中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

文章主要介紹了如何利用層次分析法建立電商用戶綜合評分模型，希望能夠?qū)δ阌兴鶐椭?/p>

層次分析法（Analytic Hierarchy Process，簡稱AHP）定義：是將與決策總是有關的元素分解成目標、準則、方案等層次，在此基礎之上進行定性和定量分析的決策方法。關于層次分析法的具體解釋大家可以使用搜索引擎搜索，篇幅有限，我們暫不展開。

一. 用戶綜合評分模型建立

1.從短期和中長期兩個角度考慮用戶綜合評分模型

現(xiàn)實場景：一個用戶經(jīng)常光顧你的網(wǎng)站，有時只是來看看，有時候順便買點東西，在計算這個用戶的價值的時候，應該怎么做？是看TA最近一次購買行為，還是考慮用戶在整個時間段內(nèi)的表現(xiàn)？老祖宗早就告訴我們了，“日久見人心”。顯然，用戶行為錯綜復雜，一次網(wǎng)站會話行為可能只是管中窺豹，觀察期留的長一些，才能建立更合理的評分模型。

本文的目旨在電商網(wǎng)站的用戶建立起一個評分模型，動態(tài)計算出每個User的價值得分。我們從目標-用戶評分出發(fā)，綜合短期和中長期兩個角度抽象出影響用戶得分的因素作為準則層，然后選擇準則層相應的指標層數(shù)據(jù)，建立一套科學的評分模型。

從短期來看，我們會關注用戶活躍在在網(wǎng)站/APP上發(fā)生的一系列細致動作，瀏覽重點頁面，點擊預購等。因此，我們將影響目標層用戶得分的第一個因素稱之為“活躍度”。從中長期角度來看，用戶的“忠誠度”和“購買能力”對用戶得分影響至關重要。至此，我們確定了目標層為“用戶價值得分”，影響目標層的準則層包含“活躍度”，“忠誠度”和“購買能力”。

2.用戶綜合評分指標選擇

準則層確定后，就涉及到選擇衡量“活躍度”，“忠誠度”和“購買能力”關鍵指標。有幾個重要的原則可以參考：

• 可量化：能被衡量的，才能被改進，目前電商網(wǎng)站大多通過JS，SDK埋點或者服務器日志分析，所以基本的量化數(shù)據(jù)能夠拿到；
• 有效性：要覆蓋重要的數(shù)據(jù)維度，且在合理可以調(diào)控的范圍內(nèi)；
• 相互獨立：指標間盡量保持不相關。

筆者和團隊小伙伴共同討論了一下，選定的適合我司電商用戶的指標內(nèi)容如下：

• 瀏覽頁面數(shù)
• 停留時間
• 瀏覽商品數(shù)
• 主動下單數(shù)：一些真正購買前的微轉(zhuǎn)化，如點擊“立即購買”，“立即開團”按鈕等動作
• 最近訪問時間
• 用戶訪問頻率
• 主動評價數(shù)?
• 單次最高購買金額
• 平均每次購買金額
• 購買次數(shù)

3.適合于電商網(wǎng)站的用戶綜合評分模型

時間選擇上，我們選擇先選取近3個月的用戶行為數(shù)據(jù)進行研究，因此“活躍度”對應的時間是“近三個月最后一次活躍的時候，即最近1天”，“忠誠度”和“購買能力”看的是“最近3個月”這個中長期時間段。實際業(yè)務中，按照已有的規(guī)則建立好數(shù)據(jù)表，每一天的數(shù)據(jù)自動入庫，用戶的評分是呈現(xiàn)隨日期滑窗積累的效果，因此我們前面提到的是動態(tài)計算用戶得分。至此，我們的用戶綜合評分模型如下：

二. 層次分析法（AHP）確定權(quán)重

目前，市面上可以搜到很多解決層次分析問題的軟件，但是筆主認為思維比工具更重要，因此本文采用大家電腦里都有的Excel來解決這個問題，這樣我們能把主要精力集中在實現(xiàn)方法上，而不是工具操作上。在用Excel實現(xiàn)AHP方法的時候，有兩個重要問題需要解決：

構(gòu)造判斷矩陣：常見方法是小組投票，給出兩兩因素（例如A和B）間的比較值，1表示：A和B一樣重要；3表示：A比B重要一些；5表示：A比B重要；7表示：A比B重要的多；9表示：A比B極其重要。這樣，通過兩兩比較給出比較值，判斷矩陣就出來了。如下圖：可以看到“活躍度”，“忠誠度”和“購買能力”的判斷矩陣

一致性檢驗：什么是一致性檢驗？舉個例子，當兩兩比較認為A比B重要，B比C重要時，輪到A和C比較了，你給出C比A重要的比較值，此時就叫做“不一致”。層次分析法的計算不是簡單得到一個結(jié)果，而是要得到一個令人滿意的一致性的結(jié)果。

一致性的檢驗是通過計算一致性比例CR 來進行，其中CR=CI/RI，當CR<=0.1 時，認為判斷矩陣的一致性是可以接受的，否則應對判斷矩陣作適當修正，甚至推倒重做。

另外，公式中另外兩個參數(shù)CI是一致性指標，RI是隨機一致性指標，通過查表可以找到三階矩陣的RI=0.5149，四階矩陣的RI=0.8931。

這部分是數(shù)學知識，大家理解文章后可以直接拿來用，我們后面直接以下圖“準則層”為例，闡述如何用Excel構(gòu)建判斷矩陣及單排序和一致性檢驗，想了解更多的，可以搜索引擎搜索一下。

• 判斷矩陣構(gòu)造：對角線上表示“活躍度”比“活躍度”，“忠誠度”比“忠誠度”，“購買能力”比“購買能力”，因此全部值都是“1”，然后左下角，將團隊投票的兩兩比較值填入，右上角做倒數(shù)映射即可；
• 按行相乘：F6=PRODUCT(C6:E6)，下拉
• 開n次方：G6==POWER(F6,1/3)，下拉，而G9=SUM(G6:G8)
• 權(quán)重Wi: H6=G6/$G$9，下拉
• 分向量AWi：I6==C6*$H$6+D6*$H$7+E6*$H$8
• AWi/Wi =I6/H6，而J9=AVERAGE(J6:J8)
• CI=（人-n）(n-1) , 這里面“人”其實是希臘字母“蘭姆達”，其實就是J9單元格的數(shù)字，我打不出這個字母，希望你們understand 我，謝謝！n代表變量數(shù)，準則層的n=3，經(jīng)過計算CI=0
• 三階矩陣RI=0.5149
• CR=CI/RI=0

至此，我們構(gòu)造的判斷矩陣，一致性檢驗通過。紅色標記的Wi即為相應的權(quán)重，即準則層相對目標層有如下公式：用戶價值得分=0.4*活躍度 + 0.4*忠誠度 + 0.2*購買能力。

指標層相應的判斷矩陣及單排序和一致性檢驗如下圖，請大家參考。

三. 指標數(shù)據(jù)標準化

我們前面選定了每個準則層對應可以量化的指標，這些指標的數(shù)量值和單位不盡相同，我們需要將其采用同一種計量方法，這樣才能進行比較。我們本次采用的是5分制，即要把所有的指標數(shù)據(jù)，不管是“瀏覽頁面數(shù)”，“停留時間”，還是“單次最高購買金額”，都標準化到[0,5]。

如下圖，我們拉取最近個月的用戶數(shù)據(jù)，通過對原始數(shù)據(jù)進行分析，最后建立的標準化規(guī)則，不同網(wǎng)站/APP的具體標準化規(guī)則可能不同，需要依據(jù)原始數(shù)據(jù)來定。

• 第一行{0,1,2,3,4,5}表示標準化得分，即要把所有的指標數(shù)據(jù)映射到數(shù)據(jù)集里
• 黃色行表示實際原始數(shù)值
• 灰色字體行表示累計占比

以“瀏覽頁面數(shù)”為例，首先拉取近三個月的原始數(shù)據(jù)，選擇用戶“最近1天”的在網(wǎng)站/APP上的活躍數(shù)據(jù)，如下圖所示，左列表示用戶id，右側(cè)表示每個id在“最近1天”瀏覽的頁面數(shù)。其次，按照PV進行從小到大的升序排列。第三，做截止到XXX-id為止的用戶累計占比。因為是5分制，因此，理論上，找到累計占比約為“20%，30%，60%，80%”的，把相應的PV作為標準化后“1,2,3,4”數(shù)值的分割點即可。

有一點需要提醒，要盡可能保持原始數(shù)據(jù)被均勻標準化到[0,5]，但是有的指標起點就非常高，比如“瀏覽商品數(shù)”指標，50.7%的用戶沒有瀏覽商品，那么接下來就要盡量在50%-100%之間均勻標準化。具體標準化過程，大家可以在實踐中自己體會。

四. 數(shù)據(jù)結(jié)果和驗證

前面工作順利的話，應該會有如下圖所示的一張表，以“客戶ID”作維度，顯示每一個客戶對應“指標原始數(shù)據(jù)”，“準則層得分”以及“目標層得分”的數(shù)據(jù)。

我們使用tableau制圖，進行數(shù)據(jù)分布的驗證。如下圖，當準則層，指標層權(quán)重系數(shù)確定，當指標標準化完成后，電商用戶的價值得分出現(xiàn)如圖所示的完美長尾分布。實際過程，從確定權(quán)重，要指標標準化這個過程，筆者和團隊小伙伴進行了多次調(diào)參，和多次推到重做。所以，如果大家借鑒本文做其它平臺用戶綜合評分模型，一定要有耐心。

Tableau圖表中，我們用數(shù)據(jù)桶表示最終得分，縱坐標表示客戶ID不重復計數(shù)，橫坐標是標準化后的得分，橫坐標為0.0的數(shù)據(jù)桶解讀為“得分在[0,0.2)的客戶占比為0.2%”，橫坐標為0.2的數(shù)據(jù)桶解讀為“得分在[0.2,0.4)的客戶占比為16.64%”，依次類推。

五. 應用場景和意義

由于本文重點是給大家介紹建立電商用戶綜合評分模型的方法，針對應用場景和意義，筆者僅做拋磚引玉，歡迎大家主動思考，以及評論，同筆者交流。

• 首先，根據(jù)上一部分用戶最終得分分布圖，可以找到高價值用戶（比如定義得分大于3分的用戶），極低價值用戶（比如定義得分小于0.2的用戶）等等，不同類別的用戶，做針對性的營銷，甚至一對一的溝通和客戶管理。
• 第二，目標層由指標層決定，我們用“活躍度”，“忠誠度”和“購買能力”三個維度，每個維度以中位數(shù)為分界線，得到2*2*2八大類用戶集合。如下圖所示為使用Tableau繪制的八大類用戶占比情況。然后根據(jù)不同準則層的表現(xiàn)制定不同的溝通策略。

如下圖為不同用戶的溝通策略。

感謝閱讀我在《人人都是產(chǎn)品經(jīng)理》上的第一篇文章，希望和各位多交流，以及得到大家的肯定和鼓勵，感謝！

本文由 @?sharon 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自PEXELS，基于CC0協(xié)議