利用層次分析法計算掘金用戶掘力值

前言

瀏覽如何使用掘金社區時看到掘金計算用戶掘力值的公式爲：

公式雖然簡單，可是表達的信息量仍是很豐富的：

1. 在計算 JP 時，
2. 全部用戶無差異看待
3. 用戶的長期表現能夠影響 JP 但不影響 JP 的計算

該計算方式存在如下幾點不足：

1. 瀏覽了掘金數篇優質文章，這些文章的 viewsCount/likesCount 均小於 100 。這致使優質文章的 viewsCount 貢獻的 JP 值低於博眼球的文章 viewsCount 貢獻的 JP 值。（主觀判斷）
2. 持續在掘金大批量更新文章，即便 likesCount 數不高，但由於 viewsCount 數累積因此 JP 值高。有靠量刷 JP 值的可能性。
3. 不一樣領域文章收穫的掘力值差別巨大。
4. 不產生內容的用戶沒法獲得掘力值。

尤爲第四點不足，結合掘金對掘力值的定義

在掘金裏咱們會使用掘力值來計算一個掘友在掘金社區的累計貢獻值，累計貢獻值的目的是爲了更好地回饋優質的用戶，同時也藉由他們生產的優質內容幫助到更多的掘友們。

彷佛能夠猜想：在掘金看來，不產生內容的用戶就不是掘友，至少不是優質掘友。

從新思考掘力值

根據掘金的定義：使用掘力值來計算一個掘友在掘金社區的累計貢獻值。剔除累計二字，掘力值應該等於咱們一般說的用戶價值。從這一層面思考，問題變得簡單了。

用戶價值模型在電商很廣泛。主要利用下面幾個維度的數據進行計算：

用戶價值由三個部分組成：

• 用戶活躍度
• 用戶購買忠誠度
• 用戶消費能力

其中用戶活躍度的指標爲：

• 平均回話的 PV 數
• 平均訪問時長
• 一週內的訪問次數
• 進入訂單填寫頁次數

用戶購買忠誠度的指標爲：

• 最後一次購買間隔
• 購買頻率
• 交叉類別購買

用戶消費能力的指標爲：

• 近半年購買總金額
• 近半年客單價
• 近半年訂單數
• 城市分佈

借用電商領域的用戶價值模型，對其中一些指標結合掘金平臺現狀進行調整，能夠設計出一套更合理的評價 JP 值的模型。

根據電商的用戶價值模型改造的 JP 值模型

JP 值由掘友活躍度、掘友忠誠度、掘友內容生產能力三部分組成。

掘友活躍度能夠馬上彌補現有 JP 值計算公式的第四點不足。而掘友忠誠度和掘友內容生產能力依舊緊扣內容生產，不脫離掘金社區的總體需求。

內容生產能力若是加上快速瀏覽用戶比率，能夠更強硬的剔除標題黨。

與運營專家合做

顯而易見的事實是，JP 值計算模型中各維度對 JP 值的權重在不一樣的人眼中、企業的不一樣的運營階段都不一樣。所以須要先計算各維度的權重。

首先請運營專家/產品專家填四個表格：

空格行Am，列An依據填表人經驗填入 Am 指標是 An 指標重要程度的多少倍。好比運營專家認爲現階段掘金社區用戶的每週訪問頻率(A3)是平均回話 PV 數(A1)重要程度的1/3，那麼就在 行A3，列A1處填入1/3。對應的行A1,列A3即爲3。

填完後的表格相似以下：

很是明顯且常見的錯誤及糾正方法

運營專家填寫完的表格如上，觀察運營專家的表格會發現：

A2 重要程度是 A1 的兩倍，A3 重要程度是 A2 的五倍。那麼 A3 重要程度應該是 A1 的十五倍。運營專家給出的意見，A3 的重要程度是 A1 的1/3。明顯不符合邏輯。所以，咱們須要判斷表格所給矩陣的一致性。

一致矩陣是指，矩陣中任意 i,j,k 均知足 Cij * Cjk = Cik。這樣的矩陣確保不會出現 A 比 B 重要，B 比 C 重要，A 卻沒有 C 重要的經驗判斷錯誤。

判斷矩陣的一致性方法以下：

1. 計算矩陣的最大特徵值 。
2. 計算統計量 CI

3. 根據矩陣階數查詢平均一致性指標 RI

4. 計算隨機一致性比率 CR

當 CR <= 0.1 時，咱們認爲矩陣的一致性較好，採用該矩陣。不然就須要與運營專家/產品專家溝通，對錶格內的數據進行調整。

計算各維度權重

當上面四個表格表明的矩陣都經過一致性檢驗以後，就能夠計算各個維度相對於其上個維度的權重了。

利用方根法計算權重的方法以下：

1. 將矩陣的各行元素相乘獲得一個新的列向量。
2. 將新向量的各個元素開 n 次方（n爲矩陣的階數）。
3. 將所得向量歸一化。

權重向量公式：

將全部表格對應矩陣一一代入權重向量公式，能夠獲得四個權重向量： 。

最後，咱們會獲得一個 JP 值的計算公式：

應用中的細節

1. 各個指標在計算時須要進行歸一化處理
2. 目前的模型使用的維度多爲均值，JP 值是一個隨時間在必定區間範圍內任意變化的值，沒有累積效果。若是想恢復累積效果，須要採用維度的累積值。