0から1までのユーザー評価システムを構築する

Huahua は、e コマース企業の製品オペレーターです。新製品が発売されると、彼は通常、アクティビティを企画し、話題に乗ったり、マーケティングを行ったりします。しかし、こうした慣行は多くのフリーライダーを引き付けたものの、実際に獲得した顧客の数はごくわずかでした。

Huahua さんがこのことで頭を悩ませていたとき、同じグループの先輩である Doudou さんが、AHP と RFM を使用してユーザー評価システムを構築し、操作を微調整すれば良い結果が得られるかもしれないと提案してくれました。Huahua さんはとても嬉しくて、すぐに Baidu を使って検索しました。AHP と RFM とは一体何でしょうか?どうやって使うの？次回は著者が詳しくお話します。

1. AHPの重み設定

1. AHP とは何ですか?

階層分析法 (AHP) は、1970 年代半ばにアメリカのオペレーションズ研究者 Thomas L. Saaty によって提案されました。

AHP とは、意思決定に関わる要素を目標、基準、方法などのレベルに分解することを指します。主に定性的な問題の定量分析や意思決定に使用されます。

たとえば、eコマースプラットフォームでは、ユーザーの行動データに基づいてユーザーの包括的なスコアリングモデルを作成し、ロイヤルユーザー、アクティブユーザー、サイレントユーザーなどを識別し、各タイプのユーザーに対して洗練された操作を実行します。

2. AHPの基本原則

AHP の考え方は、構造が複雑であったり選択肢が多い場合に論理的推論エラーを回避するために、意思決定者の主観的な判断や推論と密接にリンクすること、つまり意思決定者の推論や判断プロセスを定量化することです。

具体的な手順は次のとおりです。

1) スコアリングシステムを確立する

ユーザー価値スコアリングシステムを構築し、さまざまなタイプのユーザーに対して洗練された運用を実行します。

目標を設定し、それに影響を与えるすべての要素をリストします。専門家によるスコアリングやユーザーアンケートなどの方法を使用することで、アクティビティ、ロイヤルティ、購買力など、すべての影響要因が 1 つずつリストされます。

2) 階層構造と判断マトリックスの構築

要因に影響を与える指標または計画をリストします。

ユーザーアクティビティに影響を与える指標には、ページビュー、滞在時間、閲覧した商品数、注文数などがあります。

ユーザーロイヤルティに影響を与える指標には、最新の訪問時間、訪問頻度、アクティブな評価の数などがあります。

ユーザーの購買力に影響を与える指標には、最高単一取引額、平均注文額、購入回数などがあります。

3) 重み係数を計算する

各指標層と基準層の指標重みをそれぞれ計算し、決定式を計算します（下図参照）。

4) 一貫性チェック

一貫性指標 CR<0.1 の場合は次の段階に進みます。それ以外の場合は、各指標の重みを再割り当てします (つまり、判断マトリックスを再構築します)。

5) 階層的ソート

階層ソートは、階層単一ソートと階層合計ソートに分けられます。いわゆる単一階層ランキングとは、前のレベルの要因に対するこのレベルの要因の重要性のランキングを指します。いわゆる合計階層ランキングとは、特定のレベルのすべての要因の合計目標の相対的な重要性のランキング重みを決定するプロセスを指します。

階層的なソートは最高レベルから最低レベルまで行われます。最高レベルの場合、そのレベルの単一ソートの結果は、合計ソートの結果でもあります。

3. 重みを決定する

1) 判断マトリックスを構築する

各レベルでの因子間の重みを決定する際に、結果が定性的なものだけである場合、通常は他者に容易に受け入れられません。そのため、Saaty は一貫性マトリックス法、つまり 2 つの因子を相互に比較し、異なる因子を相互に比較する際の困難さを最小限に抑える尺度を使用して精度を向上させる方法を提案しました。

適切なスケールを決定するために、すべての要素をペアで比較するために専門家のスコアリングが使用されました。階層構造を確立した後、要因と従属指標の重みを比較して、定性的から定量的への変換を実現します。たとえば、下の図に示すように、1-9 ポイントのスケーリング法を使用して、意思決定層のスコアリングマトリックス A を構築します。

実は、上記のスコアリングマトリックスは階層分析法における判定マトリックスなのです。

2) 一貫性テスト

一貫性チェックの目的は、A が B よりも重要、B が C よりも重要、C が A よりも重要であるという矛盾した状況を避けるために、各要素の重要性の調整をチェックすることです。

2. RFM計算スコア

1. RFM とは何ですか?

RFM モデルは、顧客価値と顧客収益性を測定するための重要なツールおよび手段です。

このモデルは、顧客の最近の購入行動（Recency）、全体的な購入頻度（Frequency）、消費額（Monetary）の3つの指標に基づいて顧客を複数のカテゴリに分類します。最終的に、さまざまなタイプの顧客の割合に基づいて顧客の全体的な分布を評価し（下図を参照）、さまざまなタイプの顧客に対してターゲットを絞ったマーケティングを実行します。

RFM ユーザー階層化モデルでは、重要な開発顧客はいくつのポイントを持っていますか?平均的な優良顧客はいくつのポイントを持っているでしょうか?著者は、2018年11月1日から2019年4月30日までの合計5か月間の電子商取引会社の取引データを利用します。プライバシーを保護するため、データは匿名化されています。

2. RFMモデルを構築する手順

1) データの取得とクリーニング

RFM モデルは主にユーザーの購買行動を分析するために使用されます。通常取得されるデータには、支払い時間、実際の支払い額、注文ステータスなどの情報が含まれます。データの一部を下の図に示します。

データを取得した後、null 値や外れ値などが存在する場合があります。このような汚れたデータは分析できないため、単純なデータクリーニングによって削除する必要があります。データクリーニングには、削除や平均補正などの外れ値処理と、ビジネスルールやセマンティック競合による検索などの外れ値の識別という 2 つの方法があります。

たとえば、トランザクションデータを取得した後、作成者は「発送時間」が空であることを発見しました。これはダーティデータであり、削除する必要があります。「注文ステータス」の対応する値は、「支払い後、ユーザーの払い戻しが成功し、トランザクションが自動的に終了しました」でした。払い戻しユーザーデータはモデルに含めるべきではなく、削除する必要があります。

クリーニング後、「配送時間」と「注文ステータス」をそれぞれフィルタリングします。このとき、「配送時間」が空であるか、注文ステータスが「支払い後、ユーザーが返金に成功し、取引が自動的に終了しました」であることがわかります。このタイプのデータはもう存在せず、フィルタリングされたことを示しています。

2) モデルを構築する

次に、著者は R、F、M の値を抽出する必要があります。R (前回の購入からの日数)、F (購入回数)、M (平均購入額) です。

ピボットテーブルを作成し、「購入者のニックネーム」をそれぞれ行の位置と値の位置にドラッグし、「購入者のニックネーム」をカウントして集計します。つまり、購入者による購入回数、つまり F 値を取得します。「支払い時期」を値の位置にドラッグして最大値に設定し、「実際の支払い額」を値の位置にドラッグして平均値、つまり M 値に設定します (下図を参照)。

最初にピボットされたデータを新しいテーブルにコピーし（「値と数値の形式」を選択して貼り付けます）、R の値を処理します。注文期限は 2019 年 4 月 30 日であるため、作成者はモデリング時間を 2019 年 5 月 1 日に設定し、5 月 1 日の顧客の最終支払いからの日数、つまり各顧客の R 値を次の図に示すように計算します。

RFM 計算方法を使用すると、すべての要因 (R、F、M) が 0 ～ 5 のスコア範囲にマッピングされます。

または、次の式を使用して正規化します (下図参照)。正の相関には最初の式を使用し、負の相関には 2 番目の式を使用します。R は、最後の購入間の時間間隔が短いほど重要であるため、負の相関に属します。 F と M は両方とも正の相関関係にあります。

正規化計算では、(X-Xmin)/平均(X)や(Xmax-X)/平均(X)も使用できます。実際のデータが均等に分布していない場合は、平均が偏る可能性があることに注意してください。たとえば、100万元を費やす人もいれば、1,000元を費やす人もいる場合、平均の偏差は大きくなります。そのため、三分位、中央値、または(Xmax-Xmin)を使用して正規化を行うことができます。

取得されたデータフィールドが限られているため、指標レイヤーを介して基準レイヤーの重みを取得することは不可能です。そのため、AHP によって直接計算されたアクティビティ、ロイヤルティ、購買力の重みはそれぞれ 0.64339、0.28284、0.07377 になります。

次の図に示すように、標準化されたデータと一定の重みを持つユーザー値が取得されます。

R、F、M、ユーザーの値は 0 と 1 に分けられ、平均より大きい場合は 1、そうでない場合は 0 となり、下図に示すように 16 種類のユーザータイプが生成されます。

ユーザータイプをデータに代入すると、結果の一部が次の図に示されます。

3. モデルの可視化

1) 各タイプの顧客の割合を分析する

完成した RFM モデルテーブルをピボットし、「顧客タイプ」を行領域にドラッグしてから、「顧客タイプ」を値領域に 2 回ドラッグします。最初のドラッグはカウント用で、2 回目のドラッグは顧客比率を表示するためです (下図を参照)。

以下のように、さまざまな顧客タイプのユーザーの割合をより明確に確認するための図を描きます。

2) 顧客金額の割合を分析する

RFM モデルテーブルをピボットし、「顧客タイプ」を行領域にドラッグしてから、「累積金額」を値領域に 2 回ドラッグします。 1 回目は各顧客タイプの累積消費量を計算し、2 回目は各顧客タイプの金額の割合を表示します (下図を参照)。

以下のように、グラフを描いて、さまざまな顧客タイプの金額の割合をより明確に表示します。

3. まとめと提案

1）各タイプの顧客の割合から、一般的なリテンション顧客（0000）の数が最も多く、8725人に達し、全体の34.52％を占めていることがわかります。このタイプの顧客は最近購入しておらず、購入頻度は平均よりも低く、平均注文金額は比較的低く、ユーザー価値も低いです。彼らは2018年のダブル11の前後に注文をしており、価格に敏感な顧客であるため、プロモーション活動（国慶節、子供の日など）中に彼らを目覚めさせようとすることができます。

2) 二次重要継続顧客（0010）は、最近商品を購入しておらず、消費頻度が低く、消費金額が大きい顧客であり、その数は6,905人で、総数の27.16％を占め、支払金額が最も高い割合を占めています。つまり、商店の売上貢献度が最も高い顧客群は、注文先が遠く、購入頻度が低く、赤字に陥っています。しかし、二次一般継続顧客とは異なり、このタイプの顧客は平均売上高が高いです。

このような顧客の場合、オペレーションスタッフは顧客の連絡先情報を入手し、再訪問して休眠状態にある理由を尋ねたり、商品自体が再購入率が低く消費量比率が高い商品であったり、商品自体から始めて顧客の購入時期と商品の再購入日を比較し、最後に購入した商品が使い切られていないか確認したりする必要があります。

3) 重要な発展顧客（1011）：最近購入し、購入頻度が低く、消費額が大きく、ユーザー価値が高い顧客は2614人で、顧客総数の20.28％を占め、支払額が比較的高い。これらの顧客は通常、新規顧客です。

このような顧客に対して、最近では運営スタッフがテキストメッセージのプッシュやクーポンの配布などを適切に行い、購入頻度を高め、このタイプのユーザーのロイヤルティの向上に努め、最終的には重要な価値ある顧客へと変えていくことを目指しています。

著者: データパーソンの私有地

出典: データ担当者の私有地

<<: Bilibili 2021 マーケティングガイド

>>: イレンの金儲けの方法 - 小さな秘密の輪第6号