豆瓣的 5 分评价系统和 Steam 的推荐度评价系统，我们该怎样选择？
5 分制评价系统和 “推荐/不推荐” 的评价系统，各自的利弊是什么？
比如豆瓣，tap，点评都是 5 分制。
steam，jump 则是推荐/不推荐，最终落到 “xx% 用户推荐” 这个推荐率上面。
简单的理解是，5 分制的颗粒度更细，不同综合分之间的对比度更强，更适合建设一个有公信力的榜单。而推荐/不推荐，在用户侧的思考成本更低，容易拿到更大的参与样本。
功能设计上，如纯银所说，选项少、成本低、行为样本数高。如果业务目标里，不强调榜单、排名的场景，就不需要设计更复杂的评分系统——够用就行。
生活中最直接的例子是：
普通大学考试 ABCD 评级，学生知道自己在什么段位即可 雅思作为语言能力考试，满分 9 分、0.5 分一档，通畅 6.5 足够证明基础语言能力 GRE 研究生入学考试，满分 340 分、一分一档，因为高校需要优中选优
从上到下，获得更准确的排名，是需要额外支付成本的。
回到产品设计，几个有代表性的例子：
细致评分制度：Amazon 五星、豆瓣五星、IMDb（直接用了 10 分制） 推荐 / 不推荐：Steam、什么值得买（值 / 不值）
前者，用户通过「得分」来判断，能直接对比排名，非常直观。但维护得分公信力也需要支付高成本—— IMDb 的得分基础是贝叶斯算法，同时还要考虑用户特征的影响（新注册、刷榜、资深观影用户等）。从用户视角看，评分的操作成本高一点点，准确性也会有影响。
后者，用户通过「推荐值」来判断，如果不需要横向对比，也同样直观——这件商品在 smzdm 有 82% 的人点了值，我高低得点进去看看。
这里还引申出一个上层问题，从业务目标出发，希望通过评价系统「让用户获得什么、做什么」。对于大部分平台，无非是帮助用户完成消费决策。在这个目标下，排名和榜单也只是方法之一，尤其在有强大推荐算法加持的当下——毕竟在大部分场景下，给我最好的，不如给我最适合的。也聊两个有代表性的例子：
微信读书：推荐 / 一般 / 不行——用户通过推荐值百分比来判断
Netflix：超赞 / 喜欢 / 不合胃口——用户通过「 xx% 适合你」来判断
尤其 Netflix ，强调通过「适不适合」做主线推荐：如果你盛赞《绝命毒师》，一定会把《风骚律师》通过各种方式砸你脸上，然后见缝插针地让你看《黑钱胜地》和《苏里南》——都是通过「 96% 适合你」这种推荐理由。至于其他热剧，再通过其他运营手段（热榜、标签）推荐给你。
补一个交易产品的视角：滴滴的司机评分。
内容来自“用思考交换思考”的 PM 思辨社区「犬校」。©2017-2022
点击“阅读原文”，查看犬校加入方式。