Patronen in Google review Verwijderingen
Dit artikel is een onderzoek naar het klantenbestand van GMBapi.com. Het is gebaseerd op 5 miljoen reviews in 79 landen en meer dan 20.000 locaties. Hoewel het eerste geval van een verwijderde review (in ons systeem) plaatsvond in september 2024, bevat de dataset reviews die teruggaan tot januari 2012, toen de vroegste verwijderde review werd gemaakt.
Online reviews zijn cruciaal voor de reputatie en financiële prestaties van een bedrijf. Maar wat gebeurt er als deze reviews verdwijnen? Opvallend veel reviews worden verwijderd door Google, waardoor bedrijven en klanten zich afvragen wat de achterliggende redenen zijn. Om de patronen achter deze verwijderingen bloot te leggen, analyseerden we een grote dataset van duizenden bedrijfslocaties in verschillende branches.
Dit is wat we tot nu toe weten over reviews: Negatieve reviews - met 1 of 2 sterren - zijn vaak langer, omdat ontevreden klanten vaak gedetailleerd ingaan op hun ervaringen. Maar hoe beïnvloeden factoren zoals de toon van de review, de timing, de inhoud en zelfs de manier waarop je reageert, de kans dat de review wordt verwijderd? Laten we de gegevens onderzoeken en erachter komen.

Tijdgebonden trends van verwijderde reviews

De grafiek hierboven toont het aantal verwijderde reviews per dag over verschillende maanden. We zagen sporadische pieken in de verwijderingsactiviteit, waarbij op bepaalde dagen meer reviews werden verwijderd, soms meer dan 1.500 reviewsn op één dag, mogelijk als gevolg van beleidshandhaving of geautomatiseerde spamdetectiesystemen.
In oktober 2024 trad de Spam Update in werking, die spam over de hele linie aanpakte, inclusief reviews. Dat zou kunnen verklaren waarom er rond die tijd een piek was. Google lanceerde ook de Core Update van november, die volledig was gericht op het verbeteren van de kwaliteit van zoekresultaten. Deze had waarschijnlijk betrekking op reviews die niet voldeden aan Google's standaarden voor betrouwbaarheid of authenticiteit. Dit soort updates leiden vaak tot grootschalige verwijdering van inhoud zoals nepreviews.
Reviews en antwoorden van verwijderde reviews
Verdeling van verwijderde reviews

Het bijgewerkte taartdiagram toont de verdeling van verwijderde reviews per beoordeling. Een overweldigende 73,1% waren 5-sterren beoordelingen, gevolgd door 12,8% 1-sterren beoordelingen.
Het hoge percentage verwijderde 5-sterrenbeoordelingen suggereert dat Google zich actief richt op mogelijk valse of gestimuleerde positieve reviews, die de reputatie van bedrijven kunnen vertekenen. Interessant is dat, hoewel er aanzienlijk minder 1-sterrenreviews werden verwijderd dan 5-sterrenreviews, deze op de tweede plaats kwamen, waarschijnlijk vanwege overtredingen zoals ongepast taalgebruik. Gematigde reviews (2 tot 4 sterren) werden minder vaak verwijderd, omdat ze over het algemeen evenwichtiger overkomen en een kleinere impact hebben op de bedrijfsreputatie in vergelijking met extreme beoordelingen zoals reviews met 1 ster of 5 sterren.
Hebben antwoorden invloed op verwijderingen?

Onze gegevens laten een interessante trend zien: 66,1% van de verwijderde reviews had geen zakelijke reacties, terwijl 33,9% die wel had. Dit suggereert dat het aangaan van een dialoog met beoordelaars de kans op verwijdering kan verkleinen. Antwoorden alleen zijn echter geen waterdichte garantie, de algoritmes van Google lijken zich meer te richten op de kwaliteit en authenticiteit van de review content zelf.
Sentimentanalyse van verwijderde reviews

Een aanzienlijk deel van de positieve reviews zonder antwoorden wordt verwijderd, wat mogelijk duidt op de detectie van niet-authentieke of gestimuleerde reviews.
Verwijderde vs. Niet-verwijderde reviews
Ratings

Google richt zich op extreme reviews, waarbij verwijderde reviews met 5 sterren en 1 ster een hoger percentage bevatten dan niet-verwijderde reviews. Terwijl 5-sterrenbeoordelingen worden gecontroleerd op nep of beloonde inhoud, worden 1-sterrenbeoordelingen vaak verwijderd vanwege beledigend taalgebruik of spam. Dit benadrukt de focus van Google op het modereren van invloedrijke reviews aan beide uiteinden van het spectrum.
Categorieën, thema's en sectoren in verwijderde reviews
Review categorieën

Categorie | Uitleg |
---|---|
Service en personeel | Opmerkingen over de kwaliteit van de klantenservice, de vriendelijkheid van het personeel, de deskundigheid of het reactievermogen. |
Kwaliteit van product of dienst | Opmerkingen over de kwaliteit, betrouwbaarheid of prestaties van aangeboden producten of diensten. |
Waarde en prijs | Opmerkingen over betaalbaarheid, gepercipieerde waarde, of de prijs overeenkomt met de ervaring. |
Milieu en toegankelijkheid | Opmerkingen over netheid, sfeer, locatie, gemak of toegankelijkheid. |
Algehele ervaring | Opmerkingen over de algemene ervaring, het oplossen van problemen of tevredenheid over het bedrijf. |
Perspectieven van werknemers | Opmerkingen van huidige of voormalige werknemers over de werkomstandigheden, het management of de bedrijfscultuur. |
Anderen | Opmerkingen die geen verband houden met de bovenstaande onderwerpen. |
Het staafdiagram toont de categorieën die het vaakst worden geassocieerd met verwijderde reviews, met "Service en personeel" op kop, gevolgd door "Kwaliteit van product of service" en "Omgeving en toegankelijkheid".
Het hoge percentage reviews over "Service en personeel" dat wordt verwijderd, kan te maken hebben met de hoeveelheid feedback die bedrijven doorgaans op dit gebied ontvangen. Hoewel veel opmerkingen in deze categorie positief zijn, kunnen ze worden gemarkeerd voor echtheidscontrole, vooral als de geschiedenis van de recensent patronen suggereert van te algemene, overdreven positieve of mogelijk gestimuleerde feedback.
Interessant is dat een deel van de verwijderde reviews valt onder "Perspectieven van werknemers". Dit geeft aan dat Google actief reviews verwijdert die zijn achtergelaten door werknemers om bevooroordeelde of egoïstische feedback te minimaliseren die de reputatie van een bedrijf zou kunnen verstoren. Als je ziet dat concurrenten dit doen, kun je deze reviews markeren onder de categorie "belangenverstrengeling" en zullen ze waarschijnlijk worden verwijderd.
Veel voorkomende woorden in verwijderde reviews

Review industrieën

Industrie | Uitleg |
---|---|
Gezondheidszorg en welzijn | Bedrijven die zich richten op medische zorg, persoonlijke gezondheid en welzijn, waaronder ziekenhuizen, klinieken, kuuroorden en fitnesscentra. |
Eten en drinken | Klantgerichte bedrijven die eten, drinken en eetervaringen aanbieden, zoals restaurants en cafés. |
Detailhandel en consumptiegoederen | Winkels die producten/tastbare goederen zoals kleding, elektronica, kruidenierswaren en speciale artikelen rechtstreeks aan klanten verkopen. |
Professionele diensten | Gespecialiseerde diensten zoals juridische, financiële en adviesbureaus die tegemoetkomen aan professionele of organisatorische behoeften. |
Dienstverlenende industrieën | Taakgerichte bedrijven die reparatie, onderhoud, onderwijs, logistiek of andere diensten aanbieden die tegemoetkomen aan specifieke operationele of individuele behoeften. |
Onderwijs | Instellingen en diensten gericht op onderwijs, training en vaardigheidsontwikkeling op verschillende niveaus. |
Automotive | Bedrijven die te maken hebben met voertuigen, zoals dealers, reparatiewerkplaatsen, wasstraten en verhuurbedrijven. |
Horeca & Reizen | Omvat accommodaties, reisdiensten en vrijetijdsactiviteiten, waaronder hotels, reisbureaus en recreatiefaciliteiten. |
Bouw & Vastgoed | Omvat bedrijven gerelateerd aan de bouw, vastgoedontwikkeling en vastgoedbeheer. |
De bovenstaande grafiek toont de verwijderde reviews per locatie per branche, berekend door het aantal verwijderde reviews per branche te delen door het aantal bedrijfslocaties met verwijderde reviews per branche.
Hospitality & Travel leidt met het hoogste percentage verwijderingen, gevolgd door Education en Food & Beverage. Deze trend suggereert dat sectoren met veel interactie met klanten en ervaringsgerichte diensten - zoals logies, eten en onderwijs - gevoeliger zijn voor kritisch onderzoek. Deze sectoren hebben vaak te maken met uitdagingen op het gebied van klanttevredenheid, wat kan resulteren in een hoger aantal gemarkeerde of twijfelachtige beoordelingen. Detailhandel & consumentengoederen heeft het laagste aantal verwijderde beoordelingen per locatie, mogelijk door minder gevallen van emotioneel geladen of beleidsschendende feedback in vergelijking met servicegerichte sectoren.
Belangrijkste inzicht: De normalisatie laat zien dat zelfs wanneer rekening wordt gehouden met de grootte van de sector, klantintensieve en ervaringsgerichte sectoren een hoger aandeel verwijderingen hebben. Dit onderstreept het belang van het handhaven van de kwaliteit en authenticiteit van beoordelingen in deze sectoren om verwijderingsrisico's te minimaliseren.
Inzichten in machinaal leren
Om beter te begrijpen welke factoren beïnvloeden of een recensie wordt verwijderd, hebben we een machine-learning model ontwikkeld met behulp van het Random Forest algoritme. Onze analyse richtte zich alleen op review-specifieke gegevens, omdat we geen toegang hadden tot informatie over de reviewers zelf. Het model behaalde een nauwkeurigheid van 64% en onthulde de top vier factoren die een rol spelen bij het verwijderen van recensies:
- Reviewlengte: Het totale aantal tekens in de recensie.
- Aantal woorden: Het aantal woorden in de recensie.
Sentiment: De toon van de recensie wordt gemeten op een schaal van -1 (volledig negatief) tot 1 (volledig positief). - Beoordeling: De waardering (1 tot 5 sterren) van de recensie.
Hoewel deze kenmerken ons waardevolle inzichten gaven, weten we uit ander onderzoek dat het opnemen van reviewer-specifieke gegevens, zoals plaatsingspatronen of gedrag, de nauwkeurigheid van het detecteren van frauduleuze reviews of reviews van lage kwaliteit aanzienlijk kan verbeteren.
Wat ander onderzoek aantoont
Onderzoeken die zich richten op de recensent, zoals plaatsingsgewoonten, hebben hogere succespercentages gerapporteerd bij het identificeren van neppe of problematische recensies:
- Hoe valse online recensies detecteren met Machine Learning | door Kessie Zhang - Zhangs onderzoek laat zien dat het aantal reviews dat een persoon plaatst en de gemiddelde lengte van die reviews sterke indicatoren zijn voor authenticiteit. Nu AI-tools steeds geavanceerder worden in het creëren van mensachtige tekst, zijn patronen in het gedrag van recensenten vaak beter dan tekstgebaseerde analyses in het detecteren van nepcontent.
- ScienceDirect's onderzoek naar gedragskenmerken - Dit onderzoek toonde aan dat het toevoegen van kenmerken zoals het tijdsbestek waarin een beoordelaar beoordelingen plaatst en het totale aantal beoordelingen dat hij heeft geschreven, de detectienauwkeurigheid aanzienlijk verbetert. Deze gedragskenmerken helpen om echte feedback te onderscheiden van frauduleuze of gestimuleerde beoordelingen.
Het grotere plaatje
Samenvatting analyse
Onze bevindingen suggereren dat het verwijderingsproces van Google's reviews wordt gestuurd door verschillende belangrijke factoren:
- Inauthentieke activiteit: Recensies die worden gemarkeerd als nep of promotioneel, vooral bij 5-sterrenbeoordelingen, lijken eerder te worden verwijderd.
- Op trefwoorden gebaseerde detectie: Bepaalde herhalende of algemene termen kunnen ertoe bijdragen dat recensies worden gemarkeerd en worden verwijderd.
- Inhoud en toon: Extreme beoordelingen, zoals overdreven positieve reviews met 5 sterren of negatieve beoordelingen met 1 ster, lijken beter onderzocht te worden, mogelijk vanwege hun grote impact op de reputatie van een bedrijf.
- Betrokkenheidsfactoren: Recensies zonder reacties of recensies van verdachte gebruikers kunnen de kans op verwijdering vergroten. Kenmerken die gericht zijn op de recensent zijn effectiever gebleken dan tekstkenmerken voor het identificeren van neprecensies in voorspellingsmodellen.
- Handhaving van het beleid: Reviews over gevoelige onderwerpen, zoals feedback van werknemers, kunnen ook worden gemodereerd om onpartijdigheid te garanderen.
- Branchespecifieke trends: Klantintensieve en ervaringsgerichte sectoren ervaren de meeste schrappingen per locatie.
Aanbevelingen voor bedrijven
Om het risico op het verwijderen van reviews te minimaliseren:
- Ga de dialoog aan met recensenten: Reageer snel op zowel positieve als negatieve recensies, vooral op positieve, omdat een dialoog met hen de kans op verwijdering kan verkleinen.
- Zet lokale SEO-tools in: Het managen van meerdere locaties kan lastig zijn als het handmatig wordt gedaan. review management tool en het krijgen van ondersteuning bij bulkverificatie kan je helpen jouw merk te beschermen en jouw reputatie te laten groeien.
- Vermijd geïncentiveerde beoordelingen: Stimuleer organische beoordelingen in plaats van beloningen aan te bieden. We hebben gezien dat de eerste bedrijven worden bestraft en een waarschuwing op hun profiel krijgen dat "er onlangs neprecensies van dit profiel zijn verwijderd".
- Controleer of het beleid wordt nageleefd: Bekijk regelmatig het inhoudsbeleid van Google en zorg ervoor dat jouw recensies hieraan voldoen.
Valse recensies melden: Rapporteer spam of niet-authentieke beoordelingen actief aan Google zodat ze kunnen worden opgelost.
Met tools zoals GMBapi.com kunnen bedrijven reviews efficiënt bijhouden en beantwoorden en zo hun online reputatie beschermen. Door snel te reageren, ga je niet alleen de dialoog aan met jouw klanten, maar verminder je ook de potentiële negatieve gevolgen van onopgeloste feedback. Je schrijft deze reacties voor potentiële klanten die onderzoeken of ze wel of niet met jouw bedrijf in zee willen gaan. Daarnaast houdt de software van GMBapi alle verwijderde reviews
bij, waardoor je waardevolle inzichten krijgt in welke beoordelingen Google van jouw Google Bedrijfsprofielen verwijdert en waarom. Deze verwijderde reviews kunnen vaak weer worden teruggeplaatst.
Conclusie
Google's proces voor het verwijderen van reviews laat zien dat het zich inzet voor een eerlijk en betrouwbaar platform. Hoewel bedrijven het verwijderen van reviews als een tegenslag kunnen zien, kan inzicht in de onderliggende redenen hen helpen strategieën aan te passen om authentieke, beleidsconforme review te stimuleren. Onze analyse biedt een datagestuurde basis voor het navigeren door deze complexiteit en helpt bedrijven hun online reputatie te optimaliseren in een steeds concurrerender digitaal landschap.
Krijg controle over jouw beoordelingen en verbeter jouw online aanwezigheid met GMBapi.com - een betrouwbare oplossing voor efficiënt en naadloos beheer van beoordelingen!