chinesefreesexvideos高潮,欧美极品少妇性运交,久久久国产一区二区三区,99久久婷婷国产综合精品,成人国产一区二区三区

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(píng)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(guān)的元素分解成目標(biāo)、準(zhǔn)則、方案等層次，在此基礎(chǔ)之上進(jìn)行定性和定量分析的決策方法。關(guān)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(píng)分模型建立

1.從短期和中長期兩個(gè)角度考慮用戶綜合評(píng)分模型

現(xiàn)實(shí)場(chǎng)景：一個(gè)用戶經(jīng)常光顧你的網(wǎng)站，有時(shí)只是來看看，有時(shí)候順便買點(diǎn)東西，在計(jì)算這個(gè)用戶的價(jià)值的時(shí)候，應(yīng)該怎么做？是看TA最近一次購買行為，還是考慮用戶在整個(gè)時(shí)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(cuò)綜復(fù)雜，一次網(wǎng)站會(huì)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(píng)分模型。

本文的目旨在電商網(wǎng)站的用戶建立起一個(gè)評(píng)分模型，動(dòng)態(tài)計(jì)算出每個(gè)User的價(jià)值得分。我們從目標(biāo)-用戶評(píng)分出發(fā)，綜合短期和中長期兩個(gè)角度抽象出影響用戶得分的因素作為準(zhǔn)則層，然后選擇準(zhǔn)則層相應(yīng)的指標(biāo)層數(shù)據(jù)，建立一套科學(xué)的評(píng)分模型。

從短期來看，我們會(huì)關(guān)注用戶活躍在在網(wǎng)站/APP上發(fā)生的一系列細(xì)致動(dòng)作，瀏覽重點(diǎn)頁面，點(diǎn)擊預(yù)購等。因此，我們將影響目標(biāo)層用戶得分的第一個(gè)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(duì)用戶得分影響至關(guān)重要。至此，我們確定了目標(biāo)層為“用戶價(jià)值得分”，影響目標(biāo)層的準(zhǔn)則層包含“活躍度”，“忠誠度”和“購買能力”。

2.用戶綜合評(píng)分指標(biāo)選擇

準(zhǔn)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(guān)鍵指標(biāo)。有幾個(gè)重要的原則可以參考：

• 可量化：能被衡量的，才能被改進(jìn)，目前電商網(wǎng)站大多通過JS，SDK埋點(diǎn)或者服務(wù)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(dú)立：指標(biāo)間盡量保持不相關(guān)。

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

• 瀏覽頁面數(shù)

• 停留時(shí)間

• 瀏覽商品數(shù)

• 主動(dòng)下單數(shù)：一些真正購買前的微轉(zhuǎn)化，如點(diǎn)擊“立即購買”，“立即開團(tuán)”按鈕等動(dòng)作

• 最近訪問時(shí)間

• 用戶訪問頻率

• 主動(dòng)評(píng)價(jià)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(píng)分模型

時(shí)間選擇上，我們選擇先選取近3個(gè)月的用戶行為數(shù)據(jù)進(jìn)行研究，因此“活躍度”對(duì)應(yīng)的時(shí)間是“近三個(gè)月最后一次活躍的時(shí)候，即最近1天”，“忠誠度”和“購買能力”看的是“最近3個(gè)月”這個(gè)中長期時(shí)間段。實(shí)際業(yè)務(wù)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(dòng)入庫，用戶的評(píng)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(dòng)態(tài)計(jì)算用戶得分。至此，我們的用戶綜合評(píng)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(rèn)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(gè)問題，這樣我們能把主要精力集中在實(shí)現(xiàn)方法上，而不是工具操作上。在用Excel實(shí)現(xiàn)AHP方法的時(shí)候，有兩個(gè)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(yàn)：什么是一致性檢驗(yàn)？舉個(gè)例子，當(dāng)兩兩比較認(rèn)為A比B重要，B比C重要時(shí)，輪到A和C比較了，你給出C比A重要的比較值，此時(shí)就叫做“不一致”。層次分析法的計(jì)算不是簡單得到一個(gè)結(jié)果，而是要得到一個(gè)令人滿意的一致性的結(jié)果。

一致性的檢驗(yàn)是通過計(jì)算一致性比例CR 來進(jìn)行，其中CR=CI/RI，當(dāng)CR<=0.1 時(shí)，認(rèn)為判斷矩陣的一致性是可以接受的，否則應(yīng)對(duì)判斷矩陣作適當(dāng)修正，甚至推倒重做。

另外，公式中另外兩個(gè)參數(shù)CI是一致性指標(biāo)，RI是隨機(jī)一致性指標(biāo)，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(xué)知識(shí)，大家理解文章后可以直接拿來用，我們后面直接以下圖“準(zhǔn)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(yàn)，想了解更多的，可以搜索引擎搜索一下。

• 判斷矩陣構(gòu)造：對(duì)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(tuán)隊(duì)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(shí)是希臘字母“蘭姆達(dá)”，其實(shí)就是J9單元格的數(shù)字，我打不出這個(gè)字母，希望你們understand 我，謝謝！n代表變量數(shù)，準(zhǔn)則層的n=3，經(jīng)過計(jì)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(yàn)通過。紅色標(biāo)記的Wi即為相應(yīng)的權(quán)重，即準(zhǔn)則層相對(duì)目標(biāo)層有如下公式：用戶價(jià)值得分=0.4*活躍度 + 0.4*忠誠度 + 0.2*購買能力。

指標(biāo)層相應(yīng)的判斷矩陣及單排序和一致性檢驗(yàn)如下圖，請(qǐng)大家參考。

三. 指標(biāo)數(shù)據(jù)標(biāo)準(zhǔn)化

我們前面選定了每個(gè)準(zhǔn)則層對(duì)應(yīng)可以量化的指標(biāo)，這些指標(biāo)的數(shù)量值和單位不盡相同，我們需要將其采用同一種計(jì)量方法，這樣才能進(jìn)行比較。我們本次采用的是5分制，即要把所有的指標(biāo)數(shù)據(jù)，不管是“瀏覽頁面數(shù)”，“停留時(shí)間”，還是“單次最高購買金額”，都標(biāo)準(zhǔn)化到[0,5]。

如下圖，我們拉取最近個(gè)月的用戶數(shù)據(jù)，通過對(duì)原始數(shù)據(jù)進(jìn)行分析，最后建立的標(biāo)準(zhǔn)化規(guī)則，不同網(wǎng)站/APP的具體標(biāo)準(zhǔn)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(biāo)準(zhǔn)化得分，即要把所有的指標(biāo)數(shù)據(jù)映射到數(shù)據(jù)集里

• 黃色行表示實(shí)際原始數(shù)值

• 灰色字體行表示累計(jì)占比

以“瀏覽頁面數(shù)”為例，首先拉取近三個(gè)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(gè)id在“最近1天”瀏覽的頁面數(shù)。其次，按照PV進(jìn)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(jì)占比。因?yàn)槭?分制，因此，理論上，找到累計(jì)占比約為“20%，30%，60%，80%”的，把相應(yīng)的PV作為標(biāo)準(zhǔn)化后“1,2,3,4”數(shù)值的分割點(diǎn)即可。

有一點(diǎn)需要提醒，要盡可能保持原始數(shù)據(jù)被均勻標(biāo)準(zhǔn)化到[0,5]，但是有的指標(biāo)起點(diǎn)就非常高，比如“瀏覽商品數(shù)”指標(biāo)，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(biāo)準(zhǔn)化。具體標(biāo)準(zhǔn)化過程，大家可以在實(shí)踐中自己體會(huì)。

四. 數(shù)據(jù)結(jié)果和驗(yàn)證

前面工作順利的話，應(yīng)該會(huì)有如下圖所示的一張表，以“客戶ID”作維度，顯示每一個(gè)客戶對(duì)應(yīng)“指標(biāo)原始數(shù)據(jù)”，“準(zhǔn)則層得分”以及“目標(biāo)層得分”的數(shù)據(jù)。

我們使用tableau制圖，進(jìn)行數(shù)據(jù)分布的驗(yàn)證。如下圖，當(dāng)準(zhǔn)則層，指標(biāo)層權(quán)重系數(shù)確定，當(dāng)指標(biāo)標(biāo)準(zhǔn)化完成后，電商用戶的價(jià)值得分出現(xiàn)如圖所示的完美長尾分布。實(shí)際過程，從確定權(quán)重，要指標(biāo)標(biāo)準(zhǔn)化這個(gè)過程，筆者和團(tuán)隊(duì)小伙伴進(jìn)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(tái)用戶綜合評(píng)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(biāo)表示客戶ID不重復(fù)計(jì)數(shù)，橫坐標(biāo)是標(biāo)準(zhǔn)化后的得分，橫坐標(biāo)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(biāo)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(yīng)用場(chǎng)景和意義

由于本文重點(diǎn)是給大家介紹建立電商用戶綜合評(píng)分模型的方法，針對(duì)應(yīng)用場(chǎng)景和意義，筆者僅做拋磚引玉，歡迎大家主動(dòng)思考，以及評(píng)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(jià)值用戶（比如定義得分大于3分的用戶），極低價(jià)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(duì)性的營銷，甚至一對(duì)一的溝通和客戶管理。

• 第二，目標(biāo)層由指標(biāo)層決定，我們用“活躍度”，“忠誠度”和“購買能力”三個(gè)維度，每個(gè)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(zhǔn)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。