精华内容
下载资源
问答
  • 这种平衡的评估方式,有从“单位服务”角度出发的“单位经济模型”,也有从“单用户营收”角度出发的“单用户价值模型”,本文浅谈后者。研究单用户营收的逻辑,相当于把企业不同的用户群都归一,更容易看出商业模式...

    ca411fbbd30c3f7a3f559faaadf22bf6.png

    产品是企业交付服务于用户的载体,只有在收入和成本达到平衡,服务才会长期稳定提供。这种平衡的评估方式,有从“单位服务”角度出发的“单位经济模型”,也有从“单用户营收”角度出发的“单用户价值模型”,本文浅谈后者。

    研究单用户营收的逻辑,相当于把企业不同的用户群都归一,更容易看出商业模式的运转影响因素。计算单用户价值,是为了是梳理和单用户直接相关的收入及成本的关系,所以计算成本时,只计算变动成本,暂时不计固定成本。

    单用户价值

    = 单用户全生命周期收入 - 单用户获取成本

    = 单用户留存时长 * (单用户每日收益 - 单用户每日维护成本 ) - 单用户获取成本

    产品处于不同的生命周期,单用户价值的参考值不同,一般来说(忽略获客成本回收期):当单用户价值大于0时,商业模型收支平衡,可以考虑快速扩大用户规模。单用户价值小于零时,需考量可以通过那些因素来达到平衡,部分因素到达天花板能否达到平衡。

    趣头条是一款针对下沉市场用户的移动资讯应用。针对下沉市场用户对于货币激励的敏感,使用的“网赚 - 做任务领钱”模式作为杠杆撬动下沉市场,DAU和净营收节节走高,净营收又基本被用来做用户的拉新、促活、留存、商业化,循环运转,2年时间即完成上市。

    a45a2f7d3889e452aae34543310cc993.png

    62cc3070e4d210b14e491b8f55464042.png

    因为趣头条上市,有公开数据可查,本文以其财报数据来逐一拆解上述单用户价值模型的各因素:

    1. 单用户留存时长

    单用户的留存时长(LT),是指一个用户整个生命周期的累计时长,常说的次日留存、次月留存、用户召回等,其实就是在说LT。LT是验证产品模式是否能跑通的重要指标,对目标人群的需求满足度和产品竞争力等会影响到LT。

    趣头条任务中心的“每日签到、日常任务、运营活动”等是网赚模式围绕留存而设计的任务。功能类的探索迭代,比如针对下沉用户偏爱的养生、励志、健康等内容建设,内容推荐效率提高,直播、视频类等功能,都会影响到留存,影响的权重会有区别,用户增长产品经理会去捕捉留存影响权重最大的a-ha moment。

    趣头条留存曲线近似幂函数,LT近似留存曲线和双坐标轴的面积,计算如下:

    LT = 1 + R(2) + R(2) + R(3) + ... + R(n)

    其中R(n)为用户在第n日的留存率。

    3bc544a1df4048fe0e3fed1eb230dfea.png

    从用户增长的角度看,次日留存、第七日留存比较重要。次日留存提高的话,留存曲线和双坐标轴面积变大,即LT会变大。第七日留存,通常对应用户对于产品价值的理解和认可,如果第七日留存变大,后续会持久。不同产品形态,上述两个节点需要视情况调整。

    2. 单用户每日收益

    单用户每日收益,是指一个活跃用户每天能贡献的营收。先来看一下趣头条财报里的这个数值:

    d930d3aca4d3238679f1dfd2b627991b.png

    趣头条目前营收较为单一,2019 Q3的净营收为:14.07亿人民币,其中广告营收为13.82亿,占比98.22%,广告受周期和大环境的影响,趣头条单用户每日收益也明显有此规律。以Feed流广告收入为主,推算一下收益公式:

    单用户每日收益

    = 单用户每日浏览Feed数 * 广告加载率 * 广告千次曝光收入

    单用户每日浏览Feed数,这个与用户活跃时长强相关,产品运营都在为此努力,比如运营侧的日常任务、运营活动,产品侧的内容推荐效率提升,视频类功能迭代等

    广告加载率(Ad Load),指Feed里的广告数量占比,起着平衡用户体验和商业化的作用,Ad load过高,用户会对产品产生负面印象,不同产品形态的Ad load边界会不一样,较为私人的Feed流的广告加载率偏低(微信朋友圈2%),资讯信息流的广告加载率较高(今日头条图文Feed为8%)。

    刷趣头条粗算:图文Feed 24%,短视频12%,小视频10%左右,这块可提升的空间非常有限,趣头条应该会保持这样的Ad load率。

    广告千次曝光收入(eCPM),指广告千次广告预期收入,假设广告以CPC计费,则

    eCPM = CPC * CTR * 1000

    要提升eCPM,需提升CPC和CTR,CPC取决于基于APP体量及用户群的广告定价及广告商们的竞价。CTR取决于广告与用户的匹配度及广告位的定义、展示等因素

    单用户每日浏览Feed数、Ad load、eCPM三个因素相互影响,,要提高“单用户每日Feed广告收入”,需通过实验找一个平衡的角度,平衡用户体验和商业化,更需要平衡长期和短期收益。

    除了广告收入,趣头条也在扩充其它收入,比如游戏、直播,营收需要变得多元、健壮。

    3. 单用户每日维护成本

    单用户每日维护成本,是指对一个老用户每日活跃及留存的货币化激励成本。趣头条任务中心除去收徒都是基于此设计。趣头条的单用户每日维护成本如下图:

    bb703e936447fcbbc85ad6925ea26183.png

    可以看到:趣头条在逐步下调用户维护成本,联合每日活跃时长没有因此下跌,但是趣头条app的用户每日活跃时长肯定受到了影响,因为目前的4210万DAU里,有大概800万是跟趣头条app用户重合度很低的米读小说(包含极速版),而米读小说的日活跃时长是150分钟。

    单用户每日维护成本,除了考量“每日因此带来的收益关系”决策投入之外,趣头条也在“金币的消费”侧发力,比如:评论金币赞赏、直播金币赞赏,用户、内容创造者、平台三者都因为金币这样的流转受益,网赚模式:金币的发放、消费、提现形成闭环。

    另外,产品力和货币化激励体系,是用户使用趣头条的两条支柱。随着更多极速版入场下沉市场,用户对“货币化激励”变的不敏感,内容生态、内容推荐效率变的权重很大,从财报可以看到趣头条在“内容生态建设、AI侧研发投入”的持续投入。

    4. 单用户获取成本

    单用户获取成本(CAC),是指一个新用户获取所涉及的渠道买量、宣传等成本。趣头条的新用户安装成本如下图:

    3a7f88b09bc4ddf3034da01f60962af3.png

    在每个季度1亿新用户引入,以及各种“极速版”的竞争下,CAC控制稳定,但需要结合用户的LTV评价获客的质量。也可以用留存来粗估,大家可以结合MAU、每季度新用户数、月活计算公式来估算一下每个Q的获客质量。

    4bfa5fa77c04d71d4c77dcbf43c860f3.png

    月活计算公式:

    MAU(n) = A(n)+A(n-1)* R(1)+…+ A(1) * R(n-1),

    其中MAU(n)代表第n月的活跃用户,A(n)代表第n月的新增用户,R(n)代表第n月留存率

    趣头条获客的方式主要有3个:

    1. 收徒,推荐熟人下载应用,获取金币;
    2. 渠道买量,通过应用商店等渠道拉新;
    3. 自然流量下载

    获客成本大头在a和b,单用户获取成本优化的方向重点也在这,比如通过“收徒拉新的收益分期获得”来提高拉新的有效度,获客渠道的ROI优化等。

    以上章节就是关于单用户价值模型计算的拆解,可以对照一下自己负责的产品处于什么状态,从哪些因素去优化?怎么优化?

    单用户价值计算后,还是要跟“摊薄到单用户的固定成本”比较来看:单用户净营收情况,再结合用户体量:评估企业的整体收益和发展前景。

    最后,留2个问题一起思考:

    1.趣头条说2020年的用户拉新成本需在6个月内回收,需要重点优化那块?

    2.趣头条说2020年要实现营收平衡,要怎么做?

    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
  • RFM用户价值模型的原理和应用▌定义在众多的用户价值分析模型中,RFM模型是被广泛被应用的;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RFM模式中,R(Recency)表示客户购买的时间有多远,F(Frequency)...

    RFM用户价值模型的原理和应用

     ▌定义

    在众多的用户价值分析模型中,RFM模型是被广泛被应用的;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RFM模式中,R(Recency)表示客户购买的时间有多远,F(Frequency)表示客户在时间内购买的次数,M (Monetary)表示客户在时间内购买的金额。

    一般的分析型CRM着重在对于客户贡献度的分析,RFM则强调以客户的行为来区分客户。在实际应用中根据业务不同会有参考的数据维度也会有诸多变变种。


    意义

    RFM模型较为动态地显示了一个客户的全部轮廓,这对个性化的沟通和服务提供了依据,同时,如果与该客户打交道的时间足够长,也能够较为精确地判断该客户的长期价值,通过改善三项指标的状况,从而为更多的营销决策提供支持。RFM模型的应用,旨在建立一个用户行为报告,这个报告会成为维系顾客的一个重要指标。

    所以RFM模型大量的应用于营销层面,用以刺激新用户持续的消费、留存。同时也能作为监控业务用户健康度的重要指标,报告如果显示上一次购买很近的客户,人数如增加,则表示该公司是个稳健成长的公司;反之,如上一次消费为一个月的客户越来越少,则是该公司迈向不健全之路的征兆。

    这里多提一句,单一功能性消费的垂直业务,常常会陷入只追求成交额的短期目标,而忽视与用户建立长期的关系,与用户持续保持往来,赢得用户忠诚度,是对业务更为长效的目标。用客户绝对贡献金额来分析客户是否流失,有时会曲解客户行为。因为每个商品价格可能不同,对不同产品的促销有不同的折扣,所以采用相对的分级(例如R、F、M都各分为五级)来比较消费者在级别区间的变动,则更可以显现出相对行为。企业用R、F的变化,可以推测客户消费的异动状况,根据客户流失的可能性,列出客户,再从M(消费金额)的角度来分析,就可以把重点放在贡献度高且流失机会也高的客户上,重点拜访或联系,以最有效的方式挽回更多的用户。

    方法

    运用RFM模型一般是为了细分出最有价值的用户,利用有限的营销资源重点投入,从而价值产出最大化;基于这个目的,我们通常需要将细分出的用户按照RFM模型给出的分级排序,从最好到最差,然后什么都保持正常的方式,如果一段周期内,业务结果和你的排序一致,那么说明你的细分能够相对准确地将有价值的用户从整体用户中划分出来。通常运营团队会不断的验证和修订维度,用于提升会员运营的效率,将预算花在该花的地方。

    用户行为是持续变动的,在用户距上一次购买时间满一个月之后,在数据库里就成为消费为两个月的客户;反之,同一天,消费为3个月前的客户作了其下一次的购买,他就成为消费为一天前的顾客,也就有可能在很短的期间内就收到新的营销信息;不断的调整模型划分人群,然后对比业务结果,去验证这套模型的准确性。而模型应用过程中涉及到一种算法和决策树模型。

    K-means算法是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量V最优分类,使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。好吧,我承认这玩意儿太绕口,建议有兴趣的去看看诘屈聱牙的原词百科。

    决策树模型是非常基础的数学定律,它决定逻辑推理的过程,并且在现有信息的基础上,决定各种可能的替代选项的置信度。很多商业决策都存在不确定性,在面对不确定性时,决策树可以帮助选择最佳行动方针。虽然决策者不知道未知的后果会怎样,但是他一般对可能的后果及各自发生的可能性有所了解。了解的这些信息可以用来选出能获得最大收益的选项,也就是用户下次会不会继续消费。


    案例

    会员运营团队的预算相对于庞大的用户规模,通常会捉襟见肘,所以当我们的预算不多,而且只能提供服务信息给小规模的重点用户时,RFM模型就派上用场了。这样的营销所节省下来的成本会很可观 。结合这三个核心指标,我们把顾客分成多个类别,对其进行数据分析,然后制定我们的营销策略。

    以某垂直功能型互联网业务为例,随机抽取100万用户样本,进行数据分析;

    时间间隔:以提取样本的时间点与用户最后一次消费时间作差,看时间间隔平均为多少天。

    消费频次:用户的消费行为平均为几次,最大多少次,最小多少次。

    消费金额:用户消费金额平均为多少,最大最小分别是的多少。

    使用K-means方法,对样本集进行聚类,通常分为8类。


    把聚类结果分为训练集(30%)和测试集(70%),根据训练集生成决策树模型。


    通过RFM分析将客户群体划分成一般保持客户、一般发展客户、一般价值客户、一般挽留客户、重要保持客户、重要发展客户、重要价值客户、要挽留客户等八个级别;

    通过对比业务结果不断修订完善模型的同时,用营销手段进一步扩大重要价值用户群(考虑时间短、频次高、消费高)。


    结语

    消费、消费频率、消费金额是测算消费者价值最重要也是最容易的方法,这充分的表现了这三个指标对营销活动的指导意义,但不代表这三个指标牢不可破,例如嘀嘀(快车、专车、顺风车多业务类型)和支付宝(多功能场景)这种,业务方除了消费金额、频次频次以外,在制定补贴策略的时候,还会考虑用户的跨场景使用,越多的功能业务场景被使用,意味着用户忠诚度越高,这个时候将模型的核心指标增加或者调换,就可以实际应用到辅佐补贴策略上了,这也是为什么别人领券能领5块钱,你只能领1块钱,别人为啥能领到快车券,你只能领到接机专车券的原因了。

    转载于:https://www.cnblogs.com/zzuyczhang/p/8514097.html

    展开全文
  • 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...
        

    还没关注?

    640?wx_fmt=png

    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。


    640?wx_fmt=png


    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。


    640?wx_fmt=png

    (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。


    640?wx_fmt=png


    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:

    640?wx_fmt=png

    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


    每天进步一点点:数据分析1480

    640?wx_fmt=png

    长按扫码关注我

    展开全文
  • 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...
  • 用户价值和RFM模型

    2019-09-26 16:46:20
    什么是用户价值用户价值就是对公司来说有用的地方,比如有的公司看中用户的消费能力,有的公司则看中用户的忠诚度 。各公司的业务目的不同,用户价值的体现自然也不同。这里主要说一下适用于电商的RFM模型。 ...
  • 用户分类可以促进更好的社区管理,并最大程度地提高用户价值。 在现有的用户分类研究中,对用户创新价值的分析不够深入,没有充分考虑用户所拥有的产品开发各个阶段的专业知识,这是最大化用户创新价值的关键。 ...
  • 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。RFM分析模型主要由三个指标组成,下面对这三个指标的定义和作用做下简单解释: 1、最近一次消费(Recency) 最近一次消费意指用户上一次购买的时间,理论上,...
  • 时间:2019-02-10概述:RFM 价值度模型Python 基于RFM的用户价值模型,作者:宋天龙(Tony Song),Python版本:32位 2.7.12。IDE:PyCharm。依赖库:time、numpy、pandas、mysql.connector。程序输入:sales.csv,...
  • https://www.logiconsole.com/ltv-model/
  • RFM模型挖掘价值用户

    2019-08-24 23:27:35
    一、提出问题(Business Understanding ) 2018年,中国电子商务...一个重要的问题是,如何从海量的用户中挖掘出价值用户,维护价值用户关系,进行精细营销,优化用户体验,提高复购率,提高利润? 本次分析旨在...
  • 而会员价价值度是用来评估用户价值情况,是区分会员价值的重要性模型和参考依据,也是衡量不同营销效果的关键指标之一,我们可以通过复购率、消费频率、最近一次购买时间、最近一次购买金额等方面分析会员价值度。...
  • 用户价值分层——基于RFM模型的研究分析RFM模型的概念和用途名词解释RFM模型概念RFM模型用途基于RFM模型的实践实验数据数据预处理基于RFM模型的用户评分分层基于RFM的用户价值分层基于RFM模型的场景应用基于RFM模型...
  •  有很多种分析电商用户价值的方式,今天来谈谈传统企业和电商用得较多的RFM模型。在众多的客户细分模型中,RFM模型是被广泛提到和使用的。 一、为什么分析 内部因素:增加用户的好感度,因为不同的活动会有不用的...
  • Python 案例-基于RFM的用户价值模型和基于AdaBoost的营销响应预测,依赖库:time、numpy、pandas、mysql.connector  程序输入:sales.csv  程序输出:RFM得分数据写本地文件sales_rfm_score.csv和数据表(sales_...
  • 核心内容:使用python的sklearn的KMeans算法对电商用户进行分类。 包含内容:数据概览、特征构建、k值选择、模型训练、可视化等。
  • 电力用户参与有序用电的价值...为了科学全面地对电力用户有序用电价值进行评价,建立了包括静态指标、特征指标、价值指标等多指标多层次的评价体系,评价体系层层递进,最终得到准确全面的用户有序用电价值评价结果。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,820
精华内容 728
关键字:

用户价值模型