數(shù)據(jù)挖掘之用戶價值分析

這里要介紹的是基于每個用戶行為的綜合性的分析和評定，主要包括用戶的忠誠度和用戶的價值?！耙杂脩魹橹行摹钡睦碚撘缶W(wǎng)站不斷優(yōu)化改善用戶的體驗，進(jìn)而提升用戶的滿意度，當(dāng)用戶的預(yù)期不斷被滿足時，用戶就會喜歡上這個網(wǎng)站，進(jìn)而發(fā)展成為網(wǎng)站的忠誠用戶，同時不斷地為網(wǎng)站輸出價值。忠誠用戶不但自身為網(wǎng)站創(chuàng)造價值，而且可以為網(wǎng)站帶來許多隱性的收益，比如品牌和口碑的推廣，帶動其他用戶的進(jìn)入和成長。所以網(wǎng)站的忠誠用戶是網(wǎng)站生存和持續(xù)發(fā)展的基石，我們需要掌握每個用戶的忠誠度，同時也需要了解每個用戶的價值體現(xiàn)。

這次的數(shù)據(jù)分析需求來自網(wǎng)站的營銷部門，營銷部門的同事需要跟進(jìn)一些網(wǎng)站的已付費用戶和潛在的付費用戶，以便更好地推廣網(wǎng)站的產(chǎn)品，為客戶提供更好的服務(wù)，引導(dǎo)新用戶的消費和老客戶的持續(xù)性消費。營銷部門因為資源有限，面對不斷擴(kuò)大的客戶群體開始犯愁，他們沒有精力對每位用戶進(jìn)行跟進(jìn)和服務(wù)，于是他們請求數(shù)據(jù)分析師的幫助，幫他們尋找定位目標(biāo)客戶，以便提升工作效率。銷售部門發(fā)來了數(shù)據(jù)分析的需求郵件。 看來這個問題確實困擾著營銷部的同事，如果他們所做的營銷工作大部分用戶沒有任何響應(yīng)，這是一件讓人非常沮喪的事情。他們的目的就是縮小目標(biāo)群體，定位那么有意愿有潛力的價值客戶，以便減少日常的無效工作，提升效率。他們需要的就是用戶忠誠度的分析、用戶價值的評定和用戶價值的持續(xù)發(fā)展情況。我們用數(shù)據(jù)分析的方法來一一解決這些問題。

基于用戶行為的忠誠度分析

用戶忠誠度（Loyalty）是用戶出于對企業(yè)或品牌的偏好而經(jīng)常性重復(fù)購買的程度。對于網(wǎng)站來說，用戶忠誠度則是用戶出于對網(wǎng)站的功能或服務(wù)的偏好而經(jīng)常訪問該網(wǎng)站的行為。根據(jù)客戶忠誠理論，傳統(tǒng)銷售行業(yè)的忠誠度可由以下4個指標(biāo)來度量：

l  重復(fù)購買意向（Repurchase Intention）：購買以前購買過的類型產(chǎn)品的意愿；

l  交叉購買意向（Cross-buying Intention）：購買以前為購買的產(chǎn)品類型或擴(kuò)展服務(wù)的意愿；

l  客戶推薦意向（Customer Reference Intention）：向其他潛在客戶推薦，傳遞品牌口碑的意愿；

l  價格忍耐力（Price Tolerance）：客戶愿意支付的最高價格。

以上4個指標(biāo)對于電子商務(wù)網(wǎng)站而言，可能還有適用性，但對于大多數(shù)網(wǎng)站是不合適的，所以為了讓分析具有普遍的適用性，同時為了滿足所有的指標(biāo)都可以量化（上面的客戶推薦意向比較難以量化），以便進(jìn)行定量分析的要求，我們選擇所有網(wǎng)站都具備的基于訪問的用戶行為指標(biāo)：用戶訪問頻率、最近訪問間隔時間、平均停留時長和平均瀏覽頁面數(shù)，這些也是Google Analytics原版本中用戶忠誠度模塊下的4個指標(biāo)。

這4個指標(biāo)在上文已經(jīng)多次提到了，定義不再重復(fù)介紹。統(tǒng)計數(shù)據(jù)的時間區(qū)間也是根據(jù)網(wǎng)站的特征來定的，如果網(wǎng)站的信息更新較快，用戶訪問較為頻繁，那么可以適當(dāng)選取較短的時間段，這樣數(shù)據(jù)變化上的靈敏度會高些；反之，則選擇稍長的時間段，這樣用戶的數(shù)據(jù)更為豐富，指標(biāo)的分析結(jié)果也會更加準(zhǔn)確有效。在統(tǒng)計得到這4個指標(biāo)的數(shù)值之后，單憑指標(biāo)數(shù)值還是無法得到用戶忠誠度的高低，需要對指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理得到相應(yīng)的評分，通過評分就可以分辨用戶的忠誠度在總體中處于什么樣的程度。

這里使用min-max歸一化的方法，將4個指標(biāo)分別進(jìn)行歸一化后縮放到10分制（0～10分）的評分區(qū)間。這里需要注意的是，min-max歸一化會受到異常值的影響，比如用戶瀏覽頁面數(shù)有一個50的異常大的數(shù)值，那么歸一化后大部分的值都在集中在較小的分值區(qū)域，所以建議在歸一化之前排查一下各指標(biāo)是否存在異常值，如果存在，可以對異常值進(jìn)行轉(zhuǎn)換或過濾；同時這里的最近訪問間隔時間同樣適用“天”為單位，注意歸一化的時候需要進(jìn)行特殊處理，因為間隔天數(shù)越大，相應(yīng)的評分應(yīng)該越小，不同于其他3個指標(biāo)，其他3個指標(biāo)使用公式(x-min) / (max-min)，最近訪問間隔天數(shù)要使用(max-x) / (max-min)的方式進(jìn)行處理。我們使用近一個月的用戶訪問數(shù)據(jù)，選擇其中3個用戶列舉一下用戶行為數(shù)據(jù)的處理情況，見表6-2。

表 6-1            用戶忠誠度指標(biāo)評

表6-2中，用戶忠誠度的4個分析指標(biāo)經(jīng)過標(biāo)準(zhǔn)化處理后統(tǒng)一以十分制的形式輸出，這樣就能直接區(qū)分每個用戶的每項指標(biāo)的表現(xiàn)好壞?；诿總€指標(biāo)的評分，可以對用戶進(jìn)行篩選，比如營銷部門重點跟進(jìn)經(jīng)常訪問網(wǎng)站的用戶，可以選擇訪問頻率評分大于3分的用戶，或者重點跟進(jìn)用戶訪問參與度較高的用戶，可以篩選平均停留時間和平均訪問頁面數(shù)都大于3分的用戶，這樣能夠幫助營銷部門迅速定位忠誠用戶。

這里我們用4個用戶行為指標(biāo)來評價用戶的忠誠度，這類基于多指標(biāo)從多角度進(jìn)行評價最常見的展現(xiàn)方式就是雷達(dá)圖，或者叫蛛網(wǎng)圖，在電腦游戲里面比較常見，比如一些足球游戲使用雷達(dá)圖來表現(xiàn)球員的各方面的能力指數(shù)，如防守、進(jìn)攻、技術(shù)、力量、精神等，所以這里也可以借用雷達(dá)圖用4個指標(biāo)來展現(xiàn)用戶的忠誠度表現(xiàn)情況，如圖6-18所示。

圖 6-1    用戶忠誠度雷達(dá)圖

圖6-18使用了表6-2中三位用戶的評分?jǐn)?shù)據(jù)繪制而成，能夠非常形象地表現(xiàn)用戶忠誠度在各指標(biāo)上的表現(xiàn)情況，用戶1的整體忠誠度較低，用戶2在訪問頻率和訪問間隔具有較好表現(xiàn)，而用戶3的訪問具有相對較高的參與度。使用雷達(dá)圖分析用戶的忠誠度主要有如下優(yōu)勢：

u  可以完整地顯示所有評價指標(biāo)；

u  顯示用戶在各指標(biāo)評分中的偏向性，在哪些方面表現(xiàn)較好；

u  可以簡單觀察用戶整體的忠誠情況，即圖形圍成的面積大小（假設(shè)4個指標(biāo)的權(quán)重相等，若重要程度存在明顯差異，則不能用面積來衡量）；

u  可以用于用戶間忠誠度的比較。

所以，基于雷達(dá)圖展現(xiàn)用戶的忠誠度之后，營銷部門可以直接查看哪些用戶具有較好的忠誠度，哪些用戶值得他們重點跟進(jìn)。

基于用戶行為的綜合評分

上面介紹的用戶忠誠度分析使用用戶的4個行為指標(biāo)來進(jìn)行評估，但我們只能看到各指標(biāo)的表現(xiàn)，無法評定用戶忠誠度的總體水平，所以需要對所有的相關(guān)指標(biāo)做匯總處理，獲取一個綜合評分，就像足球游戲中球員的綜合能力值（Overall）。上面忠誠度的相關(guān)指標(biāo)經(jīng)過標(biāo)準(zhǔn)化已經(jīng)統(tǒng)一了度量區(qū)間，最簡單的方法就是取所有相關(guān)指標(biāo)評分的均值來計算得到忠誠度綜合評分，這樣的處理將所有指標(biāo)以同等的重要性進(jìn)行對待，但現(xiàn)實情況下不同指標(biāo)對綜合評分的影響是不一樣的，有些指標(biāo)比較關(guān)鍵，有些則相對次要，所以這里引入AHP的方法來設(shè)定不同指標(biāo)的權(quán)重。

AHP（層次分析法）是美國運籌學(xué)家T. L. Saaty教授于20世紀(jì)70年代初期提出的，AHP是對定性問題進(jìn)行定量分析的一種簡便、靈活、實用的多準(zhǔn)則決策方法。它的特點是把復(fù)雜問題中的各種因素通過劃分為相互聯(lián)系的有序?qū)哟危怪畻l理化，根據(jù)對一定客觀現(xiàn)實的主觀判斷將每個層次元素兩兩比較的重要性進(jìn)行定量描述。而后，利用數(shù)學(xué)方法計算反映每一層次元素的相對重要性次序的權(quán)值，通過所有層次之間的總排序計算所有元素的相對權(quán)重并進(jìn)行排序。層次分析法適用于多目標(biāo)決策，用于存在多個影響指標(biāo)的情況下，評價各方案的優(yōu)劣程度。當(dāng)一個決策受到多個要素的影響，且各要素間存在層次關(guān)系，或者有明顯的類別劃分，同時各指標(biāo)對最終評價的影響程度無法直接通過足夠的數(shù)據(jù)進(jìn)行量化計算的時候，就可以選擇使用層次分析法。

了解了AHP之后，我們以上面的忠誠度評分為例，先簡單介紹AHP的應(yīng)用。首先根據(jù)忠誠度的影響指標(biāo)構(gòu)建層次模型，這里只需要兩層，上層是忠誠度，下層是影響忠誠度的4個指標(biāo)，如圖6-19所示。
 

圖 6-2    忠誠度評分層次模型

我們需要計算底層的4個指標(biāo)對忠誠度的影響權(quán)重，需要構(gòu)建對比矩陣，即運用9標(biāo)度對需要賦權(quán)的同層各影響要素間進(jìn)行兩兩比較，例如模型中的要素i相對于要素j對上層的重要程度，1表示i與j同等重要，3表示i比j略重要，5表示i比j重要，7表示i比j重要很多，9表示i比j極其重要，可以用Wi/Wj表示該重要程度，兩兩比較后可以得到以下矩陣：

兩兩比較的結(jié)果可以得到矩陣對角線上方的各個比值，而這個矩陣對角線兩邊的對稱元素是相互的倒數(shù)，并且對角線的所有元素的值都為1，所以得到對角線一側(cè)的數(shù)值就可以得到整個矩陣。因為矩陣的數(shù)值是兩兩比較的結(jié)果，所以可能存在A元素比B元素重要，B元素比C元素重要，但C元素卻比A元素重要的情況，也就是矩陣的不一致性，所以首先需要驗證該對比矩陣的一致性?？梢酝ㄟ^計算矩陣的最大特征值的方法來衡量矩陣的一致性，相關(guān)的指標(biāo)有一致性指標(biāo)CI，隨機(jī)一致性指標(biāo)RI，一致性比率CR=CI/RI，一般當(dāng)CR<0.1時，我們認(rèn)為該對比矩陣的一致性是可以被接受的。如果矩陣的一致性滿足要求，則可以根據(jù)矩陣的最大特征值進(jìn)一步計算得到對應(yīng)的特征向量，并通過對特征向量進(jìn)行標(biāo)準(zhǔn)化（使特征向量中各分量的和為1）將其轉(zhuǎn)化為權(quán)向量，也就是我們要求的結(jié)果，權(quán)向量中的各分量反映了各要素對其相應(yīng)的上層要素的影響權(quán)重。

如上面的忠誠度評分體系使用AHP的方法可以計算得到底層4個指標(biāo)對忠誠度的影響權(quán)重：
忠誠度評分 = 訪問頻率評分×0.4 + 最近訪問間隔評分×0.25 +
平均停留時長評分×0.2 + 平均瀏覽頁面數(shù)評分×0.15
在計算得到影響指標(biāo)的權(quán)重之后，就可以通過加權(quán)求和的方式計算得到最終的忠誠度評分，見表6-3。

表 6-2            用戶忠誠度加權(quán)評分

表6-3中，通過加權(quán)的方式計算得到用戶忠誠度評分之后，就可以直接比較忠誠度評分來評價哪個用戶的忠誠度綜合值較高、哪個較低，營銷部門的同事就有了對用戶更直接的取舍依據(jù)。

上面只是對用戶的忠誠度做了評定，無法體現(xiàn)用戶創(chuàng)造的價值，而營銷部門的第二個需求點就是對用戶的綜合價值的評定，比如電子商務(wù)網(wǎng)站的用戶可能具備一定的忠誠度，但如果只看不買，仍然無法為網(wǎng)站帶來足夠的價值，所以需要進(jìn)一步評定用戶的價值輸出，電子商務(wù)類網(wǎng)站尤其可以關(guān)注這一點。為了體現(xiàn)用戶的價值輸出，我們在選擇指標(biāo)的時候需要考慮與用戶購買消費相關(guān)的指標(biāo)，這里羅列了5個指標(biāo)供參考：

1.         最近購買間隔：可以取用戶最近一次購買距當(dāng)前的天數(shù)，反映用戶是否繼續(xù)保持在網(wǎng)站的消費；

2.         購買頻率：用戶在一段時間內(nèi)購買的次數(shù)，重點反映用戶的消費黏度；

3.         購買商品種類：用戶在一段時間內(nèi)購買的商品種類或商品大類，反映用戶需求的廣度，可以分析用戶價值輸出的多樣性和擴(kuò)展空間；

4.         平均每次消費額：用戶在一段時間內(nèi)的消費總額÷消費的次數(shù)，即客單價，反映用戶的平均消費能力；

5.         單次最高消費額：用戶在一段時間內(nèi)購買的單次最高支付金額，反映用戶的支付承受能力，同時也能體現(xiàn)用戶對網(wǎng)站的信任度。

上面的5個指標(biāo)從不同的角度反映了用戶的價值輸出能力，并且是可量化統(tǒng)計得到的，同樣有時間區(qū)間的限制，需要注意選擇合適的時間段長度。為了能夠統(tǒng)一衡量價值，同樣需要對上面的5個指標(biāo)進(jìn)行標(biāo)準(zhǔn)化，使用10分制的方式輸出進(jìn)行評定，還是使用雷達(dá)圖，如圖6-20所示。

圖 6-3    用戶價值雷達(dá)圖

圖6-20用雷達(dá)圖展現(xiàn)了3個用戶各指標(biāo)的數(shù)據(jù)表現(xiàn)來反映用戶的價值特征，根據(jù)每個指標(biāo)的屬性可以將用戶的價值進(jìn)一步分為兩塊，其中最近購買間隔、購買頻率和購買商品種類用來表現(xiàn)用戶的購買忠誠度，而平均每次消費額和單次最高消費額用于反映用戶的消費能力，圖6-20中框起來的兩塊區(qū)域，雷達(dá)圖的上半部分用于表現(xiàn)用戶的購買忠誠度，下半部分用于表現(xiàn)用戶的消費能力，從圖中3個用戶的數(shù)據(jù)進(jìn)行分析，用戶3的整體價值較低，用戶1和2的價值較高，而且用戶1的價值集中體現(xiàn)在較高的消費能力，用戶2的價值更多地體現(xiàn)在較高的購買忠誠度。

雷達(dá)圖很好地展現(xiàn)了用戶價值在不同指標(biāo)中的體現(xiàn)，再結(jié)合層次分析法，就可以對用戶的價值進(jìn)行綜合評分，基礎(chǔ)的數(shù)據(jù)源于上面5個指標(biāo)的評分結(jié)果，使用AHP不僅可以得到最終的用戶價值評分，同時還可以得到上面的購買忠誠度和消費能力這兩方面的評分。

圖 6-4    用戶價值評分層次模型

圖6-21是使用AHP的方法構(gòu)建的用戶價值評分層次模型，底層是5個基礎(chǔ)指標(biāo)，中間層是用戶價值的兩個方面，分別對應(yīng)各自的指標(biāo)，最上層就是用戶的綜合價值。這里需要使用3次AHP來計算：

購買忠誠度和消費能力對用戶價值的影響權(quán)重；

最近購買間隔、購買頻率和購買產(chǎn)品種類對購買忠誠度的影響權(quán)重；

平均每次消費額和單次最高消費額對消費能力的影響權(quán)重。

經(jīng)過3次兩兩比較計算后就可以得到圖上的每一層指標(biāo)對上次的影響權(quán)重，正如連接線上標(biāo)注的數(shù)值，轉(zhuǎn)化為公式的結(jié)果如下：

用戶價值 = 購買忠誠度×0.67 + 消費能力×0.33

忠誠度 = 最近購買時間×0.12 + 購買頻率×0.64 + 購買產(chǎn)品種類×0.24

消費能力 = 平均每次消費額×0.67 + 單詞最高消費額×0.33

經(jīng)過推導(dǎo)，我們可以用底層5個指標(biāo)的評分直接計算得到用戶的綜合價值評分：

用戶綜合價值評分=（最近購買間隔評分×0.12+購買頻率評分×0.64+購買產(chǎn)品種類評分×0.24）×0.67+（平均每次消費額評分×0.67+單次最高消費額評分×0.33）×0.33
用戶綜合價值評分=最近購買間隔評分×0.08+購買頻率評分×0.43+購買產(chǎn)品種類評分×0.16+平均每次消費額評分×0.22+單次最高消費額評分×0.11

有了上面的計算公式，圖6-21中所有層次的評分都可以計算得到了，我們根據(jù)雷達(dá)圖中舉例的3個用戶的數(shù)據(jù)來計算一下他們的綜合得分情況，見表 6-4。

表 6-3            用戶價值加權(quán)評分

表中不僅計算得到了綜合價值評分，同時得到了購買忠誠度和消費能力這兩個中間層的得分，這樣我們不僅能夠通過直接比較用戶的綜合價值評分獲取網(wǎng)站的重要用戶，同時忠誠度和消費能力的評分也為針對用戶的細(xì)分提供了一個有力的量化數(shù)值參考依據(jù)，如圖6-22所示。

圖 6-5    用戶價值評價細(xì)分圖

圖中展示了100位用戶的價值評分?jǐn)?shù)據(jù)，根據(jù)購買忠誠度和消費能力的評分情況分成了4塊，從中可以看出電子商務(wù)網(wǎng)站用戶特征的分布情況：

從C區(qū)域可以看出用戶較多地分布在忠誠度和消費能力評分為3附近的區(qū)域，也是網(wǎng)站最普遍的客戶群；

B區(qū)域的用戶是網(wǎng)站的最有價值客戶（VIP），但是數(shù)量相當(dāng)稀少，可能不到10%；

在A區(qū)域有一個點密集區(qū)間（忠誠度1～2、消費能力8～9），可以認(rèn)為是網(wǎng)站的高級消費用戶群，他們消費不多，但消費額很高，如果你的網(wǎng)站提供高價值消費品、批量購買等服務(wù)的話，那么他們就可能是那方面的客戶群；

D區(qū)域的用戶雖然消費能力也不強(qiáng)，但他們是網(wǎng)站的忠實粉絲，不要忽視這些用戶，他們往往是網(wǎng)站線下營銷和品牌口碑傳播的有利擁護(hù)者。

通過類似上面的分析過程，可以發(fā)現(xiàn)電子商務(wù)網(wǎng)站用戶的某些特征，為網(wǎng)站的運營方向和營銷策略提供一定的決策支持。如果你要制訂針對用戶的營銷策略，你會先從A、B、C、D這4類用戶群體中的哪類先下手？