用户综合价值评分体系

user-value-scoring  前面的两篇文章介绍了基于点击流数据的适合所有网站的用户忠诚度分析及应用于电子商务网站的用户分析,并且通过雷达图可以直观的展示用户在各指标上的表现情况,我们可以通过雷达图上图形围成的面积来简单评价一个用户的综合价值。可能大家都有这样的疑问,当各指标的影响权重不同时(比如电子商务网站可能会更看重用户完成的订单数或者在一段时间内的交易额),在这种情况下我们该如何来评价用户的综合价值?如果你看过我的上一篇文章——层次分析法(AHP),相信你已经找到了满意的答案,是的,层次分析法可以很好地解决这个问题。下面就用层次分析法分别介绍一下用户忠诚度评价及电子商务网站用户的综合价值评分:

评价用户忠诚度

  用户忠诚度由4个指标——用户访问频率、最近访问时间、平均停留时间和平均浏览页面数决定,这4个指标没有明显的类别划分,并且可以认为是在同一层次上的相互独立的指标,所以只需要构建2层的模型:

AHP-model-for-user-loyalty

  我们需要计算底层每个指标对用户忠诚度的影响权重,只需要知道底层各指标间的相对比重,这个主要通过专家组或者问卷调研的方法获得数据,这里假设4个指标间两两比较的比重如下表(使用9标度):

  用户访问频率 最近访问时间 平均停留时间 平均浏览页面数
用户访问频率 1 7 3 3
最近访问时间 1/7 1 1/3 1/5
平均停留时间 1/3 3 1 1/3
平均浏览页面数 1/3 5 3 1

——表格中的数据是一个正互反矩阵,即如果“用户访问频率”与“最近访问时间”的比重为7(1-9标度的定义参见层次分析法那篇文章),则对应的表格(第2行第3列)的数值为7,矩阵对角线对称的表格(第3行第2列)的值为1/7。所以两两比较只需要完成对角线一侧的数据,另一侧取对应数值的倒数就可以了。

  因为指标间进行的是两两比较,所以整个矩阵的数据会存在不一致性,比如上表中的数据“用户访问频率”和“平均停留时间”、“平均浏览页面数”的比重都是3,那么一次应该推断“平均停留时间”和“平均浏览页面数”的比重应该是1,也就是同等重要,但是下面该比重的实际数据是1/3。所以可以看到两两比较的过程只在乎两个指标的关系,不存在推导关系,这样就会导致整个矩阵存在不一致性,在计算权重前需要验证矩阵的不一致性系数,只有小于0.1时,该矩阵的数据才能被采纳。

  根据表中两两比较的结果可以通过层次分析法的矩阵运算计算各指标的权重,如果你对excel足够熟悉的话在excel里面也可以实现,这里推荐使用AHP的分析工具——Expert Choice,在这个工具里面只要构建类似上面的树状模型,然后将上表的指标两两比较的结果输入进去,软件就会自动计算出各指标相对于目标的权重及整个模型的CR(一致性概率)。导入上面的模型,输入表格中指标两两比较数据,通过软件计算得出的CR=0.05<0.1,所以数据通过检验,可以进一步获取各指标的权重,得到以下的加权加权计算公式:

  用户忠诚度=用户访问频率*0.525+最近访问时间*0.056+平均停留时间*0.139+平均浏览页面数*0.279

  基于该结果,我们可以将标准化后的用户每个指标的评分数据进行加权求和,还是以网站用户忠诚度分析一文中的两个用户为例,采用的是10分值的评分体系,则计算用户的忠诚度如下:

评分 用户访问频率 最近访问时间 平均停留时间 平均浏览页面数 用户忠诚度
用户1 1.0 5.0 3.0 3.8 2.28
用户2 4.0 9.3 2.4 6.3 4.71
用户n …… …… …… …… ……

  通过上述的层次分析法,将多个评价指标的评分结果加权汇总到一个目标指标,有利于更直接地评价用户,通过上述结果可以算出每个网站用户的忠诚度评分,可以直接排序选择忠诚度排名靠前的用户展开定向营销。

评价电子商务网站用户的综合价值 

  通过上面的分析实例,大家对层次分析的应用应该有了一定的熟悉,那么对于更加复杂的多层次分析模型,层次分析法又是如何实现的呢?下面就以电子商务网站用户分析这篇文章中的指标体系为例来简要介绍下。首先也是构建评价指标体系模型,从电子商务的交易数据中获取的指标更为丰富,我们根据文中对指标的阐述,将指标进一步分层,可以建立起3层结构的模型,如下图:

AHP-model-for-E-commerce-user

  基于这个模型,需要使用3次AHP来计算:

  1. 忠诚度和消费能力对用户价值的影响权重;
  2. 最近购买时间、购买频率和购买产品种类对忠诚度的影响权重;
  3. 平均每次消费额和单次最高消费额对消费能力的影响权重。

  分别在每一步中获取指标两两比较的权重,计算矩阵的一致性概率CR,若通过则计算获得每个指标对上层相应指标的影响权重系数,最终我们可以得到类似如下的结果:

  用户价值=忠诚度*0.67+消费能力*0.33

  忠诚度=最近购买时间*0.12+购买频率*0.64+购买产品种类*0.24

  消费能力=平均每次消费额*0.67+单词最高消费额*0.33

则可以推导的出用户价值的直接计算公式:

  用户价值=(最近购买时间*0.12+购买频率*0.64+购买产品种类*0.24)*0.67+(平均每次消费额*0.67+单词最高消费额*0.33)*0.33  →

  用户价值=最近购买时间*0.08+购买频率*0.43+购买产品种类*0.16+平均每次消费额*0.22+单词最高消费额*0.11

  还是用文中例举的两个用户为例来计算他们的综合价值评分,如下表:

评分 最近购买时间 购买频率 购买产品种类 平均每次消费额 单词最高消费额 忠诚度 消费能力 用户价值
用户1 2 3 3 8 9 2.88 8.33 4.68
用户2 7 7 8 6 5 7.24 5.67 6.72
用户n …… …… …… …… …… …… …… ……

  从上表可以看出,在运用层次分析法获得的分析结果中,不仅能够计算出最终的目标指标(用户价值)的评分,同时也能够计算得到模型的中间层指标(忠诚度和消费能力)的评分,这样我们不仅能够通过直接比较用户的综合价值评分获取网站的重要用户,同时忠诚度和消费能力的评分也为针对用户的细分提供了一个有力的量化数值参考依据,如下图:

E-commerce-user-value-plot

——100个随机样本数据的散点分布,图中的数据仅供参考,不代表任何网站的实际情况

  上面的散点图是对用户忠诚度和消费能力的一个简单展示,从图中点的聚集情况(或者点分布的密集度)可以将图简单分成4块,满足各分块内部的各点间距离最短(最密集)及各分块间的点分布距离最长(最离散),其实可以看做是一个最简单的聚类,从中可以看出电子商务网站用户特征的分布情况:

  • 从C区域可以看出用户较多地分布在忠诚度和消费能力评分为3附近的区域,也是网站最普遍的客户群;
  • B区域的用户是网站的最有价值客户(VIP),但是数量相当稀少,可能不到10%;
  • 在A区域有一个点密集区间(忠诚度1-2、消费能力8-9),可以认为是网站的高级消费用户群,他们消费不多,但消费额很高,如果你的网站提供高级消费品、批发、团购等服务的话,那么他们就可能是那方面的客户群;
  • D区域的用户虽然消费能力也不强,但他们是你的网站的忠实Fans,不要忽视这些用户,他们往往是网站线下营销和品牌口碑传播的有利拥护者。

  通过类似上面的分析过程,我们可以发现电子商务网站用户的某些特征,为网站的运营方向和营销策略提供一定的决策支持。

  这篇文章里面主要讨论的是运用层次分析法对网站用户的一个评价应用案例,其实层次分析法不仅适用于网站用户的评价,同样适用于网站页面、产品、来源、关键词及其它任何牵涉多指标可分层的评价,关键在于如何建立起一套系统的有效的指标评价体系。如果你有更好的扩展思路,欢迎与我评论交流。

用户综合价值评分体系》上有 48 条评论

  1. zhilavie

    后来又想了下,是不是可以这样理解,用户生命周期包括了一个时间因素,通过确定用户处于哪个生命周期,提供相应的推广方案,使其达到或持续保持高价值

    回复
  2. joegh 文章作者

    @zhilavie: 用户的生命周期理论是用户关系管理里面很重要的一部分,可以通过分析用户的行为来评估用户可能处于生命周期的哪个阶段,并展开针对性的个性化营销。
    但我这里主要是为了定量地计算用户在整个生命周期中为网站创造的价值。

    回复
  3. Pingback 引用通告: 网络营销博客.ALi,专注网络营销,分享网络营销.

  4. happy kids karaoke

    近期刚开始学做网站,不经意通过谷歌找到了webdataanalysis.net,非常喜欢您blog的风格,看了您的大作感觉收获很大,您的美文非常实用。也很容易领会。心里算算这篇文章大概是小弟在您博上领悟到的第五招了!偷笑:)再接再厉哦!真心期盼您的blog蒸蒸日上。

    回复
  5. joegh 文章作者

    @mengyi: 其实也不会很难,可能会涉及一些统计和分析的方法,但主要还是基于实现和应用的角度,其实重要的不是方法的复杂性而是选择合适的方法实现有价值的分析目标。

    回复
  6. Pingback 引用通告: 用户需要什么数据? - 关于网站分析 - 网站分析思路与方法 - 网络营销博客

  7. joegh 文章作者

    @nancy: 其实无论是忠诚还是价值的评分都是一个加权求和的过程,需要注意的是每个影响指标需要转化成分值的形式,而不是其原来的实际数值,另外权重的确定我这里用的是AHP,当然也可以使用其他的方式。

    回复
  8. nancy

    恩,我想请问您如果一个SNS网站想要分析它的产品使用状况,能用AHP来分析吗?假设产品有:博客、图片、微薄、歌单,用户使用这些产品,才能体现用户的价值,我们能用AHP来分析吗?还是用其他的方法,可以给我一点建议吗?

    回复
  9. joegh 文章作者

    @nancy: AHP只是确定权重的方法之一,根据需要完全可以使用其他方法,AHP只是其中的一个选择,这个其实不重要,重要的是底层影响指标的确定,比如你说的你们的产品有很多,那么如何定量地衡量用户的对这些产品使用情况,而且这些指标必须是对用户产生的价值有影响的,进而才是去确定各指标的权重。
    我没法给出具体的解决方案,文中只是一种分析的思路,具体的应用需要根据具体的情况确定。

    回复
  10. Pingback 引用通告: 用户需要什么数据? ‹‹ 网客设计

  11. nancy

    其实我感觉设定权重似乎主观性很高,客观性相对较少。网站产品的组成也是网站自己设置的,所以对于权重的设置在产品组成形成时就依然确定了。至于用什么方法来设置权重更科学这一说法好像并不重要。您觉得呢?

    回复
  12. vincent

    哇卡卡~~~
    一语惊醒梦中人~~~

    之前我确定其他权重的方法是用问卷调查法
    层次分析法确定权重是没有想到的,
    学习了
    并转载了~~
    最后想问一个问题:层次分析法很重要的一个就是专家评价系统,对于诸多专家评价,如何综合~~

    回复
  13. joegh 文章作者

    @vincent: 是的,一般般两两比较的结果会通过多样本进行采集,一致性检验需要对每个样本个体进行,未通过一致性检验(CR>1.0)的样本数据首先需要剔除,然后再对所有的样本取平均进行计算就可以了。

    回复
  14. Pingback 引用通告: 用户综合价值评分体系 | 电商聚读

  15. Pingback 引用通告: 行走在互联网路上——UE之旅 » 网站内容评分模型

  16. Pingback 引用通告: 行走在互联网路上——UE之旅 » 基于用户细分的比较分析

  17. Pingback 引用通告: 攻XX城の仕 » 用户需要什么数据?

  18. wingers

    感谢博主分享,有个问题请教下,忠诚度里面有 “购买种类”这个属性怎么会反应用户忠诚度?

    回复
  19. joegh 文章作者

    @wingers: 这里指标的选择也不是一套通用的标准,网站可以根据自身情况调整。“购买种类”划归忠诚度我是考虑到购买的商品种类越多的用户比购买商品比较单一和集中的用户对网站的信任度和依赖性会更强一点,所以也放进去了。因为可能有些用户偏向于某类商品在这个网站买,另外的商品则选择其他网站或线下的渠道。

    回复
  20. joegh 文章作者

    @业火: “最近访问时间”指一个用户最近访问网站的时间点,原先是一个时间点,这里为了量化处理成最近访问时间距离当前的间隔,可以取间隔天数。应该在《用户忠诚度分析》这篇文章有说明,这里未做重复说明,可能会造成误解,建议如果感兴趣可以先阅读下文中开始引用的相关文章。

    回复
  21. Pingback 引用通告: 网站用户的生命周期价值 - 博客 - 伯乐在线

  22. mavarick

    利用用户购买进行用户价值评价,归一化过程有点疑问,如果遇到某一个指标存在某个极大值的情况,这种情况用min_max方法是不适用的。
    而且不管是用min_max模型还是,Z标准化模型,都存在的问题是对单个用户不能够纵向比较,因为minmax总是在变化。

    感觉最好的方法是对用户群体的指标进行统计,然后通过中位数或者平均值确定一个标准,用户指标针对这个标准的相对值作为最后的用户指标。
    而且,对着个标准也是有意义的,长期这个指标的变化,能够反映用户的购买情况。
    而且在短期,这个标准是固定不变的,用户不管在什么时间都可以进行横向比较(同一时间点,用户与用户比较)以及用户的纵向比较(不同时间点,用户的数据比较)

    回复
  23. joegh 文章作者

    @mavarick: 非常感谢你的评论,你提到的方法确实在某些分析场景很有用,我之前做分析的时候也遇到过,并且通过这种转化可以让分析更有效地说明问题。将指标的绝对值转化成相对值的方法有很多好处:
    1、能够一目了然的看到用户数据与平均水平的差距,并且当平均水平是动态变化时,相对量永远衡量的是用户基于当前平均水平的表现情况,有时候需要这样的分析,因为大环境可能在不断地变化。也就是你说的纵向比较。
    2、使用相对量做横向比较我觉得优点在于针对某些分析场景可以忽略用户基础水平的差异,比如企业用户和个体用户本身数据差异比较大,但借助相对量可以比较两者的数据增长或者是基于各自起始点的变化趋势。

    但是我文章介绍的内容不单是为了做横向或者纵向比较,因为除去诸如上面提到的一些特殊应用场景,如果只是为了比较,那么原始指标的数据就可以比较。这里的重点是综合评分,也就是不同指标间度量的统一,转化成一致的分值进行合并计算,评估用户的综合价值。这个是相对值没法做到的,相对值同样会受到异常数据的影响,可能会有10000%或者0.01%这类数据,而且最重要的是你提到的相对值没法落在一个固定的区间内,那么就无法转化成标准的分制进行综合评分了。

    另外min-max归一化和Z标准化确实存在你提到的缺陷,需要想一些办法进行规避。

    回复
  24. 大大只

    文章不错,又涨姿势了。文章是通过用户价值发掘不同群体用户然后进行差异化营销推广。想了想,我觉得如果最终目的是针对不同用户群制定营销策略,也可以用主成分或者因子分析计算用户得分再进行聚类分析,将用户分类发掘不同类别用户的特点,最后进行差异化营销推广。

    回复
  25. joegh 文章作者

    @大大只: 感谢评论。使用主成分或者因子分析需要可测量的因变量结果数据的支持,而这里的用户综合价值不能完全量化地获取,所以无法使用完全定量的方法去算,这里使用AHP是折中的一个方法。

    回复
  26. DJ

    楼主好!想问一下,具体怎么用AHP计算权重,我比较笨,可不可以举个简单的例子,帮个忙,谢谢!

    回复
  27. joegh 文章作者

    @Nick: 传统的两两比较由专家组来确定,当然也可以使用调查问卷的方法。其实两两比较已经简化了对指标权重的定性认识,比要一次确定多指标的各个权重要简单得多,然后再通过一致性检验来保证总体权重的一致性。
    AHP本来就是结合定性与定量,两两权重的主观确认虽然存在非严格定量的不科学性,但从另外一个角度来说,指标重要性可以人为地做些调整,比如第一阶段我们更重视A指标,而到下一阶段我们会将重心移到B指标。

    回复
  28. Pingback 引用通告: 网站用户的生命周期价值

  29. Sarah

    关于最近购买时间指标,对于这个模型来说,在其他4个影响因素一样的情况下,最近一次购买时间距离当前越远的客户,用户价值越高,有点不符合逻辑,望解答

    回复
  30. joegh 文章作者

    @Sarah: 这里使用的都是指标的评分,其实前面有一步是将指标标准化后转化为评分,这个过程中“最近购买时间”的处理跟其他指标有所不同,“最近购买时间”离当前越近评分越高,离得越远评分就越低。

    回复

vincent 进行回复 取消回复

电子邮件地址不会被公开。 必填项已用 * 标注

您可以使用这些 HTML 标签和属性: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>