衡量使用者價值主要有兩大維度：忠誠度和消費能力。本文從這兩方面進行了簡易的使用者畫像，以此做出使用者分析，並告訴大傢俱體的資料處理方法。

一、背景：

某電商，已上線並穩定運營了一段時間，積累了一些使用者資料。產品及運營想要了解平臺使用者的價值型別，以便針對性的採取不同運營策略。（以下方法同樣適用於廣告、SNS等領域，或用以確認內容價值）

二、目的：

確認使用者價值型別，對不同使用者，針對性地採取不同運營策略，更深入的挖掘使用者價值。

三、分析思路：

電商平臺，衡量使用者的價值主要有兩大維度：

忠誠度（包括最近購買時間、購買頻率、購買產品種類等）；

消費能力（平均每筆消費額、單次最高消費額等）；

要知道這個使用者是怎樣的使用者，就是要知道這個使用者在這兩個維度上的表現如何。所以我們給使用者這兩項資料分別打分，放到忠誠度和消費能力的座標軸中，並分別以兩項的均值（可做其他定義）為界，劃分出4個象限。

第1象限是忠誠度較高、消費能力也高的最有價值使用者：可進行差異化服務，進行專門重點維護；

第2象限是消費能力較高、但忠誠度較低的高價值使用者：可為其提供高價值消費品，定製的高價值消費服務。可以的話，用更好的體驗來試圖提升其忠誠度，使其躍升為第1象限使用者；

第3象限是忠誠度和消費能力都不算高的普通價值使用者：可給使用者提供感覺質量好、價格低的商品；

第4象限是消費能力不高、但很忠誠的傳播價值使用者：可採取低價促銷的策略，其次運營可利用該類使用者的特點，為平臺提供傳播增長價值。

以上，也可不拘泥於4個象限，劃分出更多區域來進行更細化的運營。

四、具體資料處理：

1。 獲取資料

獲取資料因素（並不全面，僅以此為例）：

使用者忠誠度資料：

使用者消費能力資料：

2。 給使用者的各項資料評分

使用者資料多種多樣，數值及跨度、單位可能大不相同。要怎麼處理，使各項相加後不致於偏向某些資料呢？這裡我們可以使用資料標準化方法來處理這些資料。

“資料標準化”：在資料分析中，經常用到資料標準化。資料標準化指的是將資料按比例縮放，使之落入一個小的特定區間。去除資料的單位限制，將其轉化為無量綱的純數值，便於不同單位或量級的指標進行比較和加權。

有兩種非常重要的資料標準化方法：

歸一化和標準化

。

這裡我們使用歸一化方法。

歸一化：透過對原始資料進行線性變換把資料對映到【0，1】之間，變換函式為：

其中max為樣本資料的最大值，min為樣本資料的最小值。

以購買頻率為例，min=1，max=13，使用者A的購買頻率標準化=（3-1）/（13-1）≈0。2。

最近購買時間較為特殊，因為時間越短，忠誠度越高，所以要把計算公式改為（max-x）/（min-max）。

標準化公式算出的資料在【0，1】之間，將資料×10，即得到10分制評分。

同理可得到使用者消費能力評分：

3。 評分加權

第1步我們已經得到了兩個維度的各個因素的評分，可以加和算出兩個維度的評分了。

但是，這些因素的重要性可能有所不同，為了得到更符合預期的資料，我們可以給這些因素加權。

那各項資料的權重如何確定呢？這裡介紹一種矩陣分析法。

以忠誠度為例，有3個因素，我們確定權重的步驟如下：

簡化為1/0式邏輯思維

專家投票表決，橫行比縱列重要時填“1”，反之填“0”

將每行數字相加

因為合計中可能存在數值為0的情況，為了便於計算，可以人為將合計中每一項數值+1。

某因素權重=（某因素新的重要性合計得分/所有因素新的重要性合計得分）×100%。

例如：購買頻率的權重=（3/6）×100%=50%。

有了各因素的評分和權重，即可得到各使用者的忠誠度加權評分。

忠誠度加權評分=最近購買時間評分×17%+購買頻率評分×50%+購買產品種類評分×33%。

同理可得到消費能力的加權評分，過程不再贅述。（若想得到使用者忠誠度和消費能力的綜合分數，也可先得到兩者的權重，再加和，方法同上）

4。 資料視覺化

上面我們已經得到了使用者的忠誠度加權評分和消費能力加權評分，現在只需將資料放入橫座標為忠誠度、縱座標為消費能力的座標軸，並以均值或其他條件劃分象限，即可得到我們想要的使用者價值分類了。

五、擴充套件：

以上忠誠度只列舉了部分購買因素（最近購買時間、購買頻率、購買產品種類），還有瀏覽因素（訪問間隔、訪問頻率、平均停留時長、平均瀏覽頁面數）等等，其中這兩類因素也可做出一套象限圖，從瀏覽資料和購買資料來區分使用者類別：

也可以結合多維資料，來得到更立體的使用者畫像，幫助我們更好的進行精準運營，更深入的挖掘使用者價值。

以上為《產品心經》部分章節的閱讀後總結及思考，感謝閆榮大大。

本文由 @脫糖 原創釋出於人人都是產品經理，未經許可，禁止轉載

題圖來自 Unsplash，基於 CC0 協議