層次分析法（Analytic Hierarchy Process定嗓，簡稱AHP）定義：是將與決策總是有關的元素分解成目標蜕琴、準則、方案等層次宵溅，在此基礎之上進行定性和定量分析的決策方法凌简。關于層次分析法的具體解釋大家可以使用搜索引擎搜索，篇幅有限恃逻，我們暫不展開雏搂。
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
現實場景：一個用戶經常光顧你的網站，有時只是來看看寇损，有時候順便買點東西凸郑，在計算這個用戶的價值的時候，應該怎么做润绵？是看TA最近一次購買行為线椰，還是考慮用戶在整個時間段內的表現？老祖宗早就告訴我們了尘盼，“日久見人心”憨愉。顯然，用戶行為錯綜復雜卿捎，一次網站會話行為可能只是管中窺豹配紫，觀察期留的長一些，才能建立更合理的評分模型午阵。
本文的目旨在電商網站的用戶建立起一個評分模型躺孝，動態(tài)計算出每個User的價值得分享扔。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植袍，然后選擇準則層相應的指標層數據惧眠，建立一套科學的評分模型。
從短期來看于个，我們會關注用戶活躍在在網站/APP上發(fā)生的一系列細致動作氛魁，瀏覽重點頁面，點擊預購等厅篓。因此秀存，我們將影響目標層用戶得分的第一個因素稱之為“活躍度”。從中長期角度來看羽氮，用戶的“忠誠度”和“購買能力”對用戶得分影響至關重要或链。至此，我們確定了目標層為“用戶價值得分”档押，影響目標層的準則層包含“活躍度”澳盐，“忠誠度”和“購買能力”。
2.用戶綜合評分指標選擇
準則層確定后汇荐，就涉及到選擇衡量“活躍度”洞就，“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：能被衡量的掀淘，才能被改進，目前電商網站大多通過JS油昂，SDK埋點或者服務器日志分析革娄，所以基本的量化數據能夠拿到；
有效性：要覆蓋重要的數據維度冕碟，且在合理可以調控的范圍內拦惋；
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安寺，選定的適合我司電商用戶的指標內容如下：
瀏覽頁面數
停留時間
瀏覽商品數
主動下單數：一些真正購買前的微轉化厕妖，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
單次最高購買金額
平均每次購買金額
購買次數
3.適合于電商網站的用戶綜合評分模型
時間選擇上挑庶，我們選擇先選取近3個月的用戶行為數據進行研究言秸，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”迎捺，“忠誠度”和“購買能力”看的是“最近3個月”這個中長期時間段举畸。實際業(yè)務中，按照已有的規(guī)則建立好數據表凳枝，每一天的數據自動入庫抄沮，用戶的評分是呈現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。至此叛买，我們的用戶綜合評分模型如下：
二. 層次分析法（AHP）確定權重
目前砂代，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率挣，因此本文采用大家電腦里都有的Excel來解決這個問題刻伊，這樣我們能把主要精力集中在實現方法上，而不是工具操作上难礼。在用Excel實現AHP方法的時候娃圆，有兩個重要問題需要解決：
構造判斷矩陣：常見方法是小組投票，給出兩兩因素（例如A和B）間的比較值蛾茉，1表示：A和B一樣重要讼呢；3表示：A比B重要一些；5表示：A比B重要谦炬；7表示：A比B重要的多悦屏；9表示：A比B極其重要。這樣键思，通過兩兩比較給出比較值础爬，判斷矩陣就出來了。如下圖：可以看到“活躍度”吼鳞，“忠誠度”和“購買能力”的判斷矩陣
一致性檢驗：什么是一致性檢驗看蚜？舉個例子，當兩兩比較認為A比B重要赔桌，B比C重要時供炎，輪到A和C比較了，你給出C比A重要的比較值疾党，此時就叫做“不一致”音诫。層次分析法的計算不是簡單得到一個結果，而是要得到一個令人滿意的一致性的結果雪位。
一致性的檢驗是通過計算一致性比例CR 來進行竭钝，其中CR=CI/RI，當CR<=0.1 時雹洗，認為判斷矩陣的一致性是可以接受的香罐，否則應對判斷矩陣作適當修正，甚至推倒重做队伟。
另外穴吹，公式中另外兩個參數CI是一致性指標，RI是隨機一致性指標嗜侮，通過查表可以找到三階矩陣的RI=0.5149港令，四階矩陣的RI=0.8931啥容。
這部分是數學知識，大家理解文章后可以直接拿來用顷霹，我們后面直接以下圖“準則層”為例咪惠，闡述如何用Excel構建判斷矩陣及單排序和一致性檢驗，想了解更多的淋淀，可以搜索引擎搜索一下遥昧。
判斷矩陣構造：對角線上表示“活躍度”比“活躍度”，“忠誠度”比“忠誠度”朵纷，“購買能力”比“購買能力”炭臭，因此全部值都是“1”，然后左下角袍辞，將團隊投票的兩兩比較值填入鞋仍，右上角做倒數映射即可；
按行相乘：F6=PRODUCT(C6:E6)搅吁，下拉
開n次方：G6==POWER(F6,1/3)威创，下拉，而G9=SUM(G6:G8)
權重Wi: H6=G6/$G$9谎懦，下拉
分向量AWi：I6==C6*$H$6+D6*$H$7+E6*$H$8
AWi/Wi =I6/H6肚豺，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單元格的數字界拦，我打不出這個字母吸申，希望你們understand 我，謝謝享甸！n代表變量數呛谜，準則層的n=3，經過計算CI=0
三階矩陣RI=0.5149
CR=CI/RI=0
至此枪萄，我們構造的判斷矩陣，一致性檢驗通過猫妙。紅色標記的Wi即為相應的權重瓷翻，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割坠，請大家參考齐帚。
三. 指標數據標準化
我們前面選定了每個準則層對應可以量化的指標，這些指標的數量值和單位不盡相同彼哼，我們需要將其采用同一種計量方法对妄，這樣才能進行比較。我們本次采用的是5分制敢朱，即要把所有的指標數據剪菱，不管是“瀏覽頁面數”摩瞎，“停留時間”，還是“單次最高購買金額”孝常，都標準化到[0,5]旗们。
如下圖，我們拉取最近個月的用戶數據构灸，通過對原始數據進行分析上渴，最后建立的標準化規(guī)則，不同網站/APP的具體標準化規(guī)則可能不同喜颁，需要依據原始數據來定稠氮。
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據映射到數據集里
黃色行表示實際原始數值
灰色字體行表示累計占比
以“瀏覽頁面數”為例半开，首先拉取近三個月的原始數據隔披，選擇用戶“最近1天”的在網站/APP上的活躍數據，如下圖所示稿茉，左列表示用戶id锹锰，右側表示每個id在“最近1天”瀏覽的頁面數。其次漓库，按照PV進行從小到大的升序排列恃慧。第三，做截止到XXX-id為止的用戶累計占比渺蒿。因為是5分制痢士，因此，理論上茂装，找到累計占比約為“20%怠蹂，30%，60%少态，80%”的城侧，把相應的PV作為標準化后“1,2,3,4”數值的分割點即可。
有一點需要提醒彼妻，要盡可能保持原始數據被均勻標準化到[0,5]嫌佑，但是有的指標起點就非常高，比如“瀏覽商品數”指標侨歉，50.7%的用戶沒有瀏覽商品屋摇，那么接下來就要盡量在50%-100%之間均勻標準化。具體標準化過程幽邓，大家可以在實踐中自己體會炮温。
四. 數據結果和驗證
前面工作順利的話，應該會有如下圖所示的一張表牵舵，以“客戶ID”作維度柒啤，顯示每一個客戶對應“指標原始數據”倦挂，“準則層得分”以及“目標層得分”的數據。
我們使用tableau制圖白修，進行數據分布的驗證妒峦。如下圖，當準則層兵睛，指標層權重系數確定肯骇，當指標標準化完成后，電商用戶的價值得分出現如圖所示的完美長尾分布祖很。實際過程笛丙，從確定權重，要指標標準化這個過程假颇，筆者和團隊小伙伴進行了多次調參胚鸯，和多次推到重做。所以笨鸡，如果大家借鑒本文做其它平臺用戶綜合評分模型姜钳，一定要有耐心。
Tableau圖表中形耗，我們用數據桶表示最終得分哥桥，縱坐標表示客戶ID不重復計數，橫坐標是標準化后的得分激涤，橫坐標為0.0的數據桶解讀為“得分在[0,0.2)的客戶占比為0.2%”拟糕，橫坐標為0.2的數據桶解讀為“得分在[0.2,0.4)的客戶占比為16.64%”，依次類推倦踢。
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送滞，針對應用場景和意義，筆者僅做拋磚引玉辱挥，歡迎大家主動思考犁嗅，以及評論，同筆者交流晤碘。
首先愧哟，根據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）哼蛆，極低價值用戶（比如定義得分小于0.2的用戶）等等，不同類別的用戶霞赫，做針對性的營銷腮介，甚至一對一的溝通和客戶管理。
第二端衰，目標層由指標層決定叠洗，我們用“活躍度”甘改，“忠誠度”和“購買能力”三個維度，每個維度以中位數為分界線灭抑，得到2*2*2八大類用戶集合十艾。如下圖所示為使用Tableau繪制的八大類用戶占比情況。然后根據不同準則層的表現制定不同的溝通策略腾节。
如下圖為不同用戶的溝通策略忘嫉。
層次分析法常用軟件，破解版yaahp軟件案腺，中間層個數可達99個，方案層個數可達99個，免費版的中間層戒幔、方案層個數只有3個哦粒梦，內含教程，永久使用：（輸入網址獲韧薄）
層次分析法之yaahp軟件拷姿，中間層、方案層99個旱函，內含教程响巢，提供技術支持！ https://k.ruyu.com/l8veTM3e
