Patronen in Google Recensie Verwijderingen
Dit artikel is een onderzoek naar het klantenbestand van GMBapi.com. Het is gebaseerd op bijna 5 miljoen beoordelingen in 78 landen en meer dan 19.000 locaties. Hoewel het eerste geval van een verwijderde beoordeling (in ons systeem) plaatsvond in september 2024, bevat de dataset beoordelingen die teruggaan tot januari 2011, toen de vroegste verwijderde beoordeling werd gemaakt.
Online beoordelingen zijn cruciaal voor de reputatie en financiële prestaties van een bedrijf. Maar wat gebeurt er als deze beoordelingen verdwijnen? Opvallend veel beoordelingen 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 recensies: Negatieve beoordelingen - 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 recensie, de timing, de inhoud en zelfs de manier waarop je reageert, de kans dat de recensie wordt verwijderd? Laten we de gegevens onderzoeken en erachter komen.
Tijdgebonden trends van verwijderde beoordelingen
Trends in verwijderde beoordelingen in de loop der tijd
De grafiek hierboven toont het aantal verwijderde beoordelingen per dag over verschillende maanden. We zagen pieken rond half september, eind oktober en begin december, wat zou kunnen duiden op massale verwijderingen, mogelijk als gevolg van beleidshandhaving of geautomatiseerde spamdetectiesystemen.
In september 2024 rolde Google de Helpful Content Update uit, die erop gericht was om gebruikersvriendelijke inhoud op de voorgrond te plaatsen en spam of materiaal van lage kwaliteit hard aan te pakken. Dit omvatte waarschijnlijk strengere controles op reviews die nep of misleidend leken. Bovendien werd eind oktober 2024 de Spam Update van kracht, die gericht was tegen spam over de hele linie, inclusief recensies. Dat zou kunnen verklaren waarom er rond die tijd een golf van massale verwijderingen was. Tot slot lanceerde Google de November Core Update in november-december 2024, die volledig was gericht op het verbeteren van de kwaliteit van de zoekresultaten. Waarschijnlijk werden hiermee recensies getroffen die niet voldeden aan Google's standaarden voor betrouwbaarheid of authenticiteit. Dit soort updates leidt vaak tot grootschalige verwijdering van inhoud zoals neprecensies.
Overzicht van verwijderingen per dag van de week
De tweede grafiek toont verwijderingen van recensies per dag van de week. Het aantal verwijderingen was het hoogst op woensdag en vrijdag, terwijl zondagen de laagste activiteit hadden. Deze trend weerspiegelt waarschijnlijk de operationele patronen van Google, waarbij in het weekend minder handmatige moderatie plaatsvindt.
Beoordelingen en antwoorden van verwijderde beoordelingen
Beoordelingen en reacties van bedrijven bieden een waardevolle context voor het begrijpen van patronen in verwijderde beoordelingen. Dit is wat de gegevens onthullen over hun rol in het moderatieproces van Google.
Verdeling van verwijderde beoordelingen
Het bijgewerkte taartdiagram toont de verdeling van verwijderde beoordelingen per beoordeling. Een overweldigende 69,5% waren 5-sterren beoordelingen, gevolgd door 14% voor 4-sterren beoordelingen.
Het hoge percentage 5-sterrenbeoordelingen dat wordt verwijderd, suggereert dat Google zich actief richt op mogelijk valse of gestimuleerde positieve beoordelingen, die de reputatie van bedrijven kunnen vertekenen. Reviews met een lagere waardering (1 of 2 sterren) maken een kleiner deel uit, wat erop wijst dat deze minder vaak worden gemarkeerd, tenzij ze in strijd zijn met specifiek beleid.
Hebben antwoorden invloed op verwijderingen?
Onze gegevens laten een interessante trend zien: 73,7% van de verwijderde beoordelingen had geen zakelijke reacties, terwijl 26,3% dat 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 inhoud van de recensie zelf.
Sentimentanalyse van verwijderde recensies
Een aanzienlijk deel van de positieve beoordelingen zonder antwoorden wordt verwijderd, wat mogelijk duidt op de detectie van niet-authentieke of gestimuleerde beoordelingen.
Verwijderde vs. Niet-verwijderde beoordelingen
Door verwijderde en niet-verwijderde beoordelingen te vergelijken, kunnen we ontdekken of er merkbare verschillen zijn tussen de twee. Deze analyse geeft inzicht in of bepaalde patronen of extremen ervoor zorgen dat beoordelingen eerder worden verwijderd.
Beoordelingen
Google richt zich op extreme beoordelingen, waarbij verwijderde beoordelingen met 5 sterren en 1 ster een hoger percentage bevatten dan niet-verwijderde beoordelingen. 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 beoordelingen aan beide uiteinden van het spectrum.
Categorieën en thema's in verwijderde recensies
De inhoud van een recensie blijkt een belangrijke factor te zijn bij het al dan niet verwijderen ervan. Om dit te onderzoeken, hebben we een gedetailleerde analyse uitgevoerd van de inhoud en de trefwoorden die het meest voorkomen in verwijderde recensies.
Beoordelingscategorieën
Het staafdiagram toont de categorieën die het vaakst worden geassocieerd met verwijderde beoordelingen, met "Service en personeel" op kop, gevolgd door "Kwaliteit van product of service" en "Omgeving en toegankelijkheid".
Het hoge percentage beoordelingen 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 beoordelingen valt onder "Perspectieven van werknemers". Dit geeft aan dat Google actief beoordelingen 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 beoordelingen markeren onder de categorie "belangenverstrengeling" en zullen ze waarschijnlijk worden verwijderd.
Veel voorkomende woorden in verwijderde recensies
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 61% en onthulde de top vier factoren die een rol spelen bij het verwijderen van recensies:
- Sentiment: De toon van de recensie wordt gemeten op een schaal van -1 (volledig negatief) tot 1 (volledig positief).
- Reviewlengte: Het totale aantal tekens in de recensie.
- Aantal woorden: Het aantal woorden in de recensie.
- Responstijd: Hoe snel het bedrijf reageerde op 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 echte feedback te onderscheiden van frauduleuze of gestimuleerde beoordelingen.
Het grotere plaatje
Hoewel ons model alleen gebaseerd was op review-specifieke gegevens, onderstrepen deze bevindingen het belang van het integreren van reviewer-gerichte kenmerken in toekomstige analyses. Door tekstgebaseerde inzichten te combineren met gedragsgegevens, kunnen modellen voor machine learning effectiever worden in het identificeren en aanpakken van neprecensies, zodat bedrijven het vertrouwen en de geloofwaardigheid online kunnen behouden.
Samenvatting analyse
Onze bevindingen suggereren dat het verwijderingsproces van Google's recensies 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 beoordelingen 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: Reviews zonder reacties of 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.
Beleidshandhaving: Reviews over gevoelige onderwerpen, zoals feedback van werknemers, kunnen ook worden gemodereerd om onpartijdigheid te garanderen.
Aanbevelingen voor bedrijven
Om het risico op het verwijderen van beoordelingen 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. tool voor beoordelingsbeheer en analyse kunnen u helpen uw reputatie te beschermen en te laten groeien.
- Vermijd geïncentiveerde beoordelingen: Stimuleer organische beoordelingen in plaats van beloningen aan te bieden. We hebben gezien dat de eerste bedrijven zijn gestraft en een waarschuwing op hun profiel hebben gekregen 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 uw recensies hieraan voldoen.
- Valse beoordelingen melden: Rapporteer spam of niet-authentieke beoordelingen actief aan Google zodat ze kunnen worden opgelost.
Met tools zoals GMBapi.comkunnen bedrijven beoordelingen efficiënt bijhouden en beantwoorden en zo hun online reputatie beschermen. Door snel te reageren, gaat u niet alleen de dialoog aan met uw klanten, maar vermindert u ook de potentiële negatieve gevolgen van onopgeloste feedback. U schrijft deze reacties voor potentiële klanten die onderzoeken of ze wel of niet met uw bedrijf in zee willen gaan. Daarnaast houdt de software van GMBapi alle verwijderde beoordelingen bij, waardoor u waardevolle inzichten krijgt in welke beoordelingen Google van uw Google Business-profielen verwijdert en waarom. Deze verwijderde beoordelingen kunnen vaak weer worden teruggeplaatst.
Conclusie
Google's proces voor het verwijderen van beoordelingen laat zien dat het zich inzet voor een eerlijk en betrouwbaar platform. Hoewel bedrijven het verwijderen van beoordelingen als een tegenslag kunnen zien, kan inzicht in de onderliggende redenen hen helpen strategieën aan te passen om authentieke, beleidsconforme beoordelingen 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.
Neem controle over je beoordelingen en verbeter je online aanwezigheid met GMBapi.com - een betrouwbare oplossing voor efficiënt en naadloos beoordelingsbeheer!
