数字足迹评分权重拆解：0-100 分是怎么算出来的

四个维度与各自的权重

维度	权重	扫描内容	常见误判
直接身份信息	35%	手机号、邮箱、身份证号、住址门牌	把商品型号里的数字串认成电话
位置与行踪	25%	定位标签、城市与门店名、行程描述、时区线索	把一次出行打卡认成长期居住地泄露
敏感话题	25%	健康、财务、工作纠纷、亲密关系、公开立场	把影评式的吐槽认成真实立场
可链接性	15%	跨账号复用昵称、头像、个人主页链接、措辞习惯	把大众化昵称认成强关联证据

四项加起来是一百分。前两项占去六成，理由很实际：能拨通的号码比一句立场表达更快带来现实麻烦，而位置信息能把线上内容对应到具体的人和地点。

可链接性排在末位，权重却不算低。它衡量的是别人能否把两个账号判定成同一个人。这类风险不产生即时伤害，但会放大另外三项的影响：孤立看一条推文没什么，和真名账号放在一起就是另一回事。

身份信息为什么占最高档

手机号和邮箱属于可以被直接调用的信息。拿到号码的人可以试着拨打、发送验证码、在别的平台走一遍找回密码，整条链路都不需要你本人在场。邮箱更麻烦一些，它常常同时是账号的恢复方式和登录名。

身份证号、住址门牌、快递单照片属于同一档。它们出现的频率远低于手机号，一旦出现，单条内容带来的暴露程度就很高。评分模型一般不按条数平均，而是取该类别的最高风险条目作为主要输入。

这解释了一个反直觉的现象：删掉三百条带城市名的日常推文，分数可能只挪动一分；删掉一条写着完整手机号的推文，分数能跳十几分。权重作用在类别上，不在条数上。

同一份归档，分数为什么会变

对比几家工具的评分说明，差异集中在三处。第一处是位置信息的处理方式，有的工具把任何城市名都计入，有的只统计带坐标的定位标签，前者的命中项通常会多出一大截。第二处是敏感话题的判定粒度，关键词匹配会把「加班到崩溃」算进健康话题，语义判定则可能放过它。

第三处是基础分的设计。有的模型从一百分往下扣，有的从零分往上加。前者在归档很小的时候分数偏高，后者在推文稀疏的时候分数偏低。评价一份报告之前，先确认它用的是哪种算法，否则横向比较没有意义。

还有一处容易忽略的差异是时间窗口。把最近一年和全部十年一起算，两个结果会拉开明显差距。体检报告里通常会标注扫描的区间，看分数时先看这个区间。

用权重反推处理顺序

1. 先看直接身份信息那一档的命中项。 这一档的条目数量通常不多，处理完对分数的贡献最大，投入产出比最高。
2. 再看位置与行踪里的高频地点。 把反复出现的家庭住址、常去的健身房、孩子学校附近的打卡单独挑出来，低频的一次性旅行打卡可以往后放。
3. 敏感话题那档区分公开态度和情绪发言。 前者需要处理，后者看你的风险承受能力。这一步的判断最依赖个人处境，工具给不了答案。
4. 可链接性放在最后，但别跳过。 统一各平台的昵称和头像，往往比删几十条推文更省事，效果也更持久。

按这个顺序走，前两档处理完，多数人的评分会进入一个相对稳定的区间。剩下的分数要靠持续维护，不是一次清理能解决的事。清理节奏的安排可以参考清理排期方案。

权重不衡量的三件事

第一，它不衡量法律风险。同样一段立场表达，在不同司法辖区的后果差异很大，评分模型没有办法判断你所在地区的具体规定。

第二，它不衡量人际风险。一条提到同事名字的吐槽可能评分很低，却是唯一真正会给你带来麻烦的内容。这类风险需要你自己识别，工具看不到你的职场关系。

第三，它不衡量未来的风险。今天属于低风险的内容，在换了工作、搬了城市、身份变化之后可能变成高风险。评分是对当前归档的解释，不是长期担保。

分数适合用来排序，不适合用来做最终判断。它告诉你先看哪里，不告诉你看到哪里就可以停。想了解分数区间的含义，可以对照评分含义解读。

一周之内可以做完的复核

如果不想把这件事拖成长期任务，可以按一周节奏走：第一天跑体检拿到基线，记下各档命中项数量；第二天到第三天处理身份信息档；第四天处理高频地点；第五天把各平台昵称头像统一一遍；第六天重跑体检，对比两档数量变化；第七天把删除记录和归档快照存好，方法见清理前存档的做法。

这个流程的重点是留下两份可对比的报告。只看单次分数没有意义，两次之间的差值才能说明你的动作有没有起作用。

关于 Digital Footprint Health

Digital Footprint Health（digital-footprint-health.shop）把评分里的四个维度摊开呈现：上传 X 数据归档后，本机解析全部推文，按类别列出命中项并给出 0 到 100 的分数，体检免费且只读，不要求账号授权。看清哪些条目在影响分数之后，再决定是否删除，范围与价格见定价页。从首页可以免费跑一次，评分体系的说明收录在博客。