前面的兩篇文章介紹了基於點擊流數據的適合所有網站的用戶忠誠度分析及應用於電子商務網站的用戶分析 ，並且通過雷達圖可以直觀的展示用戶在各指標上的表現情況，我們可以通過雷達圖上圖形圍成的面積來簡單評價一個用戶的綜合價值。 可能大家都有這樣的疑問，當各指標的影響權重不同時（比如電子商務網站可能會更看重用戶完成的訂單數或者在一段時間內的交易額），在這種情況下我們該如何來評價用戶的綜合價值？ 如果你看過我的上一篇文章—— 層次分析法（AHP） ，相信你已經找到了滿意的答案，是的，層次分析法可以很好地解決這個問題。 下面就用層次分析法分別介紹一下用戶忠誠度評價及電子商務網站用戶的綜合價值評分：

評價用戶忠誠度

用戶忠誠度由4個指標——用戶訪問頻率、最近訪問時間、平均停留時間和平均瀏覽頁面數決定，這4個指標沒有明顯的類別劃分，並且可以認為是在同一層次上的相互獨立的指標，所以只需要構建2層的模型：

我們需要計算底層每個指標對用戶忠誠度的影響權重，只需要知道底層各指標間的相對比重，這個主要通過專家組或者問卷調研的方法獲得數據，這裡假設4個指標間兩兩比較的比重如下表（使用9標度）：

——表格中的數據是一個正互反矩陣，即如果“用戶訪問頻率”與“最近訪問時間”的比重為7（1-9標度的定義參見層次分析法那篇文章），則對應的表格（第2行第3列）的數值為7，矩陣對角線對稱的表格（第3行第2列）的值為1/7。 所以兩兩比較只需要完成對角線一側的數據，另一側取對應數值的倒數就可以了。

　　 因為指標間進行的是兩兩比較，所以整個矩陣的數據會存在不一致性 ，比如上表中的數據“用戶訪問頻率”和“平均停留時間”、“平均瀏覽頁面數”的比重都是3，那麼一次應該推斷“平均停留時間”和“平均瀏覽頁面數”的比重應該是1，也就是同等重要，但是下面該比重的實際數據是1/3。 所以可以看到兩兩比較的過程只在乎兩個指標的關係，不存在推導關係，這樣就會導致整個矩陣存在不一致性，在計算權重前需要驗證矩陣的不一致性係數，只有小於0.1時，該矩陣的數據才能被採納。

根據表中兩兩比較的結果可以通過層次分析法的矩陣運算計算各指標的權重，如果你對excel足夠熟悉的話在excel裡面也可以實現，這裡推薦使用AHP的分析工具——Expert Choice，在這個工具裡面只要構建類似上面的樹狀模型，然後將上表的指標兩兩比較的結果輸入進去，軟件就會自動計算出各指標相對於目標的權重及整個模型的CR（一致性概率）。 導入上面的模型，輸入表格中指標兩兩比較數據，通過軟件計算得出的CR=0.05<0.1，所以數據通過檢驗，可以進一步獲取各指標的權重，得到以下的加權加權計算公式：

用戶忠誠度=用戶訪問頻率*0.525+最近訪問時間*0.056+平均停留時間*0.139+平均瀏覽頁面數*0.279

基於該結果，我們可以將標準化後的用戶每個指標的評分數據進行加權求和，還是以網站用戶忠誠度分析一文中的兩個用戶為例，採用的是10分值的評分體系，則計算用戶的忠誠度如下：

通過上述的層次分析法，將多個評價指標的評分結果加權匯總到一個目標指標，有利於更直接地評價用戶，通過上述結果可以算出每個網站用戶的忠誠度評分，可以直接排序選擇忠誠度排名靠前的用戶展開定向營銷。

評價電子商務網站用戶的綜合價值

通過上面的分析實例，大家對層次分析的應用應該有了一定的熟悉，那麼對於更加複雜的多層次分析模型，層次分析法又是如何實現的呢？ 下面就以電子商務網站用戶分析這篇文章中的指標體係為例來簡要介紹下。 首先也是構建評價指標體系模型，從電子商務的交易數據中獲取的指標更為豐富，我們根據文中對指標的闡述，將指標進一步分層，可以建立起3層結構的模型，如下圖：

基於這個模型，需要使用3次AHP來計算：

1. 忠誠度和消費能力對用戶價值的影響權重；
2. 最近購買時間、購買頻率和購買產品種類對忠誠度的影響權重；
3. 平均每次消費額和單次最高消費額對消費能力的影響權重。

分別在每一步中獲取指標兩兩比較的權重，計算矩陣的一致性概率CR，若通過則計算獲得每個指標對上層相應指標的影響權重係數，最終我們可以得到類似如下的結果：

用戶價值=忠誠度*0.67+消費能力*0.33

忠誠度=最近購買時間*0.12+購買頻率*0.64+購買產品種類*0.24

消費能力=平均每次消費額*0.67+單詞最高消費額*0.33

則可以推導的出用戶價值的直接計算公式：

用戶價值=（最近購買時間*0.12+購買頻率*0.64+購買產品種類*0.24）*0.67+（平均每次消費額*0.67+單詞最高消費額*0.33）*0.33 →

用戶價值=最近購買時間*0.08+購買頻率*0.43+購買產品種類*0.16+平均每次消費額*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：

從上表可以看出，在運用層次分析法獲得的分析結果中，不僅能夠計算出最終的目標指標（用戶價值）的評分，同時也能夠計算得到模型的中間層指標（忠誠度和消費能力）的評分，這樣我們不僅能夠通過直接比較用戶的綜合價值評分獲取網站的重要用戶 ，同時忠誠度和消費能力的評分也為針對用戶的細分提供了一個有力的量化數值參考依據 ，如下圖：

——100個隨機樣本數據的散點分佈，圖中的數據僅供參考，不代表任何網站的實際情況

上面的散點圖是對用戶忠誠度和消費能力的一個簡單展示，從圖中點的聚集情況（或者點分佈的密集度）可以將圖簡單分成4塊，滿足各分塊內部的各點間距離最短（最密集）及各分塊間的點分佈距離最長（最離散），其實可以看做是一個最簡單的聚類，從中可以看出電子商務網站用戶特徵的分佈情況：

• 從C區域可以看出用戶較多地分佈在忠誠度和消費能力評分為3附近的區域，也是網站最普遍的客戶群；
• B區域的用戶是網站的最有價值客戶（VIP），但是數量相當稀少，可能不到10%；
• 在A區域有一個點密集區間（忠誠度1-2、消費能力8-9），可以認為是網站的高級消費用戶群，他們消費不多，但消費額很高，如果你的網站提供高級消費品、批發、團購等服務的話，那麼他們就可能是那方面的客戶群；
• D區域的用戶雖然消費能力也不強，但他們是你的網站的忠實Fans，不要忽視這些用戶，他們往往是網站線下營銷和品牌口碑傳播的有利擁護者。

通過類似上面的分析過程，我們可以發現電子商務網站用戶的某些特徵，為網站的運營方向和營銷策略提供一定的決策支持。

這篇文章裡面主要討論的是運用層次分析法對網站用戶的一個評價應用案例，其實層次分析法不僅適用於網站用戶的評價，同樣適用於網站頁面、產品、來源、關鍵詞及其它任何牽涉多指標可分層的評價，關鍵在於如何建立起一套系統的有效的指標評價體系。 如果你有更好的擴展思路，歡迎與我評論交流。

»本文采用BY-NC-SA協議，轉載請註明來源： 網站數據分析 » 《用戶綜合價值評分體系》

相關文章:

1. 電子商務網站用戶分析
2. 網站用戶忠誠度分析
3. 網站用戶的生命週期價值
4. 基於用戶細分的比較分析
5. 電子商務網站RFM分析

• 上一篇:層次分析法（AHP）
• 下一篇:網站分析的數據來源