編輯導語:如今電商平臺發展的十分繁榮,電商平臺的運營也要發揮很大的作用為產品帶來流量,加上如今大資料的幫助,精細化運營成了一種好辦法;本文作者分享了關於構建電商使用者評分體系,我們一起來了解一下。
花花是某電商公司的一名產品運營,如果新上線一款產品他的一貫做法都是做活動、蹭熱點、做營銷等等;但是,這些做法引來了大量的羊毛黨,獲取的客戶卻是屈指可數。
正在花花為此事頭疼之際,同組的前輩豆豆給他支了個招,運用AHP 和 RFM 構建使用者評分體系,精細化運營,能帶來很好的效果;開心之餘,花花趕緊使用度娘搜尋,AHP 和 RFM 究竟是什麼東西?又怎麼運用呢?接下來作者就給你嘮叨嘮叨。
一、AHP 制定權重
1. AHP 是什麼?
層次分析法(Analytic Hierarchy Process)簡稱 AHP,20 世紀 70 年代中期由美國運籌學家托馬斯·塞蒂(T·L·Saaty)提出。
AHP 是指將與決策有關的元素分解成目標、準則、方法等層次,主要用於定性的問題進行定量化分析決策。
比如,某電商平臺根據使用者行為資料對使用者做綜合評分模型,找出忠誠使用者、活躍使用者、沉默使用者等等,進而對各類使用者進行精細化運營。
2. AHP 基本原理
AHP 的思路是密切的和決策者的主觀判斷以及推理聯絡起來,也就是對決策者的推理或者判斷過程進行量化,從而避免決策者在結構複雜或方案較多時邏輯推理失誤。
具體步驟如下:
1)建立評分體系
構建使用者價值評分體系,對各類使用者進行精細化運營。
設定目標,列出影響目標的所有元素。採用專家打分、使用者問卷等方式,逐一列出所有的影響因素,比如活躍度、忠誠度、購買力等。
2)構建層次結構、判斷矩陣
列出影響因素的指標或方案。
判斷影響使用者活躍度的指標有瀏覽頁面次數、停留時長、瀏覽商品次數、下單次數。
判斷影響使用者忠誠度的指標有最近訪問時間、訪問頻率、主動評價次數。
判斷影響使用者購買力的指標有單筆最高金額、平均訂單金額、購買次數。
3)算出權重係數
分別算出各個指標層、準則層的指標權重,然後再算出決策公式(如下圖)。
4)一致性校驗
若一致性指標 CR<0。1,就進入下一環節;否則,對各指標權重重新賦值(即,重新構建判斷矩陣)。
5)層次排序
層次排序分為層次單排序和層次總排序。所謂層次單排序,指對於上一層某因素而言,本層次各因素的重要性的排序;所謂層次總排序,指確定某層所有因素總目標相對重要性的排序權值過程。
層次排序是從最高層到最底層依次進行的。對於最高層次而言,其層次單排序的結果也是總排序的結果。
3. 確定權重
1)構建判斷矩陣
在確定各層次各因素間的權重時,如果僅是定性的結果,則通常不容易被其他人接受;因而 Saaty 提出一致性矩陣法,即兩兩因素相互比較,採用標度,儘可能減少不同因素相互比較的困難,以提高準確度。
運用專家打分將所有因素兩兩比較確定合適的標度。建立層次結構後,比較因子及下屬指標的各個比重,實現定性向定量轉化;比如,採用 1-9 分標度法,構建決策層的打分矩陣 A,如下圖。
實際上,上述打分矩陣就是層次分析法中的判斷矩陣。
2)一致性檢驗
一致性檢驗是為了檢驗各元素重要程度之間的協調性,避免出現 A 比 B 重要,B 比 C 重要,而 C 又比 A 重要,這樣的矛盾情況。
相關理論:
一致性矩陣:
判斷矩陣是否為一致性矩陣:
在判斷矩陣的構造中,並不要求判斷矩陣一定具有一致性,這是由客觀事物的複雜性和人的認識多樣性決定的;但判斷矩陣是計算排序權向量的依據,因此要求判斷矩陣應該滿足大體上的一致性。
對判斷矩陣一致性校驗:
先求解特徵向量,採用手工計算方法——和積法:
手工計算矩陣 A 的特徵值:
求特徵向量:
求最大特徵值:
手工求解精確度較低,只是求得最大特徵值的近似值。
一致性校驗
3)計算指標層權重
計算活躍度的權重:
因此,準則層相對活躍度的權重依次為:
瀏覽頁面次數的權重:b1=0。63231
停留時長的權重:b2=0。21452
瀏覽商品次數的權重:b3=0。10961
下單次數的權重:b4=0。04357
計算忠誠度的權重:
因此,準則層相對忠誠度的權重依次為:
最近訪問時間的權重:c1=0。61935
訪問頻率的權重:c2=0。28423
主動評價次數的權重:c3=0。09642
計算購買力的權重:
因此,準則層相對購買力的權重依次為:
單筆最高金額的權重:d1=0。70706
平均訂單金額的權重:d2=0。20141
購買次數的權重:d3=0。09153
列出全部權重:
如果一致性校驗沒有透過,怎麼辦?
作者在實際構建評分矩陣時,發生了好幾次一致性校驗不透過(如 CR>=0。1)。這可能由於一些主觀因素導致,也可能是由於構建模型不合理導致。所以需要專家重新構建打分矩陣,甚至需要重新構建層次分析模型。
構建模型影響:
因素是否合理、含義是否清晰、要素間是否重疊,這都會有影響。建議每層要素儘量不超過 7 個;如果元素之間的強度相差很大,儘量不要放在同一個層級。
計算精度影響:
特徵值求解方法的不同(比如和積法、方根法等)、Excel 計算值的誤差、計算工具的誤差等,都可能導致一致性校驗結果有些偏差,可以使用 Matlab 等精度更高的計算工具,如下圖。
4)結論
運用 AHP 模型得出和公式:
活躍度=b1*瀏覽頁面次數+b2*停留時長+b3*瀏覽商品次數+b4*下單次數;
忠誠度=c1*最近訪問時間+c2*訪問頻率+c3*主動評價次數;
購買力=d1*單筆最高金額+d2*平均訂單金額+d3*購買次數;
使用者價值評分=0。64339*活躍度+0。28284*忠誠度+0。07377*購買力。
AHP 方法使用較少的定量資料,就可以構建模型,最終的結論只能表明因素的重要程度,不能得出使用者價值的評分值是多少。
因此,將 RFM 模型和 AHP 模型相結合,算出各個因素的分值,得出每個使用者的評分。
二、RFM 計算分值
1. RFM 是什麼?
RFM 模型是衡量客戶價值和客戶創利能力的重要工具和手段。
該模型透過一個客戶的近期購買行為(Recency)、購買的總體頻率(Frequency)以及消費金額(Monetary)3 項指標切分出多類客戶,最後根據不同型別客戶(如下圖)佔比情況來評估客戶的整體分佈,並針對不同型別的客戶進行有針對性的營銷。
一個 RFM 使用者分層模型,重要發展客戶到底多少分?一般價值客戶多少分?作者將用某電商公司 2018 年 11 月 1 日-2019 年 4 月 30 日共 5 個月的交易資料來講述,為了保護隱私,資料經過脫敏處理。
2. 構建 RFM 模型的步驟
1)獲取與清洗資料
RFM 模型主要用於分析使用者購買行為,通常獲得的資料包含付款時間、實付金額、訂單狀態等等資訊的資料,部分資料如下圖。
獲得資料後,其中可能存在空值、異常值等情況,這類髒資料無法進行分析,需要透過簡單的資料清洗去除;資料清洗的方式有兩類:異常值處理,如刪除、均值補差等;異常值識別,如按業務規則查詢、語義衝突等。
比如,作者獲得交易資料後,發現 “發貨時間” 為空,是髒資料,需要剔除;對應 “訂單狀態” 的值是 “付款以後使用者退款成功,交易自動關閉”,退款使用者資料不該納入模型,需要去除。
清洗完之後,分別對 “發貨時間”、“訂單狀態” 進行篩選,這時發現 “發貨時間” 為空或訂單狀態為 “付款以後使用者退款成功,交易自動關閉” 這類資料已經不存在了,說明已經篩選乾淨了。
2)建立模型
接下來,作者需要提取 R、F、M 的值:R(最近一次購買距今天的天數)、F(購買了幾次)和 M(平均購買金額)。
構建一張透視表,將 “買家暱稱” 分別拖到行位置和值位置,對 “買家暱稱” 進行計數彙總,也就是得出買家的消費次數,即 F 值;將 “付款時間” 拖到值位置,設為最大值,將 “實付金額” 拖到值位置,設為平均值,即 M 值,如下圖。
將初步透視好的資料複製到一張新的表格(選擇性貼上「值和數字格式」);接著處理 R 的值,由於訂單截止日期是 2019 年 4 月 30 日,作者將建模時間設為 2019 年 5 月 1 日,求距離 5 月 1 日這一天客戶最近一次付款時間的間隔天數,就是求每個客戶的 R 值,如下圖。
用 RFM 的計算方式,對所有因素(R、F、M)進行 0-5 評分割槽段的對映。
或者用下面的公式歸一化處理(如下圖),正相關使用第一個公式,負相關使用第二個公式,R 屬於負相關,因為最近一次購買時間距越小,那麼越重要。F 和 M 都是正相關。
規範化計算也可以使用 (X-Xmin)/均值(X) 和(Xmax-X)/均值(X),需要注意的是,如果真實資料分佈不平均的話,均值就可能出現偏差,比如有人消費 100 萬元,有人消費 1000 元,平均數的偏差就很大;所以,可以使用三分位、中位數或者(Xmax-Xmin)等方式進行歸一化。
由於獲取的資料欄位有限,無法透過指標層得到準則層的權重,所以直接用AHP算出的活躍度、忠誠度和購買力的權重,依次分別是0。64339、0。28284、0。07377。
得出標準化的資料以及一定權重的使用者價值,如下圖:
把 R、F、M、使用者價值按照 0、1 區分,如果大於均值為 1,否則為0,得到 16 種使用者型別,如下圖。
將使用者型別代入資料中,得出的部分結果,如下圖。
3. 模型視覺化
1)分析各類客戶佔比
對剛剛完成 RFM 模型表格進行透視,將 “客戶型別” 拖至行區域,再把 “客戶型別” 拖至值區域兩次,第一次是為了計數,第二次是為了檢視客戶佔比,如下圖。
繪圖,更清晰的檢視不同客戶型別的使用者數佔比,如下圖。
2)分析客戶金額佔比
對RFM模型表格進行透視,將“客戶型別”拖至行區域,再把“累計金額”拖至值區域兩次,第一次是為了計算每類客戶的累計消費金額,第二次是為了檢視每類客戶的金額佔比,如下圖。
繪圖,更清晰的檢視不同客戶型別的金額佔比,如下圖。
三、總結與建議
1)從各類客戶佔比圖中看出,次一般挽留客戶(0000)的人數最高,竟達 8725 人,人數佔比 34。52%;此類客戶近期沒有購買,購買頻次低於平均值,下單平均金額比較低,並且使用者價值也較低,大約在 2018 年 雙11 下的單,屬於價格敏感性客戶,所以可以在促銷活動(如國慶節、六一等)時試著喚醒他們。
2)次重要挽留客戶(0010),最近沒有購買商品,消費頻率較低,消費金額較大的一類客戶,有 6905 人,人數佔比 27。16%,支付金額佔比最高;換句話說,對於該商家銷售額貢獻率最高的一批客戶,下單時間遠,購買次數低,已經處於流失的邊緣,但是不同於次一般挽留客戶,這類客戶的平均銷售額較高。
對於這類客戶,運營人員需要獲取他們的聯絡方式,進行回訪,詢問客戶沉睡的原因;或者說商品本身就屬於復購率低、消費金額佔比高的商品;或者從商品本身入手,試著比較客戶購買時間與商品的回購日期,是不是上次購買的商品還沒有用完。
3)重要發展客戶(1011),最近購買,購買頻次低,消費金額大,使用者價值大的客戶有 2614 人,佔總人數的 20。28%,支付金額相對較高。這類客戶大致是新客戶。
對於這類客戶,運營人員近期適當的進行簡訊推送,優惠券發放等形式,來提高他們的購買頻率,爭取提高這類使用者的忠誠度,最終將他們轉變成重要價值客戶。
本文由 @貓耳朵 原創釋出於人人都是產品經理,未經許可,禁止轉載
題圖來自 Unsplash,基於 CC0 協議