本文旨在探讨运用层次分析法建立电商用户综合评分模型，希望能对你有所助益。
层次分析法（Analytic Hierarchy Process，简称 AHP）的概念：是一种将决策相关要素分解为目标、准则、方案等层级的决策方法，在此基础上进行定性与定量分析。关于层次分析法的详解，可使用搜索引擎查询，限于篇幅，在此不展开。
一、基于短期和中期的用户综合评分模型考量
实际场景：用户经常访问你的网站，有时浏览内容，有时购买商品。在评估用户价值时，该如何衡量？是着眼于最近一次购买行为，还是考量用户整个时期的表现？“日久见人心”这一成语已说明问题。显然，一次网站会话行为可能仅为窥一斑而已，延长观察期才能建立更合理的评分模型。
本文目标在于为电商网站用户建立一个评分模型，动态计算每个用户的价值得分。从目标-用户评分出发，综合短期和中期的视角，提炼出影响用户得分的要素，作为准则层，随后选取准则层对应的指标层数据，构建一套合理的评分模型。
短期内，我们将关注用户在网站或应用程序上的一系列详细动作，例如浏览重点页面、点击预购等。由此，我们将影响目标层用户评分的第一个因素定义为“活跃度”。从中长期来看，用户的“忠诚度”和“购买力”对用户评分影响至关重要。确定目标层为“用户价值得分”，影响目标层的准则层包括“活跃度”、“忠诚度”和“购买力”。
二、用户综合评分指标选取
确定准则层之后，需要选择衡量“活跃度”、“忠诚度”和“购买力”的主要指标。有几个重要的原则可供参考：
- 可量化：能被衡量的，才能被改进。目前，大多数电商网站通过 JavaScript、SDK 埋点或服务器日志分析获取基本量化数据；
- 有效性：要覆盖重要的数据维度，且应在合理的可控范围内；
- 相互独立：指标之间应尽量保持不相关性。
经过与团队成员的讨论，选择适合我们电商用户的指标内容如下：
- 浏览页面数
- 停留时间
- 浏览商品数
- 主动下单数：一些购买前的微转化动作，如点击“立即购买”、“立即开团”按钮等
- 最近访问时间
- 用户访问频率
- 主动评价数
- 单次最高购买金额
- 平均每次购买金额
- 购买次数
三、适合于电商网站的用户综合评分模型
在时间选择上，我们首先选取近三个月的用户行为数据进行研究，因此“活跃度”对应的时长为“最近三个月最后一次活跃时间，即最近 1 天”，“忠诚度”和“购买力”考察的是“最近三个月”这一中长期时段。在实际业务中，根据现有规则建立数据表，每天的数据自动入库，用户的评分会呈现随日期滑动累加的效果，因此我们前面提到的动态计算用户得分便是如此。至此，我们的用户综合评分模型如下：
目前，市面上有很多解决层次分析问题的软件，但我认为思维比工具更重要，因此本文使用每个人电脑中都有的 Excel 来解决此问题。这样，我们可以把主要精力集中在实现方法上，而不是工具操作上。在使用 Excel 实现 AHP 方法时，有两个重要的问题需要解决：
构建判断矩阵：常见的方法是小组投票，给出两个因素（如 A 和 B）之间的比较值。1 表示：A 和 B 同等重要；3 表示：A 比 B 略微重要些；5 表示：A 比 B 重要；7 表示：A 比 B 显著重要些；9 表示：A 比 B 极度重要。这样，通过两两比较给出比较值，即可形成判断矩阵。如下所示：“活跃度”、“忠诚度”和“购买力”的判断矩阵
一致性检验：什么是一致性检验？举个例子，当两两比较认为 A 比 B 重要，B 比 C 重要时，当轮到比较 A 和 C 时，如果你给出的比较值为 C 比 A 重要，这就出现了“不一致”。层次分析法的计算不是简单地得到一个结果，而是要得到一个令人满意的具有自洽性的结果。
一致性的检验通过计算一致性比例 CR 进行，其中 CR = CI/RI，当 CR<=0.1 时，判断矩阵的一致性是可接受的；否则应适当修正判断矩阵，甚至将其推倒重做。
公式中另两个参数 CI 为一致性指标，RI 为随机一致性指标。通过查表可以找到三阶矩阵的 RI = 0.5149，四阶矩阵的 RI = 0.8931。
这部分为数学知识，各位可以通过理解文章后直接应用。我们随后将以“准则层”为例，说明如何在 Excel 中构建判断矩阵以及进行单层排序和一致性检验。如果您想了解更多信息，可以在搜索引擎中查找相关内容。
- 构建判断矩阵：
- 对角线元素全部为1，表示指标与自身比较，活性度比活性度，忠诚度比忠诚度，购买能力比购买能力。
- 左下角填入团队投票得到的两两指标比较值。
- 右上角根据左下角的值进行倒数映射。
- 计算每行元素的乘积：
- 在F6单元格输入公式 `=PRODUCT(C6:E6)`，并向下拖动公式，计算每一行的乘积。
- 计算几何平均数：
- 在G6单元格输入公式 `=POWER(F6,1/3)`，并向下拖动公式，计算每行的几何平均数。
- 在G9单元格输入公式 `=SUM(G6:G8)`，计算所有几何平均数的总和。
- 计算权重：
- 在H6单元格输入公式 `=G6/$G$9`，并向下拖动公式，计算每个指标的权重。
- 计算加权平均值：
- 在I6单元格输入公式 `=C6$H$6+D6$H$7+E6$H$8`，并向下拖动公式，计算每个指标的加权平均值。
- 一致性检验：
- 计算AWi/Wi的值，并计算所有值的平均值，即J9单元格的值（J9=AVERAGE(J6:J8)）。
- 计算一致性指标CI：CI = (J9 - n) / (n - 1)，其中n为指标数量，在本例中n=3。如果CI=0，则表示判断矩阵一致性良好。
- 计算随机一致性指标RI：RI=0.5149（三阶矩阵的RI值）。
- 计算一致性比率CR：CR = CI/RI。如果CR小于0.1，则表示判断矩阵一致性良好。
结论：
- 我们构造的判断矩阵一致性检验通过，意味着指标权重分配合理。
- 用户价值得分 = 0.4 活跃度 + 0.4 忠诚度 + 0.2 购买能力。