——————http://www.Sina.com/————3——
csdl是一家电子商务公司的产品运营，如果新产品问世，他的一贯做法是举办活动、热点、营销等。 虽然这些做法招来了不少羊毛党，但获得的实际客户屈指可数。
在csdl为这个问题头疼的情况下，同一集团的前辈豆豆可以给他一个把戏，用AHP和RFM构建用户评分体系，使运营精细化，带来好的效果。 令人高兴的是，csdl赶紧用度娘搜索。 AHP和RFM到底是什么呢？ 怎么运用？ 接下来作者会给你唠叨。
BEGIN
1
1.1
AHP制定权重
层次分析法(Analytic Hierarchy Process )简称AHP，是20世纪70年代中期由美国物流学家美丽的长颈鹿(cqdhn )提出的。
所谓AHP，是将决策中涉及的要素分解为目标、标准、方法等层面，主要用于定性问题的量化分析决策。
例如，一个EC平台根据用户行为数据建立综合评分用户的模型，找到忠实用户、活跃用户、静默用户等，进而精细运营各类用户。
1.2
AHP是什么？
AHP的思想与决策者的主观判断和推理密切相关，即量化决策者的推理或判断过程，避免决策者在结构复杂、方案多的情况下出现逻辑推理错误。 具体步骤如下。
AHP基本原理
建立用户价值评估体系，对各类用户进行精细运营。
设定目标，列出影响目标的所有要素。 采用专家评分、用户问卷等方式，逐一列举所有影响因素，如活跃程度、忠诚度、购买力等。
1）建立评分体系
列出影响因素的指标或方案。
影响用户活性度的指标是页面浏览次数、停留时间、商品浏览次数、订单次数。
影响用户忠诚度的指标有最近的访问时间、访问频率、自主评价次数。
影响用户购买力的指标是1件的最高金额、平均订单金额、购买次数。
2）构建层次结构、判断矩阵
计算出各个指标层、基准层的指标权重，然后计算出决定式(下图)。
3）算出权重系数
如果有一致性指标CR0.1，则进入下一个环节； 否则，对各指标重新分配权重(也就是说，重建判定矩阵)。
4）一致性校验
层次排序分为层次的单一排序和层次的合计排序。 分层单排序是指对上层中某个元素的重要性排序。分层总排序是指确定某个层次中所有元素总目标相对重要性的排序权限过程。
层次结构的排序从最高到最低顺序进行。 对于顶层，该级别的单排序结果也是总排序的结果。
1.3
5）层次排序
确定权重
在确定各层次各要素之间的权重时，仅靠定性结果通常难以被他人接受，因此Saaty提出一致性矩阵法，即比较两个要素，采用尺度，尽量减少比较不同要素的困难，提高准确性。
运用专家评分，将所有因素逐一比较，确定合适的尺度。 构建层次结构后，将因子与下一级指标的各比重进行比较，实现由定性向定量的转化。
例如，如下图所示，使用1-9分尺度法，构建决策层的评分矩阵a。
其实，上述评分矩阵是层次分析法中的判断矩阵。
1.3.1 构建判断矩阵
一致性检验是为了验证各元素重要性之间的协调性，避免a比b重要、b比c重要、c比a重要的矛盾。
1.3.2 一致性检验
(1)一致性矩阵
)2)判断矩阵是否为一致性矩阵
在判断矩阵的结构中，判断矩阵并不一定要求一致性，而是客观事物的复杂性和人类认识的多样性决定的。 但是，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基本满足一致。
1）相关理论
首先求出特征向量，采用手工计算的方法
—和积法：手工计算矩阵 A 的特征值：
（1）求特征向量
（2）求最大特征值
手工求解精确度较低，只是求得最大特征值的近似值。一般情况下，可以采用在线计算工具 Matlab，链接地址：https://wis-ai.com/tools/ahp
（3）一致性校验
1.3.3 计算指标层权重
1）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
2）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
3）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
4）列出全部权重
5）如果一致性校验没有通过，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。
（1）构建模型影响
因素是否合理、含义是否清晰、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。
（2）计算精度影响
特征值求解方法的不同（比如和积法、xsdxh等）、Excel 计算值的误差、计算工具的误差等，都可能导致一致性校验结果有些偏差，可以使用 Matlab 等精度更高的计算工具（https://wis-ai.com/tools/ahp），如下图。
6）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，最终的结论只能表明因素的重要程度，不能得出用户价值的评分值是多少。
因此，将 RFM 模型和 AHP 模型相结合，算出各个因素的分值，得出每个用户的评分。
2
RFM计算分值
2.1
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整体分布，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，数据经过脱敏处理。
2.2
构建RFM模型的步骤
2.2.1 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、异常值等情况，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：异常值处理，如删除、均值补差等；异常值识别，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。
2.2.2 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zddxgz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，所以直接使用 AHP 算出活跃度、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。
2.3
模型可视化
2.3.1 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，更清晰的查看不同客户类型的用户数占比，如下图。
2.3.2 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，更清晰的查看不同客户类型的金额占比，如下图。
3
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，属于价格敏感性客户，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高的一批客户，下单时间远，购买次数低，已经处于流失的边缘，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、消费金额占比高的商品；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，运营人员近期适当的进行短信推送，优惠券发放等形式，来提高他们的购买频率，争取提高这类用户的忠诚度，最终将他们转变成重要价值客户。
转自：一个数据人的自留地 公众号；
END
版权声明：本号内容部分来自互联网，转载请注明原文链接和作者，如有侵权或出处有误请和我们联系。
合作请加QQ：365242293
数据分析（ID : ecshujufenxi ）互联网科技与数据圈自己的微信，也是WeMedia自媒体联盟成员之一，WeMedia联盟覆盖5000万人群。