”这句辩解太容易说了，而“我明确要求他披露了”是有痕迹的——一封邮件、一条群消息、一份内部说明。规则把举证责任推到了留痕这一侧，等于要求企业主动生产证据。

落到动作上很简单：如果你请员工或朋友帮忙写过评价，把那句“请注明你和本店的关系”写进消息里，并且留着那条消息。

顺带一提，规则里16个定义只有一个是关于钱的

定义那一节从a排到p，一共16条：企业、名人推荐、清楚显著、消费者评价、评价托管、消费者推荐、虚假影响力指标的分发、虚假影响力指标、近亲属、社媒影响力指标、经理、高管、购买评价、评价者、推荐者、无依据的法律威胁。

积分算不算报酬，这个问题问得最多。积分和会员体系怎么搭才不被薅那篇里我把积分当成货币处理，理由和这里一样：只要它能换到东西，它就是有价值的东西。

16条里只有“购买评价”那一条是在界定报酬。一条主要用来管钱的规则，只花了十六分之一的定义篇幅去定义钱，其余全用来界定“谁在说话”和“说的话怎么呈现”——这个比例本身就说明了监管者认为问题出在哪。

再往下是能不能只展示好评

465.7管压制。它禁止两件事：一是用没有依据的法律威胁、人身威胁、恐吓或明知虚假的公开指控，来阻止评价被写出来或迫使它被删除；二是在按评分或负面倾向压制评价的同时，声称页面上展示的是全部或大部分评价。

第二条的重点是那句声称

规则禁止的不是“隐藏差评”这个动作本身，是“隐藏了差评还宣称这里展示的是全部”。压制加上声称，两个要件缺一不可。

这个结构和上一节讲的那些平台数据其实是同一回事——问题从来不在于过滤，在于过滤之后还把结果当成未过滤的呈现。

七条例外的共同点

规则列了允许不展示的情形：包含商业秘密或机密信息、包含诽谤骚扰淫秽内容、包含他人的个人信息或肖像、带有种族性别等歧视内容、内容明显虚假或误导；此外还有卖家有合理理由相信这条是假的，以及评价与所售商品完全无关。

规则引擎里的条件也该按同样的标准审一遍。目录规则和购物车规则怎么配那篇里，最容易出错的就是条件之间的优先级，因为优先级会悄悄把某一类订单整个排除掉。

把七条读一遍，会发现它们共享一个前提

规则原文写得很直白：只要扣留评价的标准是对所有提交的评价一视同仁地适用、不考虑情感倾向，就不算按评分或负面倾向压制。

换句话说，能不能藏，取决于你的筛选规则里有没有出现“评分”和“情绪”这两个变量。这一条是可以自查的：把审核规则打印出来，逐条看有没有哪一条只对差评触发。

顺手说一下这一条和自家站点的关系

很多独立站的商品页只展示精选评价，这件事本身完全合规——只要你没有暗示这是全部。问题出在措辞上：写“顾客评价”是安全的，写“全部顾客评价”就把自己架上去了。

精选这个动作本身没问题，问题在于它替谁做了选择。产品详情页怎么摆脱供应商文案那篇讲的是同一层：页面上每一块内容都在替用户做减法，做减法的依据必须说得出来。

更容易出事的是排序。默认按“最有帮助”排，而“有帮助”的投票本身可能被引导过；默认按星级从高到低排，等于把压制做在了排序里而不是过滤里。这一层规则文本没有明说，但它和465.7(b)想防的是同一件事。

还剩两节，一句话各说清

465.6禁止把自己控制、拥有或运营的网站包装成独立第三方测评——自建对比页、自家的“行业测评站”，如果不说明关系就落在这一节里。465.8禁止买卖虚假的社媒影响力指标，粉丝、点赞、播放、转发都在列举范围内。

独立性这条线，搜索引擎那边也在画。Google给第三方工具划的信任边界值得对照读一遍，两边关心的都是同一件事：这个结论是谁给的，给的人和被评的人是什么关系。

把这一节能直接变成动作的部分拎出来

四条：活动文案里把“好评”改成“评价”或“体验”；请人写评价时把“请注明与本店的关系”写进去并留痕；把评价审核规则通读一遍，确认没有任何一条只对低分触发；自建的测评或对比页面上，注明这是本站的内容。

再补第五条，它不在规则里但同样重要：检查评价邀请的发送名单，确认它不是按满意度筛过的。这一条最容易漏，因为它藏在自动化流程里，不在任何一份文案里。

四条加起来不到一小时，而且不需要任何工具。它们改变的不只是合规风险，更是你自己那份评价数据的可用性——本文前四节讲的所有偏差，源头都在这四条上。

保哥踩过的坑：一笔5美元的余额，把主推位选反了

先说这个站是干什么的

一个做比例模型和收藏级手办的跨境独立站，卖1比18的汽车模型、树脂雕像、静态模型套件那一类，主要打北美和西欧，客单价从60美元到800多美元都有，团队二十来人，站点加运营五六个。

这类品类是典型的窄而深。怎么选一个能做起来的niche市场里我提过，这种品类的好处是竞争少、客户忠诚，麻烦是每个单品的数据量都薄，任何一点扰动都会被放大。

为什么这类站特别值得拿来讲评价

因为它的商品结构是极长尾的：品类下面几千个型号，每个型号的销量都不大，一个具体型号页面上通常只有个位数的评价。

而这正是关键：当一个页面只有5条评价时，多一条假的，权重是那些有5000条评价的页面的一千倍。换句话说，长尾品类的“造假单位收益”天然就比大众品类高出几个数量级——本文第一节那套判据，在这里的敏感度最高。

长尾的这个性质是双刃的。长尾关键词从挖到淘汰的全生命周期里，收益最高的那一段也是数据最薄的那一段，判断只能靠少量样本，错了也最难发现。

他们做了一件看上去完全正当的事

为了把评价数补起来，运营上了一个活动：买过的顾客写评价，送5美元店铺余额。全站统一，不分商品，不设上限，做了半年。

这类活动本身是常规动作。会员日营销怎么从策略设计做到复盘那篇里的五个步骤，最后一步就是复盘，而复盘要看什么，往往决定了这次活动到底留下了资产还是留下了噪声。

数据看起来很成功

半年下来，每个在售型号的平均评价数从2.3条涨到6.8条，涨了195.7%；全站平均星级从4.31涨到4.72，涨了0.41星。

两个指标同向大涨，团队认为这是过去两年做得最漂亮的一件事。季度复盘上这一页停留时间最长，没有人提问。

然后他们用这份数据做了一个决定

下一季度要选三个主推型号，吃掉首页焦点位、邮件头条位和付费投放的主要预算。选品依据定得很清楚：星级4.8以上，在此基础上按评价数排序取前三。

这个规则本身没什么可挑的。星级代表满意度，评价数代表被验证的充分程度，两个都高，听起来就是最稳的选择。

用单一来源选品是危险的。选品的三角验证之所以要三条腿，就是为了避免这种情况：一条腿被污染了，另外两条能把它拽住。

三个月后的结果

三个型号里有两个卖崩了。不是没卖动，是卖动了之后退货率是全站平均的三倍，算完退货和往返运费，那两个型号的主推位是亏的。

退货率是这里唯一说了实话的指标。跨境退货率怎么从尺码和产品图上降下来那篇里，退货原因的分布往往比退货率本身有用，因为率是结果，分布才指向动作。

第三个还行，但也没到值得占首页焦点的程度。

当时的第一反应是找选品的毛病

会上讨论的方向是选品眼光、产品页描述、尺寸标注、模型比例说明，甚至讨论了要不要换供应商。没有一个人怀疑那两个指标本身。这很正常——那两个数就摆在那儿，谁都看得见，它们涨了也是事实。

价格带这个变量当时没有人提。从成本加成到价值定价的决策框架里我强调过，价格带不只是定价问题，它还决定了买家画像、决策周期和对评价的依赖程度。

破局的人是新来的运营，她要做的是另一件事

她进来接的活是重排评价邀请的发送节奏，属于日常优化。做之前她想先摸清楚这半年评价到底是怎么长起来的，于是把活动期内产生的评价按型号导了一遍。

第一眼看到的是分布不对

新增的评价不是均匀铺在所有型号上，而是高度集中在便宜的那一批。60到120美元区间的型号，评价数增长的贡献占到了七成以上，而这个区间的销售额只占全站的三成不到。

第二眼看到的是文案

她把那个活动的落地页和邮件模板翻出来，标题写的是四个字：分享好评。正文里还有一句“把你的五星留给我们”。

这一句话就把整个活动从“请你说说”变成了“请你说好”。本文上一节讲的那条红线，就画在这个位置上——报酬能不能挂在评价的倾向上。写这句文案的同事完全是好意，他只是想让文案更有号召力。

但真正的问题不在这句话上

文案是问题，可它解释不了分布。就算文案改成中性的，也不该出现七成评价集中在低价段这种情况。

她算的下一个数才是关键。

同一笔5美元，在不同商品上根本不是同一笔钱

两头一比，差了13.33倍

最低价档和最高价档之间，同一笔5美元的相对力度差13.33倍。一个全站统一、看起来最公平的激励政策，实际上是一层偏向低价商品的隐形权重。

高客单价那头受的影响完全不同。高客单价独立站为什么靠内容和信任取胜说的就是这件事：几百上千美元的决策，5美元的余额撬不动，能撬动的是一段能打消疑虑的说明。

于是“评价数最多”这个排序条件，测的根本不是“哪个商品被验证得最充分”，测的是“哪个商品上的顾客最容易为5美元动笔”。这两句话在报表上长得一模一样。

星级那一栏也被同一个原因抬起来了

拿到余额的人给分平均更高，这是意料之中的。而低价段拿余额的人比例远高于高价段，所以低价段的星级被抬得更多。

两个指标，一个原因，同向变化。

这一条是整件事里最值得记的

两个指标同时往好的方向走，是最让人放心的形状——大家会说“互相印证”。可如果它们被同一个原因驱动，同向恰恰是最没有信息量的：它不是两个证据，是同一个证据出现了两次。

两个数被同一个原因推动，在财务模型里更隐蔽。算LTV老是算错的那几个原因里，最常见的一个就是把留存和客单价当成两个独立变量，而它们经常同时被一次促销抬起来。

要真的相互印证，两个指标得来自不同的机制。评价数和星级都长在“谁愿意写评价”这一件事上，天然就不是独立的。

为什么半年里没有任何一份材料预警

这件事最费解的地方在这儿。他们的数据不算薄，事后一份份翻回去，前四份全是零。

第一份：退货率总数

全站退货率在活动期内没有明显变化。原因很朴素——低价段的销量占比本来就低，它的退货波动被高价段稀释掉了。总数是个平均值，而平均值最擅长的事就是把结构性的问题抹平。

第二份：广告后台

投放数据在活动期内没有任何拐点。这也正常，因为活动动的是评价，不是流量，广告后台压根测不到这一层。

后台看不见，不代表没发生。多触点归因模型怎么选才不被最后一次点击骗走预算里的核心问题也是这个：一个渠道在模型里没有位置，它做的事就永远不会出现在报表上。

第三份：流量分析

低价段商品页的自然流量确实涨了一些，但幅度落在正常波动区间里，谁看都不会觉得异常。

第四份：A/B测试

他们做过一次评价展示位的测试，结论是样本量不足、无法得出结论。这类结论在报告里通常就是一句话带过，没人会追问“不足”背后有没有别的信息。

第五份材料在另一个部门，而且它不是行为数据

真正一查就露的那份东西，在财务那边：店铺余额的发放与核销台账。

为什么偏偏是它

前四份材料有一个共同前提——它们记录的都是用户在你的商品结构里的行为：来了多少、看了什么、买了没有、退没退。而这份台账记录的不是行为，是钱的去向。

钱这个东西有一个别的数据都没有的性质：它必须对账。发出去一笔要记，核销一笔要记，月底必须平。没有人可以只发不记，也没有人可以少记一笔——不是因为财务同事更认真，是因为对不上就过不去。

库存台账有同样的性质，理由也一样。库存管理为什么必须防超卖说到底是因为账面数字要跟仓库里的实物对上，对不上就会有人来找你，而行为数据对不上没有任何人会来找你。

由此得到本节最实用的一条

当你怀疑一份行为数据被激励污染了，最快的验证不是去查那份数据，是去查那笔钱：把发出去的激励按商品、按人群分一遍，看它是不是均匀落在你的商品结构上。

他们后来做了这件事，花了大半天。结果和评价数的分布几乎完全重合：七成多的余额发在了三成不到的销售额上。钱的账本和评价的账本，是同一张图。

那它为什么半年里没被人看过

两个原因，都很实在。第一，它是成本，不是收入，归财务管，而财务不看商品结构；第二，它是按笔记录的，台账上有金额、有时间、有订单号，唯独没有商品分类那一列。

要按价位段分一遍，得手工做一次订单号和商品的关联。不是查不到，是没人有理由去做这次关联——在此之前，谁都不知道要查什么。

真正在变的东西，那条曲线从头到尾测不到

把评价数按价位段拆开之后，那两个卖崩的型号的真实身份也清楚了：它们是入门款。买入门款的多半是第一次接触这个品类的人，对比例、尺寸、涂装工艺没有概念，收到实物之后落差大，退货率天然就高。

第一次买的人最需要的是把预期说清楚。退换货政策页怎么写才既是信任背书又能拿流量那篇里，写得越具体退货率越低，听起来反直觉，实际是因为具体的描述会先劝退一部分不合适的订单。

这件事和评价一点关系都没有，评价数再多也测不出来。那条曲线测的是“哪些商品的顾客愿意为5美元动笔”，而他们拿它去回答“哪些商品值得压上季度预算”。

最扎心的一击

按价位段分档重算，一共花了半天。四个数一个都没有被推翻：评价数确实从2.3涨到了6.8，星级确实从4.31涨到了4.72，两个涨幅都是真的。

变的只是那张排序表——加了一列价位段，前三名换了两个。就这一列，把一个季度的预算方向掉了个头。

还有一个回环，我当时听完愣了几秒

这个团队一直很警惕外部数据。他们不信平台公布的行业星级基准，理由是“口径不清楚，谁知道怎么算的”。而他们自己那个4.72星的口径，从头到尾没有任何一个人写下来过。

不是隐瞒。是这条信息在流转过程中没有一个能挂住它的地方——策划活动的人知道有个5美元，做复盘的人只拿到了汇总后的星级，看复盘的人连有过活动这件事都不一定记得。

说服会议的措辞，比结论本身更难

她第一次汇报时说的是“这个星级不可信，是刷出来的”。这句话的效果是零，甚至是负的。

汇报的措辞不是修辞问题，是能不能推动事情的问题。怎么把电商SEO汇报给老板才让他看见价值那篇里的原则只有一条：让对方不需要否定过去，就能同意接下来的动作。

因为“刷”这个字指控的是人。那个活动是市场同事策划的、主管批的、老板点头的，说它是刷出来的，等于说这几个人在造假。会议接下来半小时全部花在“我们到底算不算刷单”上，没人再关心主推位。

第二次她换了一句话

她说的是：“这5美元在60美元的商品上占8.3%，在800美元的商品上占0.6%。我按价位段分开重算了一遍评价数，前三名换了两个，是这样。”

这句话里没有任何评价，只有两个事实、一个动作和一个结果，而且那个动作是她自己做的。听的人不需要承认任何事情，也不需要为任何事情负责。会议自然转向了“那按新的算法我们该推哪三个”。

后来改了四处

文案先改，把“分享好评”换成“说说你的使用体验”，把“把你的五星留给我们”整句删掉。改完之后评价数从6.8掉回4.1条，星级从4.72掉到4.48。

掉下来的那0.24星，是这半年唯一被量出来的东西

这个数很难得。它不是估的，是把偏差源撤掉之后直接读出来的差值。在此之前，没有人能说出“我们的星级里有多少是激励带来的”，改完之后有了一个具体的数。

当然它不精确，中间还混着季节和商品结构的变化。但一个粗糙的实测值，比一句“应该有一些影响”有用得多。

顺便说，那0.24星如果换算成排序位置会更吓人：在他们那个品类里，4.48和4.72之间挤着几十个型号。星级这个东西在小数点后第二位上决定名次，而多数人的直觉还停留在“四星半和五星差不多”。

第二处：激励按价位分档

低价段2美元，中价段6美元，高价段15美元，让相对力度大致拉平在3%上下。这样5美元那层隐形权重就没有了。

第三处：选品规则加了一列

主推位不再看全站评价数排名，改成先分价位段，段内再排。一个能挤进段内前三的入门款和一个能挤进段内前三的高价款，含义完全不同，而全站一起排的时候它们长得一样。

第四处：台账加了一列商品分类

财务那边加这一列几乎没有成本，订单号本来就在。加完之后，每个月的余额发放可以直接按价位段出一张分布图，不需要再做手工关联。

最意外的收益不是这四条里的任何一条

是会上讨论评价数据的顺序变了。以前是先说哪个型号评价好，然后有人问为什么；现在是先问这个型号在哪个价位段、那个段当期的激励力度是多少，然后再说评价好不好。

顺序换一下，“这个型号评价最好”这句话就没法脱口而出了。而说不利索，恰恰就是目的。

哪些自查动作，能在半天之内做完？

先说这六件事的排序依据

下面六个动作，前五件加起来不到一小时，第四件半天，最后一件零成本。排序不是按重要性，是按拿到成本乘以结论能不能直接变成动作这两个维度相乘的结果。

按成本和产出排序，这是我做任何清单时的习惯。开站之前那六项自评也是这么排的：排在前面的不是最重要的，是那些答错了会让后面全部白做的。

换句话说，排在前面的不一定最深刻，但一定是最划算的。

第一件：数一数，提供一条数据的人能拿到什么

10分钟。打开那份数据的参与说明、报名页或者活动条款，找报酬那一栏：多少钱、什么形式、什么时候发。

查证类的动作最适合交出去。内容运营和SEO那七个协作动作点里，凡是不需要判断的都固化成了模板，因为模板化的前提就是这件事不依赖做的人是谁。

排第一是因为它完全不需要判断力——有没有报酬是客观的，多少钱也是客观的，任何人查出来的结果都一样。查不到就写“未披露”，千万别留空，空着过两个月你会以为自己查过。

报酬的形式比金额更值得抄下来

现金、礼品卡、店铺余额、抽奖资格、积分、会员等级、优先购买权，都算。越是不像钱的形式，越容易在讨论里被当成“不算激励”。本文上一节说过，规则里那份清单的最后一项甚至包括“另一条评价”。

自动化流里发出去的权益最容易漏记。那七种高回报的自动化流里有好几种自带优惠，它们通常不走活动预算，也就不会出现在任何一份活动台账上。

第二件：问一句，我能不能自己报名参加

5分钟，通常一眼就能看出来。答案分三种：能自己报名、需要被邀请、需要通过某种线下核验。

这一句比第一句更硬，因为它决定的不是价格而是产能。能自己报名意味着一个人可以变成一百个人，而报酬再低，乘以一百也不低了。这就是本文第一节那个1364倍的主要来源。

第三件：数一数，同一个人最多能提供多少条

10分钟。有没有上限、上限是多少、靠什么执行——是靠账号，靠手机号，靠支付账户，还是靠一句“请勿重复参与”。

大多数材料不写这一条，而不写本身就是答案。凡是认真设过上限的，一定会写出来，因为那是他们花了成本做的事，没有理由藏着。

执行方式也值得多看一眼。靠账号去重是最弱的，注册一个账号的成本接近于零；靠支付账户或者实名信息去重强得多；靠“被随机抽中才能参加”是最强的，因为它把去重做在了名单生成那一步，压根不需要事后识别。

去重强度和裂变系数是一枚硬币的两面。私域社群那五个维度的指标看板里，裂变系数越高的玩法通常去重越弱，因为去重会直接压住传播速度，这个取舍得摆到台面上说。

顺便说一句，这三件事对自家数据同样适用

大部分人会拿这三句去审外部报告，其实审自己更有用。你的用户问卷发出去有没有奖励？同一个人能不能填两遍？填问卷的入口是不是挂在会员中心里，也就是说只有活跃用户才看得见？

审自家数据时，缺口往往在另一头。零点击时代的归因怎么补讲的就是这种情况：不是数据被污染了，是有一大段行为压根没有被记录过。

第三个问题问的就是准入门槛，只不过方向反了——外部数据担心谁都能进，自家数据担心只有一小撮人能进。两种偏差的机制不同，但都能靠同一句话问出来。

前三件合计25分钟，能得到什么

三个答案凑齐，就能给这份数据分个档：报酬低或没有、有条数上限、有准入门槛，三样齐全的可以当基准；缺一样的当线索；能自己报名而且没有上限的，不管方法说明写得多好，只能当行业动态读。

第四件：把自己发出去的激励按商品分一遍

半天，六件里唯一能产出待办清单的，也是唯一需要跨部门的。

做法在上一节讲过：不要从营销看板做，从财务的发放与核销台账做。看板上的数字已经是加工过的，台账上的是原始的，而且必须对得上账。

这一件真正花时间的地方

不是导数据，是做关联。台账通常只有金额、时间和订单号，没有商品分类那一列，得先把订单号和商品对上。这一步只需要做一次，做完之后让财务在台账里固化这一列，以后每个月自动就有。

做一次关联换长期可用，这笔账通常划算。上千篇旧内容怎么做留改并删转的决策也是这样，最花力气的是第一次把口径对齐，之后每季度跑一遍只要一个下午。

看的时候只看一件事

把发出去的激励按商品价位段或者人群分组加总，和这些分组各自的销售额占比放在一起比。两个占比大致对齐，说明激励是中性的；明显偏向某一段，那一段的所有相关指标都要打折看。

模型站那次的结果是七成多的激励落在三成不到的销售额上，一眼就看出来了，不需要任何统计方法。

第五件：把活动文案逐字过一遍

20分钟，零成本，但规避的风险最大。三个问题，对着活动方案打勾：

文案这一层的回报常被低估。从CTA到结账那三十个A/B测试方案里，改动最小的几条往往效果最稳，因为它们动的是理解成本，不是页面结构。

三个问题

征集是发给所有买过的人，还是只发给评分高的那批？文案里有没有出现任何暗示希望得到正面反馈的词？拿到报酬的条件，是不是只跟“写了”有关，跟“写了什么”无关？

第一个问题最容易漏，因为它不在文案里，在自动化流程的筛选条件里。很多站点当初是作为“提高邀请转化率”的优化加进去的，加的时候完全没往这个方向想过。

第六件：给常用数据源标一个档位

零成本，难在坚持。做法是给你经常引用的那几份材料——行业报告、平台基准、竞品数据、自家问卷——各标一个造假单位收益的档位，高、中、低三档就够，标在你存放它们的那个文档里。

它的作用不是提供信息

标完之后你并不会知道任何新东西，因为那三个档是你自己刚刚判的。它真正的作用是在引用之前先让人停一下——一份材料旁边挂着“高”这个字，把它写进方案时总要多想半秒。而多想那半秒，就是全部目的。

让人停一下这件事，本身就有价值。A/B测试怎么做才不影响SEO那篇里的多数建议也不提供新信息，它们的作用是在上线之前多一道确认，而那道确认拦下的东西比任何优化都值钱。

六件事放在一张表里

这张表里最容易被跳过的是第四行

因为它是唯一要跨部门的，而跨部门的事总是排在最后。但它也是唯一能拿出证据的一件——前三件得到的是判断，第五件得到的是风险规避，只有第四件能在会上摆出一张图说“钱是这么分布的”。

如果时间只够做一件，做第四件。如果时间只够做十分钟，做第二件。

这六件事该挂在哪个流程上

光靠自觉是活不下去的。前面几批分别把类似的检查挂过组件库、验收用例模板、设计评审、采购问卷、客服工单模板、发布检查清单、上线工单、季度规划文档、竞品调研模板、立项申请单、测试假设登记表、设计规范条目、以及指标定义文档。

这一批挂在促销活动申请单上

具体说，是预算审批表里“激励发放”那一栏，加一行必填：本次活动每位参与者最多能拿到多少，同一个人最多能参与几次，参与门槛是什么。

选它的理由很硬

设计激励的人一定会来填这张表，因为不填财务不给预算。他可能不写周报、不发群公告、不更新活动文档，但他必须把发放规则写进预算申请，否则钱批不下来。

这是整条链路上唯一能保证“设计收益结构的那个人”和“这行字”必然相遇的地方。前面几批挑卡点的逻辑都是这一条：不找最该记录的地方，找那个人非去不可的地方。

怎么设才不会被绕开

不设选项校验，不设审批环节，不设格式要求。判定只有两种：填了和没填。一旦引入审核，就会有人为了不被卡而写得含糊，含糊的记录比没有记录更麻烦，因为它看起来像是有。

四条边界，得提前说清楚

第一，它只对有激励的数据有效。没有任何报酬的数据同样会有偏差，只是偏差的来源换成了别的，这套东西治不了。

第二条边界最容易被误会

填了不等于设计合理。这一行字保证的只是信息被记下来了，它不判断5美元该不该发、该发给谁。真正做判断的是第四件事那次分组比对，而那件事需要活动结束之后才能做。

第三条边界

它治的是“这个数字里有多少是激励带来的”，治不了“这个指标该不该是核心指标”。模型站那次，就算把激励拉平了，用评价数决定主推位这件事本身还是可以讨论的——那是另一个问题。

第四条边界

标出了不等于修好了。要真的把偏差拿掉，得重新设计激励档位，让相对力度在各个价位段拉平；而拉平之后，前后两段数据仍然不可直接比较，这一点和跨口径的历史数据是同一类麻烦。

口径迁移这件事必须提前讲

推这套东西的时候，最好在第一次会上就说清楚：可用的指标一条都不会少。变的只是一部分数字前面多一句“活动期内”，一部分“增长”要改称“激励期增长”。

而这会让一小部分“持续变好”降级成“投了钱之后变好”。按我这些年的经验，第一次做完，核心指标里被标记为明显受激励影响的通常在两到三成之间。提前说了是预期管理，不说就是事故。

措辞比动作本身更重要

上一节讲了那个反例：说“这个星级是刷出来的”，半小时会议全部花在“我们算不算刷单”上。这里再补两条本批想清楚的。

越是两个指标同时变好，越该先查

单个指标涨了，总会有人问一句为什么；两个指标一起涨，反而没人问了，因为大家会说“互相印证”。

可如果这两个指标长在同一件事上，同向就不是印证，是同一个证据被数了两遍。判断办法很简单：问一句“这两个数会不会被同一个原因同时推动”，答案是会，那它们就不能互相当证据。

做完这六件之后，隔多久复查一次

前三件跟着材料走，每次引用一份新材料就做一遍，做多了会变成本能，看到一个百分比手就先去找报名页。第四件建议一个季度一次，因为激励政策的调整通常是按季度走的。

第五件在每次活动上线前做，属于上线检查的一项。第六件没有周期，它是一次性的标注，只有在换了新的数据源时才需要补。真正需要设周期的只有第四件，其余五件要么跟着事件走，要么根本不需要重复。

怎么判断这套东西在你这儿有没有生效

有一个很土但很准的信号：会上有人开始主动交代口径了。不是被问了才说，是在报数字的时候顺手带一句“这段时间有活动”“这个是段内排名”。

这个信号比任何检查表的完成率都可靠，因为它意味着这件事已经从流程变成了习惯。流程要靠人推，习惯不用。反过来，如果推了两三个季度还是只有你一个人在问口径，那多半是挂错了卡点——它没有长在那些人非去不可的地方。

越是长尾的商品越该查，可现实里恰恰相反

长尾商品页面上评价少，单条评价的权重高，造假的单位收益天然更高。可正因为每个型号销量都不大，没有人有动力去查一个季度只卖几十件的型号的评价。

长尾页面还有另一重身份。AI来的流量转化率高，可落地页接不住说的正是这批页面：它们被引用的概率在上升，而它们恰恰是最少被人手工检查过的那一批。

于是最脆弱的地方，恰好是最没人看的地方。而主推位的选拔往往就是从这堆没人看过的数据里挑出来的——这正是模型站那次出事的完整机制。

这套判据在什么地方会失灵？

先说一个它完全管不到的场景

没有任何报酬的数据，照样有偏差，而且往往更难查。免费的评价里，愿意动笔的人天然是两头的人——特别满意的和特别生气的，中间那批人默默用着，一个字不写。

自愿反应偏差没法靠算账解决，只能靠结构补。独立站信任怎么建的那七层结构里，评价只是其中一层，剩下几层存在的意义就是当评价这一层不可靠时还有别的东西可看。

这种偏差叫自愿反应偏差，它跟钱一点关系没有，所以本文这套判据一句话都说不上。它需要的是另一把尺子：看评分分布是不是两头高中间低。

有意思的是，激励恰恰能治这一种。给所有购买者发一笔中性的报酬，请到的正是那批本来不打算开口的中间人群。所以“有报酬”不必然是坏信号，它有时候是在修另一种偏差——前提是那笔报酬没有跟评价的倾向绑在一起。

第二个失灵的地方：有报酬不等于有造假

得说句公道话。拿了5美元认真写了两百字的顾客，是大多数。激励改变的是“谁会写”，不必然改变“写的人说不说实话”。

模型站那次也是这样：没有任何证据表明有人编造了使用体验，所有评价背后都是真实订单。坏掉的不是评价的真实性，是评价数这个指标的可比性。这两件事经常被混为一谈，而它们要用完全不同的办法处理。

第三个：对平台自己公布的数据只能用一半

平台不是被一条一美元的报酬驱动的，它被别的东西驱动：形象、监管压力、竞争位置。所以问“提供一条数据能拿多少钱”对它没有意义，得换成“报出这个数对它有什么好处”。

平台愿意给什么、不愿意给什么，本身就是信息。归因数据平台为什么不会给你那篇拆过两层，结论也是一样的：先想清楚给你这个数对它有什么好处，再决定怎么用。

这就是本文第二节做的那件事——四家全部选择了“我删了多少”这个跟自身利益同向的口径。判据的形式变了，问的还是同一件事：这个数是谁在什么激励下生产出来的。

第四个：对已经聚合过的数字无能为力

你在某篇文章里看到一个百分比，它来自一份报告，报告来自一次调查，调查来自一家供应商的样本池。收益结构在三层之外，而链条上每断一层，就少一次核对的机会。

多个来源不等于多个独立来源。十种语言里十份口径一致的资料回头一查是同一篇英文翻出来的，看起来是十次互相印证，实际上只有一次。

这时候唯一能做的是往回追，追到能看见报名页为止。追不到就按最坏情况估——一份追不到源头的百分比，默认它的准入是零门槛，这个假设通常不冤枉人。

第五个：算完发现可以忽略，也是结论

这一条容易被当成失败。花20分钟查了三样东西，结论是“报酬很低、有次数上限、需要邀请”，那这次自查什么都没查出来。

可它的价值恰恰在这儿：你可以放心地往下走，而不是带着一个悬着的疑问做决定。一个被排除的怀疑和一个被证实的问题，对决策的贡献是一样的，只是前者不好意思写进汇报。

接下来回应三种常见的反驳

这套东西讲给团队听，通常会遇到三句话。每一句都有道理，也都需要接住。

第一句：照你这么说什么数据都不能信了

不是。这套判据的产出是分级，不是否定。三问全过的可以当基准用，过两问的当线索用，一问不过的当行业动态读——三种用法都是“用”，只是承重不同。

真正该警惕的是反过来的那种态度：因为无法证明它是假的，所以当成真的用。无法证伪和已经证实之间，隔着这份材料的全部价值。

分级这件事，做手法判断时也一样。黑帽白帽灰帽到底怎么分那篇里我没有给非黑即白的答案，给的是一条按风险和可逆性排的线，因为现实里的选择几乎都落在中间。

第二句：我们没有能力做这些分析

前三件事不需要任何能力。查报酬多少、问能不能自己报名、看有没有次数上限，全部是查证，不是分析。一个刚入职的实习生做出来的结果，和一个十年经验的分析师做出来的结果，应该是一样的——如果不一样，说明有人查错了。

需要能力的只有第四件，而第四件的门槛也不高：把两列数据分组加总，放在一起比。

第三句：交给监管管就好了

这句话最经不起推敲，因为本文第四节已经把账算过了。规则上限是53088美元，但一条算不算一次违规，规则说明里写的是“由法院决定”。

更现实的一点是：监管管的是欺骗，管不了不可比。模型站那次，从头到尾没有一条评价是假的，没有任何一条规则被违反，而那个季度的预算方向仍然是反的。规则能挡住恶意，挡不住结构性偏差。

现在做一件必须做的事：用这套判据审一下本文自己

写到这儿如果不回头审一遍，前面所有的话都站不住。本文用了三类材料，三类都有立场。

第一类：那家调查机构的方法问答

它是当事方。它在解释为什么自己的方法比别人的好，动机再强不过了。那两个数字——对手月入30000美元、自己月上限22美元——摆出来的方式本身就是在论证。

当事方给的材料未必不能用。图片越假信任越低那篇里用的很多例子来自品牌方自己，取的都是那种能被独立核对的部分——拍摄地点、设备型号、可以比对的实物细节。

所以我的处理是：只用它给的原始数字，不用它的结论。1364倍这个比值是我自己除的，三个杠杆的拆解是我自己做的，而“限制次数比抬高单价有效”这个推论，原文一个字都没提。

第二类：监管机构的规则说明

它在论证自己制定的规则值得做。十年收益估到2695亿，一次性成本估到0，这个组合本身就说明了这份文件的方向。

我从里面取的东西有个共同点：全部是那种对它自己不利或者至少中性的部分。比如四个来源差十倍这件事，是它自己承认的；比如换个系数结论缩水三分之二，是它自己算的；比如那个74%的假设没有来源，是我从它自己的行文里挑出来的。

第三类：平台的透明度报告

方向最明显，报的全是“我拦下了多少”。所以我只用它的绝对数，不用它的比例。2.6百万、3.3百万、5400万、17%，这些是原始的；6%是它算的，而我把它重新算了一遍，发现是5.633和6.111。

绝对量比比例可靠，这一条在评估品牌信号时特别好用。品牌信任正在取代排名那篇里我更看重被提及的次数和场合，而不是各家工具算出来的所谓可见度分数。

唯一例外是那个54%的处理率——那一条对它不利，所以我直接用了。一份材料里凡是出现对自己不利的数，那部分通常比其余部分可信。

把三类材料的处理办法列成一张表

第三列和第四列的分界线在哪儿

大致是这样：凡是采集得到的、只需要如实记录的，可以拿；凡是需要选择口径、选择分母、选择情景才能得出的，都要自己重做一遍。

绝对量属于前者——删了330万条就是330万条，编不了也没必要编。比例属于后者，因为分母是选出来的。这一条不只对本文这三份材料成立，对绝大多数二手材料都成立。

还有一条边界，跟时间有关

今天零门槛，不代表去年也是。有些平台早年是完全开放注册的，后来才加上验证；有些机构的面板换过供应商。你查到的收益结构是现在的，而你手里那份数据可能是三年前采集的。

同一个东西在不同时点上不是同一个东西。过期域名买来之后信任能不能继承也是一样的问题：域名没变，但它背后那串历史随时可能已经换了一茬。

这一条没有省事的办法，只能看那份材料自己有没有交代采集时点，以及那个时点的规则是什么样。查不到的时候，至少要在心里把结论的置信度往下压一档。

把这三段收成一句

有立场的材料不是不能用，是不能用它的结论。原始数字、绝对量、对自己不利的部分，这三样可以拿；比例、推论、总结句，这三样得自己重做一遍。

这条规矩听起来很累，实际做起来大部分时候只是一次除法。

而且它有个副作用值得一提：自己重算过一遍的数字，你会记得住，也敢在会上被追问。直接抄来的数字则相反，被问一句“这个怎么来的”就只能说“报告上写的”。

还有一类材料本文没碰，但值得提一句

行业白皮书和厂商报告。它们通常不给报名页，因为受访者是销售团队从客户名单里请来的，报酬是一份定制版报告或者一次行业沙龙的席位。这种报酬不是钱，判据的第一句问不出东西。

但第三句照样管用：能不能自己报名。答案是不能，只能被邀请——而邀请名单来自现有客户。准入门槛很高，可门槛把守的方向是反的：它挡住的不是造假者，是所有不用这家产品的人。结论会偏向哪边，不用算也知道。

最后说一处留白

那条规则的九节里，465.3是空的，只写着“保留”两个字。立法文本里的这种留白通常有两种含义：要么是原来有内容后来删掉了，要么是给还没想清楚的东西预留了编号。

不管是哪一种，它都在提醒一件事：这套规则本身还在动。而本文所有关于罚款、关于计量单位、关于例外条款的讨论，都是在一个还没定型的框架上做的。

再把三句判据说一遍

提供一条数据的人能拿到多少钱；同一个人最多能提供多少条；想进来要先付出什么。三问全过当基准，过两问当线索，第三问答“能自己报名”的只能当动态读。

粗筛只有一句

这份数据，我自己能不能报名进去贡献一条。如果能，那想造假的人同样能，而且他比你更有动机、更有工具、也更有时间。这句话不需要打开任何附件，通常在报名入口那一屏就有答案。

它替代不了完整的三问，但在时间只够问一句的场合，它是信息量最大的那一句——因为准入门槛一旦是零，后面两句问出什么答案都救不回来。

核心那句换个说法再说一遍

方法论文档写的是发布方希望你相信的东西，收益结构决定的是造假者实际会怎么做。前者要读，后者要算，两者冲突时以后者为准——因为造假者不读方法论文档。

还有一句是本文写下来才想清楚的

数据质量这件事，长期以来被当成一个检测问题：怎么把假的挑出来。而本文翻过的所有材料指向的都是另一个方向。

信任飞行员把自动检出率提了两成，抓到的比例几乎没动；靠读内容识别假评价的准确率是57%，识别机器写的文字是50%到52%；而那家调查机构根本不做检测，它只是让你没法自己报名。

检测和准入，是两种完全不同的成本结构

检测的成本随对手的进化持续增长，永远没有做完的一天；准入的成本主要发生在改造的那一次，之后就固定了。代价是准入会把一部分真实的声音也挡在门外，而这笔代价是要真金白银付的——概率抽样的样本贵得多，贵的就是这一段。

放到自己站上，这个取舍是同一道题

你可以花力气识别哪些评价是刷的，也可以把评价入口改成只有完成订单的账号才能写、每个订单只能写一条、报酬跟写不写有关跟写什么无关。前一条永远做不完，后一条改一次管很久。

往结构上走还有一条更长远的路。可验证的出处正在成为新的信任货币讲的就是这个方向：与其事后判断真假，不如让内容在生成的那一刻就带上可核对的来源。

模型站最后改的那四处，全部属于后一类。它们没有识别出任何一条假评价——因为压根就没有假评价——但它们让那份数据重新变得可以拿来做决定。大部分时候，这才是我们真正需要的东西。

常见问题解答

我们站上的评价本来就少，是不是干脆别做激励了？

不建议一刀切。评价数太少本身就是个真问题，长尾商品页面上只有两三条评价，转化会明显吃亏，这个损失是实打实的。真正要改的不是做不做，是怎么做。三条就够：报酬只跟“写了”挂钩，跟写什么无关；发送名单覆盖所有购买者，不按满意度筛；报酬按客单价分档，让相对力度大致拉平。做到这三条，激励带来的是更多的样本量，而不是更偏的分布。另外提前把活动的起止日期记在指标文档里，将来看这段数据时至少知道它跟别的时段不可比。真正要避开的只有一种做法：全站统一金额，加上一句“分享你的好评”。

我们已经做过好几轮有奖评价了，历史数据还能用吗？

分两种用法。用来看大方向没问题，比如判断这两年整体口碑是变好还是变差，因为量级差异通常大于激励带来的偏差。用来做商品之间的横向比较就要当心，尤其是价位跨度大的品类——同一笔奖励在便宜商品和贵商品上的相对力度可能差十几倍，横向排名会被这层隐形权重整个拧过来。稳妥的做法不是回头重算，而是把每一轮活动的起止时间标出来，在这些时段内部只做同价位段的比较。最省事的一步其实是把奖励发放台账按商品分组导一遍，看它偏向哪一段，偏得越厉害，横向比较越不能做。

引用一份行业报告时，怎么快速判断它值不值得深查？

看它有没有交代受访者是怎么来的。写明了“随机抽样”“受邀参与”“来自某某面板”的，可以往下看；只写“回收有效问卷若干份”而不说这些人从哪儿来的，基本就到此为止了。第二个信号是有没有报酬说明——认真设计过激励结构的机构通常会写，因为那是他们的成本项，没有理由藏。第三个更快：搜一下这份报告的参与入口，如果你能找到一个任何人都能点进去填的链接，那准入门槛就是零。这三步合计不超过十分钟，而且完全不需要懂统计。判断标准不是它写得多严谨，是它有没有留下可核对的入口——愿意被核对本身就是最强的信号。

美国那条规则对中国卖家有没有实际约束力？

有，而且路径不止一条。它管的是面向美国消费者的商业行为，卖家注册在哪儿不是免责理由；更直接的影响来自平台——各大平台的卖家政策通常会把监管要求转写成自己的规则，执行起来比监管快得多，后果也更即时，轻则商品下架，重则店铺受限。此外还有连带风险：如果你和第三方评价服务商合作，对方出了问题，追查通常会顺着订单和结算链条找上来。不过话说回来，就算完全不考虑法律层面，这条规则里那几个区分也值得照做，因为它们本质上是在教你怎么不把自己的数据搞坏。

平台把我们的差评过滤掉了，该不该去申诉？

先分清是删除还是降权。被删除的评价通常有明确的违规理由，申诉有明确的对象；被降权的往往没有理由，因为平台自己都说那可能只是系统对这位评价者了解不够。后一种申诉的性价比很低，而且这个分类会随时间来回变，今天不推荐的过一阵可能自己就推荐了。更值得花力气的是另一件事：把平台展示的星级和你自己后台的原始评分对一遍，看看差多少。这个差值是你在这个平台上被过滤掉的那部分，知道它有多大，比让某一条回来重要得多。顺便说，如果你自己站上也有审核规则，趁这个机会检查一下有没有哪一条只对低分触发。

团队担心改文案会让评价数掉下来，怎么说服？

别把这件事说成“合规要求”，那会让它变成一件不得不做的坏事。换个说法：掉下来的那部分，正好就是你一直想知道的那个数。模型站那次，文案改完评价数从6.8掉回4.1条、星级从4.72掉到4.48，那0.24星是他们第一次量出“我们的星级里有多少是激励带来的”。这个数在此之前谁都说不上来，只能靠猜。把它讲成一次免费的测量，比讲成一次损失容易接受得多。当然要提前说清楚预期：数字会掉，而且掉了不会自己回来，因为回来的那部分本来就不该在。同时把节省下来的预算挪到按价位分档的新方案上，团队会更容易点头。

有奖问卷和有奖评价，是不是同一类问题？

机制相同，暴露面不同。两者都是用报酬改变“谁会开口”，所以本文那三句判据都适用。差别在于问卷通常是一次性的、样本封闭、只有你自己看；而评价是长期累积的、公开展示的、还会被搜索引擎和推荐算法读走。这意味着评价的偏差会被放大和固化——一条被激励抬上去的星级会持续影响后来者的判断，而一份问卷做完就归档了。所以优先级上评价要先治。另外问卷还有一个评价没有的风险：如果奖励和答案内容挂钩，比如“回答满意可抽奖”，那它污染的是结论本身。这一条更隐蔽，因为问卷不公开，没人能替你发现。

我们用的是第三方评价插件，出了问题责任在谁？

从监管角度看，展示这些评价、并且从中获益的是你，所以责任很难推给工具。从实操角度看，更值得关注的是三件具体的事：这个插件的评价邀请是发给所有买家还是按条件筛的，它的默认文案里有没有暗示正面反馈的措辞，以及它的审核规则会不会因为分数低而自动扣留。这三项通常都在后台设置里，而且大多数站点从装上那天起就没动过默认值。花二十分钟把这三项过一遍，比研究责任归属有用得多。顺带把它导出的评价数据格式也看一眼，确认里面能不能带出商品分类和活动标记——不能的话，将来想按价位段分组会很麻烦。

权威参考资料