通过层次分析法（AHP），建立电商用户综合评分模型

文章主要介绍了如何利用层次分析法建立电商用户综合评分模型，希望能够对你有所帮助。

层次分析法（Analytic Hierarchy Process，简称AHP）定义：是将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。关于层次分析法的具体解释大家可以使用搜索引擎搜索，篇幅有限，我们暂不展开。

“你喜欢咔嚓一声的快照，还是一段小视频？”

一. 用户综合评分模型建立

1.从短期和中长期两个角度考虑用户综合评分模型

现实场景：一个用户经常光顾你的网站，有时只是来看看，有时候顺便买点东西，在计算这个用户的价值的时候，应该怎么做？是看TA更近一次购买行为，还是考虑用户在整个时间段内的表现？老祖宗早就告诉我们了，“日久见人心”。显然，用户行为错综复杂，一次网站会话行为可能只是管中窥豹，观察期留的长一些，才能建立更合理的评分模型。

本文的目旨在电商网站的用户建立起一个评分模型，动态计算出每个User的价值得分。我们从目标-用户评分出发，综合短期和中长期两个角度抽象出影响用户得分的因素作为准则层，然后选择准则层相应的指标层数据，建立一套科学的评分模型。

从短期来看，我们会关注用户活跃在在网站/APP上发生的一系列细致动作，浏览重点页面，点击预购等。因此，我们将影响目标层用户得分的第一个因素称之为“活跃度”。从中长期角度来看，用户的“忠诚度”和“购买能力”对用户得分影响至关重要。至此，我们确定了目标层为“用户价值得分”，影响目标层的准则层包含“活跃度”，“忠诚度”和“购买能力”。

2.用户综合评分指标选择

准则层确定后，就涉及到选择衡量“活跃度”，“忠诚度”和“购买能力”关键指标。有几个重要的原则可以参考：

• 可量化：能被衡量的，才能被改进，目前电商网站大多通过JS，SDK埋点或者服务器日志分析，所以基本的量化数据能够拿到；

• 有效性：要覆盖重要的数据维度，且在合理可以调控的范围内；

• 相互独立：指标间尽量保持不相关。

笔者和团队小伙伴共同讨论了一下，选定的适合我司电商用户的指标内容如下：

• 浏览页面数

• 停留时间

• 浏览商品数

• 主动下单数

• 更近访问时间

• 用户访问频率

• 主动评价数

• 单次更高购买金额

• 平均每次购买金额

• 购买次数

3.适合于电商网站的用户综合评分模型

时间选择上，我们选择先选取近3个月的用户行为数据进行研究，因此“活跃度”对应的时间是“近三个月更后一次活跃的时候，即更近1天”，“忠诚度”和“购买能力”看的是“更近3个月”这个中长期时间段。实际业务中，按照已有的规则建立好数据表，每一天的数据自动入库，用户的评分是呈现随日期滑窗积累的效果，因此我们前面提到的是动态计算用户得分。至此，我们的用户综合评分模型如下：

二. 层次分析法（AHP）确定权重

目前，市面上可以搜到很多解决层次分析问题的软件，但是笔主认为思维比工具更重要，因此本文采用大家电脑里都有的Excel来解决这个问题，这样我们能把主要精力集中在实现方法上，而不是工具操作上。在用Excel实实现AHP方法的时候，有两个重要问题需要解决：

构造判断矩阵：常见方法是小组投票，给出两两因素（例如A和B）间的比较值，1表示：A和B一样重要；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极其重要。这样，通过两两比较给出比较值，判断矩阵就出来了。如下图：可以看到“活跃度”，“忠诚度”和“购买能力”的判断矩阵

一致性检验：

三. 指标数据标准化

四. 数据验证和结果

五. 应用场景和意义

意义：

• 发现网站的高价值客户（VIP），为客户关系管理（CRM）及保持有价值客户提供支持；

• 发掘网站的可发展用户，对于一些新客户或潜力客户进行针对性营销；

• 及时发现可能流失的客户，及时采取有效措施；

• 根据用户交易行为细分客户群，实施有针对性的营销策略。

有一次我去做Speech的时候问了现场观众这样一个问题，听众的回答一半一半。相信，这个开头有点让大家难以取舍，以及……云里雾里。我们用电影胶片和快照进行类比，在时间维度上，从历史的一个时间点到现在，是一段时间胶片（中长期），如果用一个时间点去截这段时间胶片，得到的就是一个快照（短期）。

文章摘录链接 ：http://www.woshipm.com/pd/786474.html