基于网站用户行为的综合评价分析

2014-10-20张如云许波勇

微型电脑应用 2014年9期

张如云，许波勇

0 引言

在对网站用户行为[1]进行分析时，一般可从用户忠诚度的4个指标进行判断，但看到的仅是各指标的表现，无法对网站用户忠诚度的总体水平进行评价，因而需要对全部相关指标进行汇总，得出一个总评价。通常情况下，首先，对网站用户忠诚度的相关指标标准化，统一度量区间，然后，对所有相关指标评分取平均值，以同等的重要性对待所有指标，计算出忠诚度综合评分，但实际上不同指标对综合评分的影响是不同的，有些较重要，有些次之，因此，可选择AHP层次分析法来定义不同指标的权重。

1 AHP层次分析法

AHP，其中文名称是层次分析法，是20世纪70年代初美国运筹学家 T.L.Saaty教授于提出的，它是一种对定性问题进行定量化分析的多准则决策方法。其特点是通过把复杂问题中的各种因素划分为相互联系的有序层次，使之条理化，在对一定客观现实的主观判断前提下，将每个层次元素两两比较，再进行定量描述。然后，利用数学方法计算，从而反映每一层次元素的相对重要性次序的权值，计算所有层次之间的总排序，计算出所有元素的相对权重，最后，进行排序。该法主要适用于多目标决策，通常用在存在多个影响指标的情况下，对各方案的优劣程度进行评价。当一个决策受到多个要素的影响时，且各要素之间存在层次关系，或者存在明显的类别划分，同时无法通过足够的数据对各指标对最终评价的影响程度进行量化计算时，考虑该法就是一个最佳选择。

2 忠诚度评价层次模型的研究

2.1 忠诚度评分层次模型的建立

从网站用户的访问路径[2]分析，根据忠诚度的影响指标来设计层次模型，将其分为两层，上层是忠诚度，下层是评价忠诚度的4个相关指标，如图1所示：

图1 忠诚度评分层次模型

2.2 网站用户忠诚度对比矩阵算法分析

首先，构造一个对比矩阵，将底层的4个相关指标对忠诚度的影响权重计算出，然后，对需要赋权的同层各影响要素运用9标度进行两两比较。模型中的要素i相对于要素j对上层的重要程度，数字1表示i与j同等重要，数字3的含义是i比j略重要，数字5表示i比j重要，数字7表示i比j重要很多，数字9表示i比j极其重要，在此可用WiWj表示该重要程度，经过两两比较，就可得到用户忠诚度对比矩阵，如图2所示：

图2 网站用户忠诚度对比矩阵

接着计算出该矩阵对角线上方的各个比值，而该矩阵中对角线两边的对称元素互为倒数，并且对角线中所有元素的值都为1，因此，得到对角线一侧的数值就可计算出整个矩阵。矩阵的数值是两两比较所得结果，也许存在A元素比B元素重要，B元素比C元素重要，但C元素比A元素重要的情况，这就是所谓的矩阵的不一致性。因此，必须对比矩阵的一致性进行验证。通常情况下评价该矩阵的一致性可通过计算矩阵的最大特征值的方法实现，相关的指标有一致性指标CI、随机一致性指标RI和一致性比率CR（CR=CI/RI），当CR<0.1时，可认为该对比矩阵的一致性是可被接受的。如果矩阵的一致性满足其要求，则可以根据矩阵的最大特征值来进一步计算出对应的特征向量，并将特征向量标准化，使特征向量中各分量的和为1，再将其转化为权向量.这正是所期望的结果。

从图2中可以看出，对该忠诚度评分体系使用AHP层次分析法，计算出底层4个指标对忠诚度的影响权重：忠诚度评分=访问频率评分×0.4+最近访问间隔评分×0.25+平均停留时长评分×0.2+平均浏览页面数评分×0.15，得到影响指标的权重后，再通过加权求和的方式计算出最终的忠诚度评价，如表1所示：

表1 用户忠诚度加权评分

从表1可看出，通过加权的方式计算出用户忠诚度评分后，就可通过比较忠诚度评分来进行评价，哪个用户的忠诚度综合值较高、哪个较低，这样，电子商务网站就有了直接对用户进行取舍的依据。

以上虽然对用户的忠诚度做了评价，但仍无法体现用户创造的价值，而电子商务网站最想知道的就是对用户的综合价值的评价，例如，电子商务网站的用户也许具备一定的忠诚度，但如果只看不买，仍然不会给网站创造经济效益，因此需要对用户的价值输出做进一步评价，作为电子商务网站尤其应关注这一点。为了进一步将用户的价值输出[3]体现出来，在选择指标时需考虑与用户购买相关的指标，以下选择了5个指标供参考：（1）最近购买间隔：可取用户最近一次购买距当前的天数，该指标反映用户是否继续保持在网站消费；（2）购买频率：用户在一段时间内购买的次数，该指标重点反映用户的消费黏度；（3）购买商品种类：用户在一段时间内购买的商品种类或大类，该指标反映用户需求的广度；（4）平均每次消费额：用户在一段时间内的消费总额÷消费的次数，即客单价，该指标反映用户的平均消费能力；（5）单次最高消费额：用户在一段时间内购买的单次最高支付金额，该指标反映用户的支付承受能力和对网站的信任度。

3 基于用户价值雷达图的用户价值数据分析

以上 5个指标从不同的角度反映了用户的价值输出能力，并且是通过可量化统计得到的，但同样有时间区间的限制，因而需注意选择合适的时间段长度。为了能统一衡量标准，需对以上5个指标进行标准化处理，在此使用10分制的方式进行评价，然后再使用雷达图，如图3所示：

图3 用户价值雷达图

图3中的雷达图展现了3个用户各指标的数据，反映了用户的价值特征，根据每项指标的属性，可将用户的价值分为两块：1.用户的购买忠诚度：最近购买间隔、购买频率和购买商品种类用来表现；2.用户的消费能力：平均每次消费额和单次最高消费额，图3中框起来的两块区域，上半部分用于表示用户的购买忠诚度，下半部分用于表示用户的消费能力，从图3中3个用户的数据可以看出，用户3的整体价值较低，用户1和2的整体价值较高，而用户1的整体价值集中体现了较高的消费能力，用户2的整体价值则更多地体现了较高的购买忠诚度。

雷达图很好地展现了用户价值在不同指标中的体现，如果再结合层次分析法[4]，就可对用户的价值进行综合评价，基础的数据源于以上5个指标的评价结果，因此，使用AHP不仅可得到最终的用户价值评价，还可得到上面的购买忠诚度和消费能力这两方面的评价。

用AHP层次分析法构建了用户价值评价层次模型如图4所示：

图4 用户价值评价层次模型

底层有5项基础指标，中间层是用户价值的两个方面，分别对应各自的指标，最上层是用户的综合价值。在此使用3次AHP层次分析法来计算，主要考虑3种权重：1.购买忠诚度和消费能力两项指标对用户价值的影响权重；2.最近购买间隔、购买频率和购买产品种类3项指标对购买忠诚度的影响权重；3.平均每次消费额和单次最高消费额两项指标对消费能力的影响权重。