精华内容
下载资源
问答
  • 价值模型价值判断

    2019-10-03 14:00:44
    一、价值模型的要素: 1、价值维度; 2、价值权重; 3、满值指标参照物 ...价值模型的核心是价值维度和权重的确定;...所有命题(statement)可以分为两类:事实判断(fact judgement)和价值判断(value judg...

    一、价值模型的要素:

    1、价值维度;

    2、价值权重;

    3、满值指标参照物

     

    价值模型的核心是价值维度和权重的确定;

     

    有价值维度单元和权重构成数据库表的一个字段,由所有价值维度和权重构成一张数据库的表;

    考察的事物构成一个记录;

     

    二、事实判断

    所有命题(statement)可以分为两类:事实判断(fact judgement)和价值判断(value judgement)。前者只陈诉客观事实,也就是"what is"的问题;后者讨论行为的标准,也就是"what ought to be"的问题。

     

    事实判断用于对考察元素的价值维度进行赋值;

     

    三、价值判断

     

    人类根据价值权重对价值模型构成的表和事实判断进行综合评估,从而得出事物的主观价值。

     

    四、例子

    移动开发者必须了解的跨平台开发工具对比

     

     

    https://www.cnblogs.com/androidga/p/9294466.html

    https://www.oschina.net/p/crossapp

     

    五、价值观就是有各个领域的价值模型形成的数据表构成的数据库

     

    转载于:https://www.cnblogs.com/feng9exe/p/11066165.html

    展开全文
  • 十年对于互联网来说实在是太漫长了,到时Pinterest和...对此我有一个非常简单的判断模型,我从2011年年中开始用这个模型来判断各种新出现的互联网产品,一直用得很顺手,命中率较高。这个模型由三个特征组成...

    十年对于互联网来说实在是太漫长了,到时Pinterest和Instagram如果还存在的话,也必定不是现在的模样和模式,所以我们探讨这么遥远的事有点不着边际。

    但如果把时间缩短到一两年的话,倒是可以来讨论:当下,具有哪些特征的产品更可能在未来获得更高的价值?对此我有一个非常简单的判断模型,我从2011年年中开始用这个模型来判断各种新出现的互联网产品,一直用得很顺手,命中率较高。

    这个模型由三个特征组成:

    一、碎片(Fragments)
    这 个产品中的主要内容,一定是碎片化的,而且碎片是同构的。比如Twitter把“一切事物”碎片为140个字、新浪微博把“一切事物”碎片为140个字+ 一张图、Pinterest把“所有美好的事物“碎片为一张图+一小段描述+一个URL、蘑菇街把“所有美好的女性商品”碎片为一张图+一小段描述+一个 商品购买地址(包括线上和线下)。
    碎片的丰富性基本上决定了这个产品最终平台化之后的基础规模,所以我们可以很容易看到新浪微博的规模百分之百的要比蘑菇街大,因为它的碎片是“一切事物”,而蘑菇街只是“所有美好的女性商品”。定语越多,规模越小。

    二、组织(Organize)
    为什么要碎片?因为同构的碎片很容易以各种维度被组织。
    比如Twitter按时间线组织、Tumblr按Tag组织、Pinterest按Board组织、蘑菇街按商品的天然品类组织。
    这种组织一定是非常自由的,任何两块碎片,都有可能被组织到一起。组织的方式越自由,信息流动的速度越快,相应的也无法获得沉淀。
    所以我们看到,因为时间线是最自由的组织形式,所以新浪微博的信息流转最快,但信息很快过期;蘑菇街的组织形式受商品天然品类的边界限制,所以流转相对较慢,但是信息可以在一定程度上沉淀,挖掘出“最热”的商品来引导有“从众心理”的用户。

    三、再组织(Re-Organize)
    当信息碎片按某种形式组织好之后,这样的产品还会允许用户用非常自由的手段重新组织信息碎片。
    比 如新浪微博的“转发”功能,就是把别人的信息碎片重组到自己的时间线中;Tumblr的“Re-Blog”功能和Pinterest的“Re-Pin”功 能,可以把别人原创或收集好的碎片方便地组织到自己的建立的体系中;蘑菇街的“喜欢”功能,可以把别人分享的好商品,极快地收藏到自己的喜欢目录中。
    再组织的本质作用是将有限的内容尽可能充分地重复利用,以此提高生产率。
    打个比方,在不具备再组织能力的BBS体系中,一条信息(帖子)只能被10个人消费,但同样的内容,在微博体系中就有可能平均被50个人消费,那么同样的生产成本(原创消息的人所花的时间)就带来了更大的生产成果,也即更高的生产率。
    所 以,要让“再组织”发挥作用,就必须要求用户整体对内容的选择能力很强,而且产品本身有通过“积累用户利已行为得到利他结果的机制”(这点可以看我之前在 艾瑞的一个演讲)。从这个角度来说,我比较担心完全的Pinterest-Copy,在中国会受到“没有足够大的有很好审美能力的人群”的制约。

    以上三个点组成了这个模型的基本框架,我把它叫做“ FOR”模型。

    接下来我们用这个模型实际看一些产品,我对下面提到的每一个产品,按FOR模型的三条打分,最高5分。

    Twitter:F4.5 - O4 - R3
    Twitter的碎片是很彻底的,但是不支持图片还是有点过于矜持了;组织是用时间线,好处和问题上面都有说;再组织只能说及格了,Re-Tweet的功能毁誉参半吧。

    新浪微博:F5 - O4 - R3.5
    新浪微博对Twitter做的两个改良是非常棒的,一是消息带图、二是“转发”功能。这两点改进让这种产品形态整体达到85分,所以我们最近看到一些报告,新浪微博用户的活跃度是Twitter的数倍,从这个模型的打分上来看,很合理。

    Tumblr:F3 - O3.5 - R3
    轻博的碎片太大(也可以说不是碎片),这造成信息维度太多很难充分组织,再组织也很麻烦。所以总的来说,我并不是很看好轻博的发展,从最近这类产品的发展上来看,也确实不怎么好。

    Pinterest:F4.5 - O4.5 - R5
    神 器出现了,它离满分只差两点:以图片为主的碎片,在丰富性上不如Twitter和微博;Tag和Board的双维度组织很完善,但Tag的组织方式还是很 依赖“负责任”的用户,所以要扣一点分。Re-Pin功能非常方便,而且Re-Pin的结果是重组一个Board,当用户的普遍审美能力较好时,发挥出的 能量超大。
    说实话,虽然我一早就给Pinterest打了这个平均最高分,但也还是没想到它能发展得如此疯狂。

    蘑菇街:F3 - O4.5 - R3.5
    来 评评自家的产品。上面说了, 我们的碎片丰富性不够,所以规模肯定不如其它几个例子产品大。但是有失必有得,我们的碎片很容易变现,另外它们天然地可以按品类组织,不需要依赖“负责 任”的用户,所以组织的分比较高。再组织方面“喜欢”功能很方便好用,但是高水平的用户不多,再组织以后的内容要供再次消费的“成品率”不高,这方面是我 们一直头痛并在努力解决的。

    Instagram:F? - O? - R?
    这就当练习吧,大家可以按上面的思路自己给它打分,然后给楼主一个答案:)

    为什么满足FOR模型的产品有更高的概率获得较快成长?
    1. 生产率,上面已经提到,FOR产品比传统的产品有更高的信息使用率,因此生产率更高。这是最本质的原因;
    2. 适合移动设备,因为内容小片,可以方便地在移动设备上浏览,而且自由的组织形式和再组织动作的轻量化,都很适合移动操作。

    前面都是总结,但这个总结很有可能一文不值,说不定它是类似“优秀短跑运动员都有两条腿”这样的总结。所以我再用这个模型来推论一种目前不存在的产品,以后我们可以再回过头来看看这样的产品有没出现、有没有高速增长,以此来验证这个模型是不是靠谱。

    我推论的这个产品是一个旅游产品。
    一、碎片。它的碎片是“一切在路上会碰到的东西”,比如一个景点、一个餐馆、一个菜色、一家加油站等等,全部碎片化并同构为“一张图片+一段描述+一个地理位置”。
    当然同构后的结构可能还要再复杂一点,比如可以多张图片,但是这里作最简的处理。
    二、 组织。可以按所谓“路线”或“功略”来组织所有这些碎片。比如我做了一个杭州攻略,其中就可能有这些碎片“雷峰塔、西子国宾馆、白堤、某外婆家的外婆炒 蛋……”,这些碎片可能重庆人流准备按时间排,也可以按地理排。当我到杭州旅游时,就可以用手机随时调用我的功略,指导出行,并随时为每个碎片拍照或Check In。当我因为迷路错过一个碎片,也没关系,周边的其它碎片会被推荐,随意选一个接着玩吧。
    三、再组织。当我游玩回家,之前在游玩过程中的Check In行为和拍照行为,就被系统自动整理为“游记”,而另一个用户可以简单地copy我的游记,改动其中几个碎片,成为他到杭州旅游的“功略”。
    如此一来,功略 > 签到 > 游记 > 功略……就成了一个循环,信息被更充分地使用。

    转载于:https://www.cnblogs.com/jitai/archive/2012/08/22/2651055.html

    展开全文
  • FOR模型由碎片、组织、再组织三个特征组成。 知乎上有个问题邀请我预测“10年后,Pinterest和Instagram谁的价值会更大?”,我觉得10年对于互联网来说实在是太漫长了,到时Pinterest和Instagram如果还存在的话,...

    FOR模型由碎片、组织、再组织三个特征组成。

    知乎上有个问题邀请我预测“10年后,Pinterest和Instagram谁的价值会更大?”,我觉得10年对于互联网来说实在是太漫长了,到时Pinterest和Instagram如果还存在的话,也必定不是现在的模样和模式,所以我们探讨这么遥远的事有点不着边际。

    但如果把时间缩短到一两年的话,倒是可以来讨论:当下,具有哪些特征的产品更可能在未来获得更高的价值?对此,我有一个非常简单的判断模型,我从2011年年中开始用这个模型来判断各种新出现的互联网产品,一直用得很顺手,命中率较高。

    这个模型由3个特征组成:

    一.碎片(F=Fragments)

    这个产品中的主要内容,一定是碎片化的,而且碎片是同构的。比如 Twitter 把“一切事物”碎片为140个字、新浪微博把“一切事物”碎片为140个字+一张图、Pinterest把“所有美好的事物“碎片为一张图+一小段描述+一个URL、蘑菇街把“所有美好的女性商品”碎片为一张图+一小段描述+一个商品购买地址(包括线上和线下)。

    碎片的丰富性基本上决定了这个产品最终平台化之后的基础规模,所以我们可以很容易看到新浪微博的规模百分之百的要比蘑菇街大,因为它的碎片是“一切事物”,而蘑菇街只是“所有美好的女性商品”。定语越多,规模越小。

    二.组织(O=Organize)

    为什么要碎片?因为同构的碎片很容易以各种维度被组织。

    比如Twitter按时间线组织、Tumblr按Tag组织、Pinterest按Board组织、蘑菇街按商品的天然品类组织。

    这种组织一定是非常自由的,任何两块碎片,都有可能被组织到一起。组织的方式越自由,信息流动的速度越快,相应的也无法获得沉淀。

    所以我们看到,因为时间线是最自由的组织形式,所以新浪微博的信息流转最快,但信息很快过期;蘑菇街的组织形式受商品天然品类的边界限制,所以流转相对较慢,但是信息可以在一定程度上沉淀,挖掘出“最热”的商品来引导有“从众心理”的用户。

    三.再组织(R=Re-Organize)

    当信息碎片按某种形式组织好之后,这样的产品还会允许用户用非常自由的手段重新组织信息碎片。

    比如新浪微博的“转发”功能,就是把别人的信息碎片重组到自己的时间线中;Tumblr的“Re-Blog”功能和Pinterest的“Re-Pin”功能,可以把别人原创或收集好的碎片方便地组织到自己的建立的体系中;蘑菇街的“喜欢”功能,可以把别人分享的好商品,极快地收藏到自己的喜欢目录中。

    再组织的本质作用是将有限的内容尽可能充分地重复利用,以此提高生产率。

    打个比方,在不具备再组织能力的BBS体系中,一条信息(帖子)只能被10个人消费,但同样的内容,在微博体系中就有可能平均被50个人消费,那么同样的生产成本(原创消息的人所花的时间)就带来了更大的生产成果,也即更高的生产率。

    所以,要让“再组织”发挥作用,就必须要求用户整体对内容的选择能力很强,而且产品本身有通过“积累用户利已行为得到利他结果的机制”(这点可以看我之前在艾瑞的一个演讲)。从这个角度来说,我比较担心完全的Pinterest-Copy,在中国会受到“没有足够大的有很好审美能力的人群”的制约。

    以上3个点组成了这个模型的基本框架,我把它叫做“ FOR”模型。

    接下来我们用这个模型实际看一些产品,我对下面提到的每一个产品,按FOR模型的3条打分,最高5分。

    Twitter:F4.5 – O4 – R3

    Twitter的碎片是很彻底的,但是不支持图片还是有点过于矜持了;组织是用时间线,好处和问题上面都有说;再组织只能说及格了,Re-Tweet的功能毁誉参半吧。

    新浪微博:F5 – O4 – R3.5

    新浪微博对Twitter做的两个改良是非常棒的,一是消息带图、二是“转发”功能。这两点改进让这种产品形态整体达到85分,所以我们最近看到一些报告,新浪微博用户的活跃度是Twitter的数倍,从这个模型的打分上来看,很合理。

    Tumblr:F3 – O3.5 – R3

    轻博的碎片太大(也可以说不是碎片),这造成信息维度太多很难充分组织,再组织也很麻烦。所以总的来说,我并不是很看好轻博的发展,从最近这类产品的发展上来看,也确实不怎么好。

    Pinterest:F4.5 – O4.5 – R5

    神奇出现了,它离满分只差两点:以图片为主的碎片,在丰富性上不如Twitter和微博;Tag和Board的双维度组织很完善,但Tag的组织方式还是很依赖“负责任”的用户,所以要扣一点分。Re-Pin功能非常方便,而且Re-Pin的结果是重组一个Board,当用户的普遍审美能力较好时,发挥出的能量超大。

    说实话,虽然我一早就给Pinterest打了这个平均最高分,但也还是没想到它能发展得如此疯狂。

    蘑菇街:F3 – O4.5 – R3.5

    来评评自家的产品。上面说了, 我们的碎片丰富性不够,所以规模肯定不如其他几个例子产品大。但是有失必有得,我们的碎片很容易变现,另外它们天然地可以按品类组织,不需要依赖“负责任”的用户,所以组织的分比较高。再组织方面“喜欢”功能很方便好用,但是高水平的用户不多,再组织以后的内容要供再次消费的“成品率”不高,这方面是我们一直头痛并在努力解决的。

    还加了 Instagram 和 Path ,可以根据FOR模型打打分试一下,当作练习:

     

     

    为什么满足FOR模型的产品有更高的概率获得较快成长?

    1. 生产率。FOR产品比传统的产品有更高的信息使用率,因此生产率更高。这是最本质的原因。

    2. 适合移动设备。因为内容小片,可以方便地在移动设备上浏览,而且自由的组织形式和再组织动作的轻量化,都很适合移动操作。

    前面都是总结,但这个总结很有可能一文不值,说不定它是类似“优秀短跑运动员都有两条腿”这样的总结。所以我再用这个模型来推论一种目前不存在的产品,以后我们可以再回过头来看看这样的产品有没出现、有没有高速增长,以此来验证这个模型是不是靠谱。

    我推论的这个产品是一个旅游产品。

    一.碎片。它的碎片是“一切在路上会碰到的东西”,比如一个景点、一个餐馆、一个菜色、一家加油站等等,全部碎片化并同构为“一张图片+一段描述+一个地理位置”。

    当然同构后的结构可能还要再复杂一点,比如可以多张图片,但是这里仅作最简的处理就像http://www.gznx888.com/。

    二.组织。可以按所谓“路线”或“攻略”来组织所有这些碎片。比如我做了一个杭州攻略,其中就可能有这些碎片“雷峰塔、西子湖国宾馆、白堤、某外婆家的外婆炒蛋……”,这些碎片可能按时间排,也可以按地理排。当我到杭州旅游时,就可以用手机随时调用我的攻略,指导出行,并随时为每个碎片拍照或Check In。当我因为迷路错过一个碎片,也没关系,周边的其他碎片会被推荐,随意选一个接着玩吧。

    三.再组织。当我游玩回家,之前在游玩过程中的Check In行为和拍照行为,就被系统自动整理为“游记”,而另一个用户可以简单地copy我的游记,改动其中几个碎片,成为他到杭州旅游的“攻略”。

    如此一来,攻略→签到→游记→功略……就成了一个循环,信息被更充分地使用。

    我相信这样的旅游产品会得到很多人喜欢的,你喜欢么?

    展开全文
  • 总第103篇前言最近在做一个用户评分模型的项目,这个模型的目的就是用来判断用户的价值。希望通过各种指标来给用户综合打分,每个用户最后会得到一个分值,分值越高,说明用户的价值越高。这是一个...

    总第103篇

    前言

    最近在做一个用户评分模型的项目,这个模型的目的就是用来判断用户的价值。希望通过各种指标来给用户综合打分,每个用户最后会得到一个分值,分值越高,说明用户的价值越高。这是一个总的目标,一个用户可以创造的价值由两部分决定:创造价值的能力和创造价值的意愿,前者是能不能的问题、后者是愿不愿意的问题。定了两个主线以后再次进行目标拆解,根据业务经验分别找到那些能够判断用户创造价值的能力和意愿的指标,然后给不同的指标赋予不同的权重/分值,最后将各指标的权重/分值相加就是用户最后的总得分。

    上面的这个过程有两个关键步骤,一个是选择合适的指标,另一个是给不同的指标赋予不同的权重,关于指标的选取,这个根据业务经验直接拍脑袋就可以,但是这个不同指标的权重问题,可能直接拍脑袋就不是太好了,当然了,也不是不可以。不过,做数据是一个严谨的工作(咳咳咳),还是希望能够找到一套理论来代替拍脑袋,所以就在网上找啊找,终于找到了今天的主角,就是AHP。

    AHP介绍

    先来看看比较官方的解释:

    AHP(Analytic Hierarchy Process-解析阶层的过程)又叫层次分析法,是一种定性与定量相结合的分析方法,是一种将决策者对复杂系统的决策思维过程模型化、数量化的过程。

    是不是有点看不太明白,我来说几句大白话让你理解理解。让我们与前言里面的内容对应一下,AHP其实就是一种把复杂问题通过定性(人为去判断各指标之间的重要性)与定量(再通过计算判断矩阵求出各指标权重)的方法进行拆解成若干个小问题以及小指标的问题,并能够计算出各个小问题以及小指标对整个大目标的影响程度。

    来看张图,你就更清楚了,这张图正好可以表达我在前言里面说到的东西。我们的最终目标就是要确定每个用户的一个用户价值,那么我们可以把这个目标进行拆解,首次拆解成购买忠诚度和消费能力这两个小问题,进而再对这两个小问题进行拆解,分别得到下面的各个指标,这其实就是一个定性的过程(问题拆解,指标拆解都是需要我们依据业务经验,人为去指定),至于各问题和各指标的权重计算就是一个定量过程,其实AHP主要是做定量这一部分。

    AHP流程

    知道了AHP是什么以后,我们来具体看看AHP的一个具体流程。

    • 明确问题

    • 问题及指标拆解

    • 建立指标两两判断矩阵

    • 层次单排序

    • 层次总排序

    1.明确问题

    就是首先你要确定你要解决什么问题,我们这里就是要构建用户价值模型,希望通过这个模型看出每个用户的一个价值,然后依据价值不同给与不同的运营策略。

    2.问题及指标拆解

    将搭建用户价值模型这个总目标拆解成用户购买忠诚度以及用户消费能力两部分,然后再对这两部分进行指标拆解,就是上面图表中看到的各指标。

    3.构造判断矩阵

    所谓的判断矩阵就是将任意两指标进行对比得出一个重要性结果,然后将这个结果以矩阵的形式进行呈现,其中重要程度差别等级如下:

    标度含义
    1表示两个指标相比,具有同样的重要性
    3表示两个指标相比,前者比后者稍重要
    5表示两个指标相比,前者比后者明显重要
    7表示两个指标相比,前者比后者极其重要
    9表示两个指标相比,前者比后者强烈重要
    2,4,6,8表示上述两指标判断结果的中间值,比如2是介于1和3之间的

    数值越大,表示前者比后者越重要;指标A和指标B判断结果与指标B与指标A和指标B判断结果互为倒数,即当指标A比指标B的重要程度是3的时候,那么指标B比指标A的重要程度就是3的倒数,即1/3。

    不知道你有没有注意到,其实上面的这种方法也有一定的主观判断(拍脑袋),比如两指标之间的稍微重要,明显重要,极其重要也是需要你人为去指定的,你可能会疑问,既然都是拍脑袋,那还要这个干啥,直接拍脑袋不久得了,还搞这么复杂干嘛,哈哈哈,关于好处接下来会讲到。

    判断矩阵A构造出来了,我们就可以开始计算各指标对目标问题的影响程度(即各指标的权重值)。

    3.1各指标权重计算步骤:

    • 将矩阵A的每一列向量归一化

    • 对归一化后的矩阵按行求和,得到一列值

    • 对上述求和的一列值再次进行归一化得到矩阵w

    • 计算最大特征根

    注意:这里的归一化只是把每一列的值的和当作1,然后计算每一个值在1中的占比。

    (因为公众号对公式支持太差了,所以只能使用截图了)

    上述步骤中归一化后得到的矩阵w就是各个指标的权重情况,这个权重是根据我们主观上构造的判断矩阵的出来的,但是这个权重是否准确,还是有待确定的,为什么要去确定呢,因为判断矩阵很有可能得出的相互矛盾的结论,比如说A指标重要性大于B指标,B指标重要性大于C指标,但是A指标重要性又小于C指标重要性,这种互相矛盾的结论。AHP就可以避免这种矛盾的发生。这里需要引入AHP中的另一个概念一致性检验,用来判断矩阵是否一致。

    3.2一致性检验的步骤如下:

    • 根据判断矩阵计算最大特征根

    • 计算一致性指标CI

    • 根据n的值(指标的数量)找出随机一致性指标RI

    • 计算一致性比率CR=CI/RI,当CR<0.1时,不一致性程度在容许范围内,即各指标的重要性程度不存在上述互相矛盾的情况,可以使用。

    如果一致性比率符合使用条件,则可以直接使用计算出的各指标的权重值,如果不符合,则需要重新构造判断矩阵。

    4.层次单排序

    就是对单一层次计算权重情况,比如用户价值模型总目标的下一层就是用户忠诚程度和用户消费能力的权重情况。用户忠诚程度:用户消费能力=0.67:0.33。而用户忠诚程度和用户消费能力的下一层就是各个更加细致的指标。

    5.层次总排序

    层次总排序就是将各个层次的权重值相乘,最后就得到了各个指标的权重情况,就是层次总排序。

    AHP实例

    还是以前面说到用户价值模型为例,走一遍完整的流程。这里我们计算用户忠诚度的AHP,因为只有三个指标及以上才会出现那种互相矛盾的情况,两个指标是不会出现的,两个指标的话直接人为指定权重占比就可以。具体计算过程,大家可以参考上面的截图。

    1.构造判断矩阵

    1.1构造第一层次的判断矩阵


    最近购买间隔购买频率购买商品种类
    最近购买间隔11/61/2
    购买频率613
    购买商品种类21/31

    1.2计算各指标权重

    将判断矩阵的每一列进行归一化得出下方的矩阵:

    1/91/91/9
    6/96/96/9
    2/92/92/9

    对归一化后的矩阵的每一行进行求和运算:

    3/9
    18/9
    6/9

    将上述求和的得到的矩阵再次进行归一化得到矩阵w:

    0.11
    0.67
    0.22

    该矩阵就表示了各指标的权重情况,最近购买间隔占比占比为0.11,购买频率占比0.64,购买商品种类占比0.24。

    计算最大特征根:
    在计算最大特征根我们需要先计算Aw值,Aw计算是将判断矩阵A与归一化得到的矩阵w相乘(公众号不支持公式,很烦),最后得到Aw值:

    0.33
    1.98
    0.66

    再进行计算最大特征根:1/3*(0.33/0.11+1.98/0.67+0.66/0.22)=3

    1.3一致性检验

    计算一致性指标CI:(3-3)/(3-1)=0
    根据指标数量n选择指标RI:这里n=3,所以RI=0.58

    计算一致性比率CR=CI/RI=0<0.1符合,所以用户忠诚度的各指标权重值w矩阵可用。

    1.4层次单排序

    因为总目标只拆解成了两个小问题,所以这里直接人为指定权重即可(用户忠诚度:用户消费能力=0.67:0.33),不需要进行一致性检验。

    用户忠诚度拆解的指标有三个,需要进行一致性检验,且经过检验后符合CR<0.1的条件,所以用户忠诚度指标中各指标权重为:最近购买间隔占比占比为0.11,购买频率占比0.64,购买商品种类占比0.24。

    用户消费能力拆解的指标也只有两个,直接人为指定权重即可。

    1.5层次总排序

    最后将各层次的权重相乘就是每个指标的权重占比。

    指标计算最后权值
    最近购买间隔0.67*0.110.07
    购买频率0.67*0.670.45
    购买商品种类0.67*0.220.15
    平均每次消费额0.33*0.670.22
    单次最高消费额0.33*0.330.11
    最后的层次以及权值分层图:

    1.6进行评分

    最后将每个指标缩小到0-10的范围(不一定缩小到0-10,但是必须把每个指标缩小到相同大小范围内),然后乘各指标所占权重,最后相加,就是每个用户的总价值得分。

    用户最近购买间隔购买频率商品种类平均每次消费额单词最高消费额价值得分
    用户A352594.85
    用户B212353.50

    展开全文
  • 针对现有研究难以解决具有一般性的多层风险决策问题, 在...信息的整合优化与方案前景价值的有机综合, 构建了相应的决策模型和决策定理. 数值模拟验证结果表明, 所提出的 决策模型具有科学合理性和应用可行性.</p>
  • 基于中国文化背景下的价值观评估模型构建,蒋芳,,价值观从整体上影响个体或群体的态度和行为。日常生活中,它影响着个体对人对事的知觉和判断,是企业了解员工态度和动机的基础。
  • 用DDM模型判断市场理论上的合理市盈率说明:该模型价值投资应该来说没有太大的用处,但了解一下还是有好处的,如果分析师、投资者太依赖该模型,这样可能会给我们很好的机会,在他们犯错误时,我们就能把握机会...
  • 还没关注?快动动手指!前言最近在做一个用户评分模型的项目,这个模型的目的就是用来判断用户的价值。希望通过各种指标来给用户综合打分,每个用户最后会得到一个分值,分值越高,说...
  • 本文描述了协作价值开发的控制理论模型。... 这项工作表明,对价值和其他无形资产的主观判断需要不断进行重新评估。 这种方法没有在其他地方应用于价值创造应用。 它可用于对共同创建者的贡献进行排名,以分享奖励。
  • 一、债券定价模型 1.1 基本问题 ...2.1 初步判断 根据1.2公式可知,债券价值受以下因素影响:(1) 面值;(2) 票面利率;(3) 折现率;(4) 期限;(5) 付息频次。下面采用控制变量法研究各因素对债..
  • 价值观选择到重构思维模型

    千次阅读 2018-07-29 02:08:57
    今天,我想谈谈价值观和思维模型,这可能是我们平时很少思考,但是却深刻影响着我们的行为和思想的东西,这些概念比较抽象,讲得不好请还望批评指正。   1、什么是价值观? 维基百科的是这样定义的:价值观是一...
  • 基于RFM用户价值分群业务分析框架对付费用户从整体层面进行价值判断RFM模型从三个维度评价用户的总体价值类型,根据单个用户的分值和总体均值的关系,将用户划分为2*2*2=8类,并根据用户展现出来的价值采取不同的...
  • 相比于千人千面的个性化运营,基于RFM用户价值分群实现简单、开发周期短,更能从整体层面判断用户的价值。 一.什么是RFM模型? R代表消费时间间隔(Recency),指用户最近一次发生购买行为,距离今天的天数。F代表...
  • 回归模型拟合效果的判断(二)

    千次阅读 2017-04-23 20:32:34
    从残差的p-p图中可以看出,模型的残差较好的服从正态分析,没有明显偏离正态性假设。由于本案例的样本量很少,上述两个图的实际考察价值不大。 要想更多学习和交流关于数据分析、数据挖掘、spss、R语言、Python等的...
  • 华东师范大学硕士学位论文 摘 要 随着...类肉眼难以分辨的细微扰动就可以使深度神经网络以极高的置信度将图片内容 判断为错误的类别造成极大的危害 现有的深度神经网络攻击主要分为两种一种是白盒模型攻击其假定的条
  • 价值和复杂度四象限 很明显,做的顺序是1,2,3,4 二 著名的KANO模型 三 加权方法 从收入,价值,成本方面考虑 ...
  • 3月31日,为友资本创始合伙人陈菜根在为友商学院第一期公开课分享了他对区块链的最新思考,包括区块链的道法术器、判断区块链项目价值的8个价值维度、交易所未来的5个发展趋势等内容,金句频出,饱含真知灼见,...
  • 该方法有两个较为明显的缺陷:1)只能通过 TF-IDF 等相关信号判断查询-文本相关性;2)模型没有深入理解查询和文本的语义信息,而是更多地依赖于特征工程的方法。 近年来流行的方法主要可以分为两大类:1)通过知识...
  • 我们指出,重子速度冻结的常用条件是不精确的,这是通过仔细检查相关联的欧拉方程的形式解来判断的。 结果,上述3σ张力实际上转化为5σ差异。 为了与成功的低zΛCDM宇宙学联系,我们提出了一种基于普朗克规模轴突...
  • 财务多维指标客户生命周期客户价值RFM客户留存分析购物篮关联分析漏斗转化ABtest以下内容主要从商业分析模型的搭建思路入手,具体模型落地实现的具体步骤及商业交互分析产出价值等部分请参考后续。【财务多维分析...
  • 冰山模型

    千次阅读 2019-07-17 09:33:48
    冰山模型 掌握一定数量的思维模型,能解决这世上90%的问题。...价值观:判断事物的标准 性格特质:个人行为偏好 动机:成就动机、权利动机、亲和动机 eg:成就感动机的人喜欢挑战,但是从事的工作...
  • 1. 成长金字塔模型 德雷福斯模型 1 2. 提升战略眼光, 3 2.1. 视野与格局 3 2.2. 未来预测未来发展负责,判断未来趋势, 3 2.3. 规划战略方向 3 2.4. 其他类 组织效能提升,人才战略,产品战略 3 3. 文化建设...
  • 并行编程模型

    千次阅读 2017-03-12 17:19:33
    一个编程模型价值可以通过其通用性(generality)来判断,如不同体系架构的一系列不同的问题能否在该模型中很好地表示以及其性能如何,编译后的程序执行效率有多高等。并行编程模型的实现有两种方式,作为已有的...
  • 信用风险计量模型汇总

    万次阅读 2018-10-18 10:03:39
    预测模型旨在评估未知借款者将来是否还款的信用价值,将潜在借款者的特征值输入模型,从模型中输出信用价值评估,从而可对潜在借款人进行信用评估。 一般的评级方法可以分为专家经验判断法、参数模型和非参数模型...
  • RFM模型以及案例

    千次阅读 2019-08-08 15:31:39
    **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。在众多的客户关系管理(CRM)的分析模式中,RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该...
  • 预测模型旨在评估未知借款者将来是否还款的信用价值,将潜在借款者的特征值输入模型,从模型中输出信用价值评估,从而可对潜在借款人进行信用评估。 一般的评级方法可以分为专家经验判断法、参数模型和非参数模型...
  • RFM模型+SOM聚类︱离群值筛选问题

    千次阅读 2016-04-22 18:16:26
    笔者寄语:一般情况下离群值不应该直接删除,应该进行筛选,然后进行专门的离群值分析。笔者在这进行一下思考,在聚类基础之上的一种...利用RFM客户价值模型,进行SOM(自组织映射神经网络模型),可以参考笔者的博客。
  • 随着传统的量化投资领域竞争愈发激烈,大量投资者开始尝试基本面量化的投研方法。 什么是基本面量化呢? 以股票市场为例,基本面量化主要聚焦于企业...在价值判断上,首先要看清楚行业的发展趋势,通过宏观面...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 411
精华内容 164
关键字:

价值判断模型