应用案例丨运用层次分析法对网站用户进行评价

当每个指标的影响权重不同（例如，电子商务网站可能更关注用户在一段时间内完成的订单数量或交易量）时，我们应该如何评估用户的综合价值？层次分析可以很好地解决这个问题。以下是用户忠诚度评价和电子商务网站用户综合价值评价：用户忠诚度评价用户忠诚度由四个指标——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，这四个指标没有明显的类别划分，可以认为是同一水平的独立指标，因此，我们只需要构建两层模型：我们需要计算底层每个指标对用户忠诚度的影响权重，只需要知道底层每个指标之间的相对比例，主要通过专家组或问卷研究获取数据，假设四个指标之间的比例如下表所示(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1733最近访问时间1/711/31/5平均停留时间1/331/3平均浏览页面数1/3531-表中的数据为正反矩阵，也就是说，如果“用户访问频率”与“最近访问时间”的比例为7（1-9标准的定义见层次分析法文章），则相应表（第2行第3列）的值为7，矩阵对角线对称表（第3行第2列）的值为1/7。因此，两对比只需完成对角线一侧的数据，另一侧取相应值的倒数即可。由于指标之间有两两个比较，整个矩阵的数据将不一致，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”的比例为3，因此应推断“平均停留时间”和“平均浏览页面数”的比例应为1，即同等重要，但下面比例的实际数据为1/3。因此，我们可以看到，两个比较过程只关心两个指标之间的关系，没有推导关系，这将导致整个矩阵的不一致性。在计算重量之前，需要验证矩阵的不一致性系数。只有在小于0.1时，才能采用矩阵数据。根据表中两个比较的结果，每个指标的权重可以通过层次分析方法的矩阵运算计算。如果您对excel足够熟悉，也可以在excel中实现。建议使用AHP分析工具——ExpertChoice，在这个工具中，只需构建类似上表的树形模型，然后输入上表指标的两个比较结果，该软件将自动计算相对于目标的权重和整个模型的CR(一致性概率)。通过软件计算得到的CR=0.05，导入上述模型，输入表中指标的比较数据<0.1.因此，通过检查数据，可以进一步获得各指标的权重，并获得以下加权计算公式：　　用户忠诚度=用户访问频率*0.525 最近的访问时间*0.0566 平均停留时间*0.139 基于此结果，平均浏览页数为*0.279，我们可以加权求和标准化用户每个指标的评分数据，或者以网站用户忠诚度分析文章中的两个用户为例，采用10分的评分系统，计算用户忠诚度如下：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11.05.03.03.82.28用户24.09.32.46.34.71用户n......................................................................................................................................................................................03.828.28用户244.................................................................................................................................................通过以上结果可以计算出每个网站用户的忠诚度评分，可以直接选择忠诚度排名靠前的用户进行定向营销。通过以上分析实例，我们应该熟悉层次分析的应用，那么如何实现更复杂的多层次分析模型呢？一是构建评价指标体系模型，从电子商务交易数据中获得的指标更加丰富。根据本文对指标的阐述，我们可以进一步分层建立三层结构模型，如下图所示：基于此模型，计算忠诚度和消费能力对用户价值的影响权重需要三次AHP；最近购买时间、购买频率和产品类型对忠诚度的影响权重；平均每次消费量和最高单次消费量对消费能力的影响权重。计算矩阵一致性概率CR，计算每个指标对上层相应指标的影响权重系数，最后，我们可以得到类似的结果：　　忠诚度*0.677 消费能力*0.33忠诚度=最近购买时间*0.12 购买频率*0.64 *0.24消费能力=平均每次消费量*0.677 用户价值的直接计算公式可以推导出单词最高消费量*0.33:　　用户价值=(最近购买时间*0.12 购买频率*0.64 购买产品类型*0.24*0.67 (平均每次消费量*0.677 单词最高消费*0.33*0.33　　→用户价值=最近购买时间*0.088 购买频率*0.43 *0.16购买产品类型 平均每次消费量*0.222 以文章中例举的两个用户为例，单词最高消费量为*0.11或计算其综合价值评分，下表：评分近期购买时间购买频率购买产品种类平均每次消费单词最高消费忠诚度消费能力用户价值用户1233892.88.334.68用户2778657.245.676.72用户n....................................从上表可以看出，在使用层次分析法获得的分析结果中，不仅可以计算最终目标指标（用户价值）评分，还可以计算模型中间指标（忠诚度和消费能力）评分，使我们不仅可以直接比较重要用户的综合价值评分，忠诚度和消费能力评分也为用户细分提供了强有力的定量价值参考，如下图所示：-100个随机样本数据分散点分布，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简单展示。从图中点的聚集(或点分布的密度)可以简单地将图分成4块，以满足每个块内最短的点间距(最密集)和每个块之间最长的点分布距离(最离散)。其实可以看作是最简单的聚类。从中可以看出，电子商务网站用户特征的分布：从C区域可以看出，用户大多分布在忠诚度和消费能力评分3附近的区域，也是网站上最常见的客户群；B区域的用户是网站上最有价值的客户（VIP），但数量相当稀少，可能不到10%；A区域有一个点密集区间(忠诚度1-2、8-9)消费能力，可以认为是网站的高级消费用户群。他们消费不多，但消费量很高。如果你的网站提供高级消费品、批发、团购等服务，那么他们可能是那方面的客户群；虽然D区的用户消费能力不强，但他们是你网站的忠实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支持者。通过以上类似的分析过程，我们可以发现电子商务网站用户的一些特点，为网站的运营方向和营销策略提供一定的决策支持。本文主要讨论了利用层次分析法对网站用户的评价应用案例。事实上，层次分析法不仅适用于网站用户的评价，也适用于网站页面、产品、来源、关键词等涉及多个指标的评价。关键在于如何建立一个系统的有效指标评价体系。本文主要讨论了利用层次分析法对网站用户的评价应用案例。事实上，层次分析法不仅适用于网站用户的评价，也适用于网站页面、产品、来源、关键词等涉及多个指标的评价。关键在于如何建立一个系统的有效指标评价体系。如果您有更好的扩展想法，请与我进行评论和交流。