花花是某电商公司的一名产品运营，如果新上线一款产品他的一贯做法都是做活动、蹭热点、做营销等等。但是，这些做法引来了极小量的羊毛党，获取的真实客户却是屈指可数。
花花是某电商公司的一名产品运营，如果新上线一款产品他的一贯做法都是做活动、蹭热点、做营销等等。但是，这些做法引来了极小量的羊毛党，获取的真实客户却是屈指可数。
正在花花为此事头疼之际，同组的前辈豆豆给他支了个招，运用AHP和RFM构建用户评分体系，精细化运营，能带来很好的效果；开心之余，花花赶紧使用度娘搜索，AHP和RFM究竟是什么东西？又怎么运用呢？接下来作者就给你唠叨唠叨。
一、AHP制定权重1.AHP是什么？层次分析法（AnalyticHierarchyProcess）简称AHP糖心logo入口 ，20世纪70年代中期由美国运筹学家托马斯·塞蒂（T·L·Saaty）提出。
AHP是指将与决策有关的元素分解成目标、准则、方法等层次，主要用于定性的问题进行定量化分析决策。
比如，某电商平台根据用户行为数据对用户做综合评分模型，找出忠诚用户、活跃用户、沉默用户等等，进而对各类用户进行精细化运营。
2.AHP高度发展原理AHP的思路是密切的和决策者的主观判断以及推理联系起来，也就是对决策者的推理或者判断过程进行量化，从而避免决策者在结构复杂或方案较多时逻辑推理失误。
具体步骤如下：
1）建立评分体系
构建用户价值评分体系，对各类用户进行精细化运营。
设定目标，列出影响目标的所有元素。采用专家打分、用户问卷等方式，逐一列出所有的影响因素，比如活跃度、忠诚度、购买力等。
2）构建层次结构、判断矩阵
列出影响因素的指标或方案。
判断影响用户活跃度的指标有浏览页面次数、停留时长、浏览商品次数、下单次数。
判断影响用户忠诚度的指标有最近访问时间、访问频率、主动评价次数。
判断影响用户购买力的指标有单笔最高金额、平均订单金额、购买次数。
3）算出权重系数
分别算出各个指标层、准则层的指标权重，然后再算出决策公式（如下图）。
4）一致同意性校验
若一致同意性指标CR0.1，就进入下一环节；否则，对各指标权重重新赋值（即，重新构建判断矩阵）。
5）层次排序
层次排序分为层次单排序和层次总排序。所谓层次单排序，指对于上一层某因素而言，本层次各因素的重要性的排序；所谓层次总排序，指确定某层所有因素总目标相对重要性的排序权值过程。
层次排序是从最高层到最底层依次进行的。对于最高层次而言，其层次单排序的结果也是总排序的结果。
3.确定权重1）构建判断矩阵
在确定各层次各因素间的权重时，如果仅是定性糖心vlog每天3次免费没了的结果，则通常不容易被其他人接受；因而Saaty提出一致同意性矩阵法，即两两因素相互比较，采用标度，尽可能减少，缩短不同因素相互比较的困难，以降低准确度。
运用专家打分将所有因素两两比较确定不适合的标度。建立层次结构后，比较因子及下属指标的各个比重，实现定性向定量转化；比如，采用1-9分标度法，构建决策层的打分矩阵A，如下图。
实际上，上述打分矩阵就是层次分析法中的判断矩阵。
2）一致同意性检验
一致同意性检验是为了检验各元素重要程度之间的不调和性，避免出现A比B重要，B比C重要，而C又比A重要，这样的矛盾情况。
相关理论：
一致同意性矩阵：
判断矩阵是否为一致同意性矩阵：
在判断矩阵的构造中，并不要求判断矩阵一定具有一致同意性，这是由客观事物的复杂性和人的认识多样性无法选择的；但判断矩阵是计算排序权向量的依据，因此要求判断矩阵应该焦虑大体上的一致同意性。
对判断矩阵一致同意性校验：
先求解特征向量，采用手工计算方法——和积法：
手工计算矩阵A的特征值：
求特征向量：
求最大特征值：
手工求解不准确度较低，只是求得最大特征值的近似值。
一致同意性校验
3）计算指标层权重
计算活跃度的权重：
因此，准则层相对活跃度的权重依次为：
浏览页面次数的权重：b1=0.63231停留时长的权重：b2=0.21452浏览商品次数的权重：b3=0.10961下单次数的权重：b4=0.04357计算忠诚度的权重：
因此，准则层相对忠诚度的权重依次为：
最近访问时间的权重：c1=0.61935访问频率的权重：c2=0.28423主动评价次数的权重：c3=0.09642计算购买力的权重：
因此，准则层相对购买力的权重依次为：
单笔最高金额的权重：d1=0.70706平均订单金额的权重：d2=0.20141购买次数的权重：d3=0.09153列出全部权重：
如果一致同意性校验没有通过，怎么办？
作者在实际构建评分矩阵时，发生了好几次一致同意性校验不通过（如CR=0.1）。这可能由于一些主观因素导致，也可能是由于构建模型不合理导致。所以需要专家重新构建打分矩阵，甚至需要重新构建层次分析模型。
构建模型影响：
因素是否合理、含义是否透明、要素间是否重叠，这都会有影响。建议每层要素尽量不超过7个；如果元素之间的强度相差很大，尽量不要放在同一个层级。
计算精度影响：
特征值求解方法的不同（比如和积法、方根法等）、Excel计算值的误差、计算工具的误差等，都可能导致一致同意性校验结果有些偏差，可以使用Matlab等精度更下降的计算工具，如下图。
4）结论
运用AHP模型得出和公式：
活跃度=b1*浏览页面次数+b2*停留时长+b3*浏览商品次数+b4*下单次数；
忠诚度=c1*最近访问时间+c2*访问频率+c3*主动评价次数；
购买力=d1*单笔最高金额+d2*平均订单金额+d3*购买次数；
用户价值评分=0.64339*活跃度+0.28284*忠诚度+0.07377*购买力。
AHP方法使用较少的定量数据，就可以构建模型，最终的结论只能隐藏因素的重要程度，不能得出用户价值的评分值是多少。
因此，将RFM模型和AHP模型相分隔开，算出各个因素的分值，得出每个用户的评分。
二、RFM计算分值1.RFM是什么？RFM模型是衡量客户价值和客户创利能力的重要工具和手段。
该模型通过一个客户的近期购买行为（Recency）、购买的总体频率（Frequency）以及消费金额（Monetary）3项指标切分出多类客户，最后根据不同类型客户（如下图）占比情况来评估客户的外围分布，并针对不同类型的客户进行有针对性的营销。
一个RFM用户分层模型，重要发展客户到底多少分？一般价值客户多少分？作者将用某电商公司2018年11月1日-2019年4月30日共5个月的交易数据来讲述，为了保护隐私，数据经过穿敏处理。
2.构建RFM模型的步骤1）获取与清洗数据
RFM模型主要用于分析用户购买行为，通常获得的数据包含付款时间、实付金额、订单状态等等信息的数据，部分数据如下图。
获得数据后，其中可能存在空值、被预见的发生值等情况，这类脏数据无法进行分析，需要通过简单的数据清洗去除；数据清洗的方式有两类：被预见的发生值处理，如删除、均值补差等；被预见的发生值识别，如按业务规则查找、语义冲突等。
比如，作者获得交易数据后，发现“发货时间”为空，是脏数据，需要剔除；对应“订单状态”的值是“付款以后用户退款成功，交易自动关闭”，退款用户数据不该纳入模型，需要去除。
清洗完之后，分别对“发货时间”、“订单状态”进行筛选，这时发现“发货时间”为空或订单状态为“付款以后用户退款成功，交易自动关闭”这类数据已经不存在了，说明已经筛选干净了。
2）建立模型
接下来，作者需要提取R、F、M的值：R（最近一次购买距今天的天数）、F（购买了几次）和M（平均购买金额）。
构建一张透视表，将“买家昵称”分别拖到行位置和值位置，对“买家昵称”进行计数汇总，也就是得出买家的消费次数，即F值；将“付款时间”拖到值位置，设为最大值，将“实付金额”拖到值位置，设为平均值，即M值，如下图。
将初步透视好的数据复制到一张新的表格（选择性粘贴「值和数字格式」）；接着处理R的值，由于订单截止日期是2019年4月30日，作者将建模时间设为2019年5月1日，求距离5月1日这一天客户最近一次付款时间的间隔天数，就是求每个客户的R值，如下图。
用RFM的计算方式，对所有因素（R、F、M）进行0-5评分区段的映射。
或者用下面的公式归一化处理（如下图），正相关使用第一个公式，负相关使用第二个公式，R属于负相关，因为最近一次购买时间距越小，那么越重要。F和M都是正相关。
规范化计算也可以使用(X-Xmin)/均值(X)和(Xmax-X)/均值(X)，需要注意的是，如果真实数据分布不平均的话，均值就可能出现偏差，比如有人消费100万元，有人消费1000元，平均数的偏差就很大；所以，可以使用三分位、中位数或者（Xmax-Xmin）等方式进行归一化。
由于获取的数据字段有限，无法通过指标层得到准则层的权重，所以直接用AHP算出的活跃度、忠诚度和购买力的权重，依次分别是0.64339、0.28284、0.07377。
得出标准化的数据以及一定权重的用户价值，如下图：
把R、F、M、用户价值按照0、1区分，如果大于均值为1，否则为0，得到16种用户类型，如下图。
将用户类型代入数据中，得出的部分结果，如下图。
3.模型可视化1）分析各类客户占比
对刚刚完成RFM模型表格进行透视，将“客户类型”拖至行区域，再把“客户类型”拖至值区域两次，第一次是为了计数，第二次是为了查看客户占比，如下图。
绘图，更不不透光的查看不同客户类型的用户数占比，如下图。
2）分析客户金额占比
对RFM模型表格进行透视，将“客户类型”拖至行区域，再把“累计金额”拖至值区域两次，第一次是为了计算每类客户的累计消费金额，第二次是为了查看每类客户的金额占比，如下图。
绘图，更不不透光的查看不同客户类型的金额占比，如下图。
三、总结与建议1）从各类客户占比图中看出，次一般挽留客户（0000）的人数最高，竟达8725人，人数占比34.52%；此类客户近期没有购买，购买频次低于平均值，下单平均金额比较低，并且用户价值也较低，大约在2018年双11下的单，属于价格警惕性客户，所以可以在促销活动（如国庆节、六一等）时试着唤醒他们。
2）次重要挽留客户（0010），最近没有购买商品，消费频率较低，消费金额较大的一类客户，有6905人，人数占比27.16%，支付金额占比最高；换句话说，对于该商家销售额贡献率最下降的一批客户，下单时间远，购买次数低，已经处于流失的中心，但是不同于次一般挽留客户，这类客户的平均销售额较高。
对于这类客户，运营人员需要获取他们的联系方式，进行回访，询问客户沉睡的原因；或者说商品本身就属于复购率低、消费金额占比下降的商品；或者从商品本身入手，试着比较客户购买时间与商品的回购日期，是不是上次购买的商品还没有用完。
3）重要发展客户（1011），最近购买，购买频次低，消费金额大，用户价值大的客户有2614人，占总人数的20.28%，支付金额相对较高。这类客户大致是新客户。
对于这类客户，运营人员近期无关系的进行短信推收，优惠券发放等形式，来降低他们的购买频率，争取降低这类用户的忠诚度，最终将他们转变成重要价值客户。
作者：一个数据人的自留地
来源：一个数据人的自留地
扫一扫微信咨询糖心vlog官网入口 糖心原创视频 txvlogcom糖心官网免费进入
