Jedyny w Polsce ranking robotów do mycia okien
"NA ŻYWO" oparty o potwierdzone OPINIE użytkowników

Jak powstaje ranking robotów do mycia okien?

Transparentna metodologia oparta na danych, a nie reklamach

Ranking robotów do mycia okien publikowany na myjka-do-okien.pl został opracowany z myślą o osobach, które chcą podjąć świadomą decyzję zakupową na podstawie rzeczywistych doświadczeń użytkowników, a nie materiałów marketingowych producentów.

Naszym celem nie jest stworzenie kolejnego statycznego zestawienia, które pozostaje niezmienne przez wiele miesięcy. Zamiast tego przygotowaliśmy system automatycznej analizy danych, który każdego dnia aktualizuje pozycje produktów na podstawie nowych opinii pojawiających się w największych polskich serwisach sprzedażowych.

Allegro oraz Ceneo są źródłami opinii, nie są partnerami ani organizatorami tego rankingu.

Dzięki temu ranking odzwierciedla aktualną sytuację rynkową i zmienia się wraz z napływem nowych recenzji użytkowników.

Nie oceniamy produktów ręcznie, nie przyznajemy punktów według własnych preferencji i nie ustalamy kolejności na podstawie współprac marketingowych. O pozycji każdego robota decydują dane oraz transparentna metodologia, której działanie opisujemy poniżej.

Dlaczego zwykła średnia ocen może prowadzić do błędnych wniosków?

Większość rankingów dostępnych w internecie opiera się wyłącznie na średniej ocen użytkowników.

Na pierwszy rzut oka wydaje się to logiczne. Produkt z oceną 5,0 powinien być przecież lepszy od produktu ocenionego na 4,8.

Problem polega na tym, że sama średnia nie mówi nic o wiarygodności wyniku.

Rozważmy dwa przykłady.

Produkt A

• Ocena: 5,0 / 5

• Liczba opinii: 2

Produkt B

• Ocena: 4,8 / 5

• Liczba opinii: 150

Gdyby brać pod uwagę wyłącznie średnią ocenę, wyżej znalazłby się Produkt A.

Czy jednak dwie opinie wystarczą, aby stwierdzić, że rzeczywiście jest lepszy od urządzenia, które zostało ocenione przez 150 różnych użytkowników?

Najczęściej nie.

Dwie recenzje mogą być przypadkiem.

Mogą pochodzić od pierwszych klientów.

Mogą zostać wystawione przez wyjątkowo zadowolone osoby.

Mogą również nie odzwierciedlać długoterminowej jakości produktu.

Natomiast kilkaset opinii tworzy znacznie bardziej reprezentatywną próbę statystyczną i pozwala znacznie lepiej ocenić rzeczywiste doświadczenia użytkowników.

To właśnie dlatego sama średnia ocen bardzo często prowadzi do błędnych rankingów.

Problem małej próby

W statystyce zjawisko to określane jest jako problem małej próby.

Im mniej obserwacji posiadamy, tym większy wpływ na końcowy wynik mają pojedyncze zdarzenia.

Przykładowo:

Jeżeli pierwszy użytkownik wystawi ocenę 5/5, średnia produktu wynosi 5,0.

Jeżeli drugi również wystawi 5/5, średnia nadal wynosi 5,0.

Dla osoby przeglądającej ranking wygląda to znakomicie.

Jednak statystycznie dwie opinie nie pozwalają jeszcze wyciągać wiarygodnych wniosków.

Zupełnie inaczej wygląda sytuacja produktu ocenionego przez 500 klientów.

Nawet jeśli pojedynczy użytkownik wystawi ocenę 1/5 lub 5/5, wpływ tej opinii na końcową średnią jest praktycznie niezauważalny.

Duża liczba ocen stabilizuje wynik.

To właśnie dlatego liczba opinii jest równie ważna jak sama średnia ocen.

Dlaczego nie premiujemy nowych produktów z kilkoma opiniami?

Nowe urządzenia bardzo często rozpoczynają sprzedaż od kilku entuzjastycznych recenzji.

To naturalne.

Pierwszymi klientami są zazwyczaj osoby najbardziej zainteresowane nowością lub użytkownicy, którzy świadomie wybrali dany model.

W efekcie pierwsze opinie bywają znacznie wyższe od tych pojawiających się po kilku miesiącach użytkowania.

Gdyby ranking opierał się wyłącznie na zwykłej średniej arytmetycznej, nowe produkty regularnie wskakiwałyby na pierwsze miejsca, mimo że zostały ocenione przez zaledwie kilka osób.

Takie zestawienie byłoby mało wiarygodne.

Dlatego w naszym rankingu wysoka ocena nie wystarczy.

Produkt musi utrzymać wysoką jakość również wtedy, gdy liczba opinii zacznie rosnąć.

Opinie potwierdzone zakupem — fundament wiarygodności

Drugim filarem naszego rankingu są opinie potwierdzone zakupem.

Internet pełen jest recenzji pozostawianych przez osoby, które nigdy nie miały kontaktu z danym produktem.

Niektóre z nich powstają w wyniku nieuczciwej konkurencji.

Inne są efektem kampanii marketingowych.

Zdarzają się również opinie przypadkowe lub publikowane przez osoby, które oceniają wyłącznie dostawę, a nie sam produkt.

Dlatego analizujemy wyłącznie recenzje pochodzące z systemów umożliwiających weryfikację zakupu.

Takie opinie mają znacznie większą wartość, ponieważ zostały wystawione przez osoby, które faktycznie kupiły robota do mycia okien i korzystały z niego w praktyce.

Nie oznacza to, że każda pojedyncza opinia jest idealna.

Oznacza natomiast, że ryzyko manipulacji jest zdecydowanie mniejsze niż w przypadku anonimowych komentarzy publikowanych w dowolnym miejscu internetu.

Dlaczego korzystamy z wielu źródeł danych?

Każdy sklep internetowy posiada własną grupę klientów.

Popularność konkretnego modelu może różnić się w zależności od miejsca sprzedaży.

Robot, który sprzedał się w dużej liczbie egzemplarzy na Allegro, niekoniecznie będzie równie popularny w innym sklepie.

Odwrotna sytuacja również jest możliwa.

Dlatego oparcie rankingu wyłącznie na jednym źródle mogłoby prowadzić do błędnych wniosków.

Nasz system codziennie agreguje dane z kilku niezależnych platform sprzedażowych.

Dzięki temu końcowy wynik odzwierciedla opinię znacznie większej grupy użytkowników i nie zależy od popularności produktu w jednym sklepie.

Dane pochodzące z Ceneo

Jednym z podstawowych źródeł wykorzystywanych przez nasz system jest Ceneo.

To jedna z największych polskich porównywarek cen, która od wielu lat umożliwia użytkownikom ocenianie produktów po zakupie.

Z każdego monitorowanego robota pobieramy między innymi:

• liczbę opinii,

• średnią ocen,

• informacje potrzebne do dalszych obliczeń statystycznych.

Dzięki temu możemy uwzględnić doświadczenia dużej liczby użytkowników pochodzące z wielu sklepów internetowych współpracujących z platformą.

Dane pochodzące z Allegro

Drugim głównym źródłem danych jest Allegro.

Jako największy marketplace w Polsce gromadzi miliony transakcji i ogromną liczbę opinii dotyczących sprzedawanych produktów.

Roboty do mycia okien są oferowane tam przez wielu niezależnych sprzedawców, dzięki czemu liczba recenzji bardzo szybko rośnie.

Uwzględnienie danych z Allegro pozwala znacząco zwiększyć reprezentatywność całego rankingu i lepiej odzwierciedla doświadczenia polskich użytkowników.

Dlaczego wykorzystujemy zarówno Ceneo, jak i Allegro?

Ponieważ żadne pojedyncze źródło nie pokazuje pełnego obrazu rynku.

Dopiero połączenie danych z kilku niezależnych platform pozwala uzyskać znacznie bardziej wiarygodny wynik niż analiza jednego sklepu lub jednej porównywarki.

Każdego dnia dane są pobierane automatycznie, agregowane i przygotowywane do kolejnego etapu obliczeń, w którym wykorzystywana jest średnia ważona, a następnie średnia bayesowska.

To właśnie te dwa elementy sprawiają, że ranking premiuje produkty sprawdzone przez dużą liczbę użytkowników, a nie tylko urządzenia z chwilowo wysoką średnią ocen.

Jak łączymy dane z różnych źródeł?

Roboty do mycia okien są sprzedawane w wielu sklepach internetowych oraz na platformach marketplace. Każde z tych miejsc posiada własną bazę klientów, własny system ocen oraz inną liczbę wystawianych opinii.

Oznacza to, że ten sam model może posiadać:

• 320 opinii w Allegro,

• 140 opinii w Ceneo,

• inną średnią ocen na każdej z platform.

Gdybyśmy opierali ranking wyłącznie na jednym źródle, wynik mógłby nie odzwierciedlać rzeczywistych doświadczeń wszystkich użytkowników. Dlatego pierwszym etapem działania naszego algorytmu jest agregacja danych, czyli połączenie informacji z wielu niezależnych źródeł w jeden wspólny wynik.

Nie wykonujemy zwykłej średniej arytmetycznej pomiędzy serwisami. Zamiast tego stosujemy średnią ważoną, dzięki której większy wpływ na końcową ocenę mają źródła posiadające większą liczbę zweryfikowanych opinii.

Czym jest średnia ważona?

Średnia ważona to metoda obliczeń wykorzystywana wtedy, gdy poszczególne zbiory danych mają różną wielkość.

W praktyce oznacza to, że serwis posiadający kilkaset opinii powinien mieć większy wpływ na końcową ocenę niż serwis, w którym produkt został oceniony zaledwie kilka razy.

Dzięki temu unikamy sytuacji, w której niewielka liczba ocen z jednego źródła mogłaby znacząco zmienić końcowy wynik.

Przykład działania średniej ważonej

Załóżmy, że robot otrzymał następujące oceny:

Allegro

• średnia ocena: 4,9

• liczba opinii: 220

Ceneo

• średnia ocena: 4,6

• liczba opinii: 30

Gdyby policzyć zwykłą średnią arytmetyczną:

(4,9 + 4,6) / 2 = 4,75

Takie obliczenie byłoby jednak błędne.

Dlaczego?

Ponieważ traktowałoby 220 opinii dokładnie tak samo jak 30 opinii.

W rzeczywistości zdecydowanie większą wartość statystyczną posiada zbiór liczący ponad dwieście ocen.

Dlatego wykorzystujemy średnią ważoną.

Wzór średniej ważonej

Średnia ważona obliczana jest według wzoru:

Średnia = (R₁ × V₁ + R₂ × V₂) / (V₁ + V₂)

gdzie:

R oznacza średnią ocenę z danego źródła,

V oznacza liczbę opinii w danym źródle.

Dla powyższego przykładu:

(4,9 × 220 + 4,6 × 30) / (220 + 30)

= (1078 + 138) / 250

= 4,864

Otrzymana wartość znacznie lepiej odzwierciedla rzeczywistą opinię rynku niż zwykła średnia arytmetyczna.

Dlaczego sama średnia ważona również nie wystarcza?

Choć średnia ważona jest znacznie dokładniejsza od zwykłej średniej arytmetycznej, nadal nie rozwiązuje jednego bardzo ważnego problemu.

Pozostaje kwestia liczby wszystkich opinii.

Wyobraźmy sobie dwa roboty.

Robot A

Średnia ważona:

4,95

Liczba opinii:

8

Robot B

Średnia ważona:

4,86

Liczba opinii:

620

Czy naprawdę możemy powiedzieć, że Robot A jest lepszy?

Statystycznie nie.

Osiem opinii nadal stanowi bardzo niewielką próbę.

Każda kolejna recenzja może diametralnie zmienić końcowy wynik.

Natomiast kilkaset opinii daje znacznie bardziej stabilny obraz jakości produktu.

Dlatego właśnie stosujemy kolejny etap obliczeń.

Średnia bayesowska – serce naszego rankingu

Po połączeniu danych z różnych źródeł każda ocena trafia do algorytmu wykorzystującego średnią bayesowską.

Jest to jedna z najbardziej znanych metod statystycznych służących do porównywania obiektów posiadających różną liczbę ocen.

Jej głównym zadaniem jest ograniczenie wpływu przypadkowych wyników osiąganych przez produkty posiadające niewielką liczbę opinii.

Dzięki temu ranking premiuje urządzenia, które utrzymują wysoką ocenę przez długi czas oraz zostały sprawdzone przez dużą liczbę użytkowników.

Wzór wykorzystywany w naszym rankingu

Do obliczeń wykorzystujemy następujący wzór:

Wynik = (v / (v + M)) × R + (M / (v + M)) × C

gdzie:

R – średnia ważona ocena produktu.

v – całkowita liczba opinii potwierdzonych zakupem.

C – średnia ocena wszystkich produktów znajdujących się w rankingu.

M – minimalna liczba opinii potrzebna do uznania produktu za statystycznie wiarygodny.

W naszym systemie parametr M wynosi 20.

Co oznacza parametr R?

Parametr R przedstawia rzeczywistą średnią ocenę produktu obliczoną po połączeniu wszystkich analizowanych źródeł.

Nie jest to więc ocena z jednego sklepu, lecz wynik powstały po agregacji danych z całego monitorowanego rynku.

Co oznacza parametr v?

Parametr v określa liczbę wszystkich opinii potwierdzonych zakupem.

Im większa wartość tego parametru, tym większe zaufanie algorytm przypisuje uzyskanej średniej.

Produkt oceniony przez kilkaset osób jest statystycznie znacznie bardziej wiarygodny niż produkt posiadający zaledwie kilka recenzji.

Co oznacza parametr C?

Parametr C jest średnią ocen wszystkich robotów znajdujących się w rankingu.

Można go traktować jako punkt odniesienia dla całego rynku.

Jeżeli produkt posiada niewiele opinii, jego wynik zostaje częściowo zbliżony właśnie do tej wartości.

Dzięki temu nowe urządzenia nie zajmują od razu najwyższych pozycji wyłącznie na podstawie kilku pierwszych recenzji.

Co oznacza parametr M?

Parametr M określa próg wiarygodności.

Przyjęliśmy wartość 20 opinii, ponieważ pozwala ona skutecznie ograniczyć wpływ bardzo małych prób statystycznych, jednocześnie nie dyskryminując nowych produktów przez zbyt długi czas.

Wraz ze wzrostem liczby opinii znaczenie parametru M stopniowo maleje.

Po przekroczeniu kilkuset recenzji wpływ średniej rynkowej staje się praktycznie pomijalny, a końcowy wynik niemal całkowicie odzwierciedla rzeczywistą ocenę użytkowników.

Dlaczego stosujemy właśnie tę metodę?

Średnia bayesowska od wielu lat wykorzystywana jest przez serwisy, które porównują obiekty posiadające bardzo różną liczbę ocen.

Najbardziej znanym przykładem jest IMDb, gdzie metoda ta pomaga tworzyć ranking filmów i seriali.

Jej celem jest ograniczenie wpływu przypadkowych ocen oraz promowanie pozycji, które zostały zweryfikowane przez dużą liczbę użytkowników.

Zastosowanie podobnego podejścia w rankingu robotów do mycia okien pozwala uzyskać bardziej stabilne i wiarygodne wyniki niż klasyczna średnia ocen.