評價用戶忠實度

用戶忠實度由4個指標(biāo)——用戶訪問頻率、最近訪問時間、均勻停留時間戰(zhàn)爭均閱讀頁面數(shù)決議，這4個指標(biāo)沒有明顯的類別劃分，并且能夠以為是在同一層次上的互相獨立的指標(biāo)，所以只需求構(gòu)建2層的模型：

AHP-model-for-user-loyalty

我們需求計算底層每個指標(biāo)對用戶忠實度的影響權(quán)重，只需求曉得底層各指標(biāo)間的相比照重，這個主要經(jīng)過專家組或者問卷調(diào)研的辦法取得數(shù)據(jù)，這里假定4個指標(biāo)間兩兩比擬的比重如下表（運用9標(biāo)度）：

——表格中的數(shù)據(jù)是一個正互反矩陣，即假如“用戶訪問頻率”與“最近訪問時間”的比重為7（1-9標(biāo)度的定義參見層次剖析法那篇文章），則對應(yīng)的表格（第2行第3列）的數(shù)值為7，矩陣對角線對稱的表格（第3行第2列）的值為1/7。所以兩兩比擬只需求完成對角線一側(cè)的數(shù)據(jù)，另一側(cè)取對應(yīng)數(shù)值的倒數(shù)就能夠了。

由于指標(biāo)間停止的是兩兩比擬，所以整個矩陣的數(shù)據(jù)會存在不分歧性，比方上表中的數(shù)據(jù)“用戶訪問頻率”和“均勻停留時間”、“均勻閱讀頁面數(shù)”的比重都是3，那么一次應(yīng)該推斷“均勻停留時間”和“均勻閱讀頁面數(shù)”的比重應(yīng)該是1，也就是同等重要，但是下面該比重的實踐數(shù)據(jù)是1/3。所以能夠看到兩兩比擬的過程只在乎兩個指標(biāo)的關(guān)系，不存在推導(dǎo)關(guān)系，這樣就會招致整個矩陣存在不分歧性，在計算權(quán)重前需求考證矩陣的不分歧性系數(shù)，只要小于0.1時，該矩陣的數(shù)據(jù)才干被采用。

依據(jù)表中兩兩比擬的結(jié)果能夠經(jīng)過層次剖析法的矩陣運算計算各指標(biāo)的權(quán)重，假如你對excel足夠熟習(xí)的話在excel里面也能夠完成，這里引薦運用AHP的剖析工具——Expert Choice，在這個工具里面只需構(gòu)建相似上面的樹狀模型，然后將上表的指標(biāo)兩兩比擬的結(jié)果輸入進(jìn)去，軟件就會自動計算出各指標(biāo)相關(guān)于目的的權(quán)重及整個模型的CR（分歧性概率）。導(dǎo)入上面的模型，輸入表格中指標(biāo)兩兩比擬數(shù)據(jù)，經(jīng)過軟件計算得出的CR=0.05<0.1，所以數(shù)據(jù)經(jīng)過檢驗，能夠進(jìn)一步獲取各指標(biāo)的權(quán)重，得到以下的加權(quán)加權(quán)計算公式：

用戶忠實度=用戶訪問頻率*0.525+最近訪問時間*0.056+均勻停留時間*0.139+均勻閱讀頁面數(shù)*0.279

基于該結(jié)果，我們能夠?qū)⒁?guī)范化后的用戶每個指標(biāo)的評分?jǐn)?shù)據(jù)停止加權(quán)求和，還是以網(wǎng)站用戶忠實度剖析一文中的兩個用戶為例，采用的是10分值的評分體系，則計算用戶的忠實度如下：

經(jīng)過上述的層次剖析法，將多個評價指標(biāo)的評分結(jié)果加權(quán)匯總到一個目的指標(biāo)，有利于更直接地評價用戶，經(jīng)過上述結(jié)果能夠算出每個網(wǎng)站用戶的忠實度評分，能夠直接排序選擇忠實度排名靠前的用戶展開定向營銷。

評價電子商務(wù)網(wǎng)站用戶的綜合價值

經(jīng)過上面的剖析實例，大家對層次剖析的應(yīng)用應(yīng)該有了一定的熟習(xí)，那么關(guān)于愈加復(fù)雜的多層次剖析模型，層次剖析法又是如何完成的呢？下面就以電子商務(wù)網(wǎng)站用戶剖析這篇文章中的指標(biāo)體系為例來扼要引見下。首先也是構(gòu)建評價指標(biāo)體系模型，從電子商務(wù)的買賣數(shù)據(jù)中獲取的指標(biāo)更為豐厚，我們依據(jù)文中對指標(biāo)的論述，將指標(biāo)進(jìn)一步分層，能夠樹立起3層構(gòu)造的模型，如下圖：

AHP-model-for-E-commerce-user

基于這個模型，需求運用3次AHP來計算：

忠實度和消費才能對用戶價值的影響權(quán)重；

最近購置時間、購置頻率和購置產(chǎn)種類類對忠實度的影響權(quán)重；

均勻每次消費額和單次最高消費額抵消費才能的影響權(quán)重。

分別在每一步中獲取指標(biāo)兩兩比擬的權(quán)重，計算矩陣的分歧性概率CR，若經(jīng)過則計算取得每個指標(biāo)對上層相應(yīng)指標(biāo)的影響權(quán)重系數(shù)，最終我們能夠得到相似如下的結(jié)果：

用戶價值=忠實度*0.67+消費才能*0.33

忠實度=最近購置時間*0.12+購置頻率*0.64+購置產(chǎn)種類類*0.24

消費才能=均勻每次消費額*0.67+單詞最高消費額*0.33

則能夠推導(dǎo)的出用戶價值的直接計算公式：

用戶價值=（最近購置時間*0.12+購置頻率*0.64+購置產(chǎn)種類類*0.24）*0.67+（均勻每次消費額*0.67+單詞最高消費額*0.33）*0.33　　→

用戶價值=最近購置時間*0.08+購置頻率*0.43+購置產(chǎn)種類類*0.16+均勻每次消費額*0.22+單詞最高消費額*0.11

還是用文中例舉的兩個用戶為例來計算他們的綜合價值評分，如下表：

\從上表能夠看出，在運用層次剖析法取得的剖析結(jié)果中，不只可以計算出最終的目的指標(biāo)（用戶價值）的評分，同時也可以計算得到模型的中間層指標(biāo)（忠實度和消費才能）的評分，這樣我們不只可以經(jīng)過直接比擬用戶的綜合價值評分獲取網(wǎng)站的重要用戶，同時忠實度和消費才能的評分也為針對用戶的細(xì)分提供了一個有力的量化數(shù)值參考根據(jù)

消費才能 忠實度

——100個隨機樣本數(shù)據(jù)的散點散布，圖中的數(shù)據(jù)僅供參考，不代表任何網(wǎng)站的實踐狀況

上面的散點圖是對用戶忠實度和消費才能的一個簡單展現(xiàn)，從圖中點的匯集狀況（或者點散布的密集度）能夠?qū)D簡單分紅4塊，滿足各分塊內(nèi)部的各點間間隔最短（最密集）及各分塊間的點散布間隔最長（最離散），其實能夠看做是一個最簡單的聚類，從中能夠看出電子商務(wù)網(wǎng)站用戶特征的散布狀況：

從C區(qū)域能夠看出用戶較多地散布在忠實度和消費才能評分為3左近的區(qū)域，也是網(wǎng)站最普遍的客戶群；

B區(qū)域的用戶是網(wǎng)站的最有價值客戶（VIP），但是數(shù)量相當(dāng)稀少，可能不到10%；

在A區(qū)域有一個點密集區(qū)間（忠實度1-2、消費才能8-9），能夠以為是網(wǎng)站的高級消費用戶群，他們消費不多，但消費額很高，假如你的網(wǎng)站提供高級消費品、批發(fā)、團購等效勞的話，那么他們就可能是那方面的客戶群；

D區(qū)域的用戶固然消費才能也不強，但他們是你的網(wǎng)站的忠實Fans，不要無視這些用戶，他們常常是網(wǎng)站線下營銷和品牌口碑傳播的有利反對者。

經(jīng)過相似上面的剖析過程，我們能夠發(fā)現(xiàn)電子商務(wù)網(wǎng)站用戶的某些特征，為網(wǎng)站的運營方向和營銷戰(zhàn)略提供一定的決策支持。

這篇文章里面主要討論的是運用層次剖析法對網(wǎng)站用戶的一個評價應(yīng)用案例，其實層次剖析法不只適用于網(wǎng)站用戶的評價，同樣適用于網(wǎng)站頁面、產(chǎn)品、來源、關(guān)鍵詞及其它任何牽涉多指標(biāo)可分層的評價，關(guān)鍵在于如何樹立起一套系統(tǒng)的有效的指標(biāo)評價體系。假如你有更好的擴展思緒，歡送與我評論交流。