寫在前面:本文是筆者以往研究的經驗總結。由於涉及敏感數據,已作虛化與符號化處理,讀起來會有些費勁,但數字呈現並非主旨——本文側重用戶分層研究的方法,希望能提供一套做用戶分層的研究思路與操作流程。
本文討論的是「用戶分層」,有別於常規的用戶細分。最大的差別在於:分層是定序概念,各層之間存在遞進關係;而常規細分是定類概念,各類之間相對獨立。廣義而言,細分包含分層。
以下以集市賣家分層為例說明整個研究方法。根據過往賣家研究經驗,先選出參與分層的重要變量,再從 BI 提取 100 萬集市賣家的相關數據。
首先對 100 萬筆資料做清洗,考察各重要變量的分布情況。由於部分定距變量存在超出正常範圍的數值(如交易筆數、交易額),部分定序變量在兩端組的樣本過少(如賣家星級、店鋪類型),這些都不利於模型建構。因此將每個待分析變量細分為若干組,原則是:組數盡量多,使其與定距變量相當;每組的分布盡量落在正常範圍內,避免出現異常值。
接著把 100 萬筆資料隨機拆分為多個 60 萬的資料庫,分別進行後續分析,以檢驗所得指標的穩定性。
先對重要變量做因子分析,去除變量間的多重共線性。經多次嘗試,剔除支付寶交易量與交易額後結果更穩定,也更符合業務經驗。最終 KMO 值為 0.788,Bartlett 球形檢驗顯著,非常適宜做因子分析。共萃取出 6 個公因子,依序為 GMV 與星級、時長情況、訂購服務情況、旺鋪類型、實物商品、是否參加消保,累積方差貢獻率 90.4%,解釋力很強;變量原始矩陣與重構矩陣之間殘差大於 0.05 的比例為 10%,擬合效果也很好。
經多次驗證,整個因子分析非常穩定:前三個因子的累積方差貢獻率達 60%,為主要因子;後三個為 30%,屬次要因子。這與日常業務經驗相當吻合。

利用六個因子得分可算出每個樣本的因子綜合得分,各因子在總分中的佔比如下:

由於因子綜合得分是標準化值,先用(X − 最小值)/(最大值 − 最小值)轉為 0–100 的指數,再按指數高低並結合實際現狀分層:TOP1 為指數最高的 10%,TOP2 為次高的 20%,TOP3 為再次高的 30%,其餘為第四層,即最低的 40%。這種劃分簡單、數據穩定,便於實務應用。各組上下限如下表,這些門檻可以固定下來並逐步修正。

按 7:3 劃分為分析樣本與驗證樣本,用判別分析檢驗這四層結果,即以 6 個因子得分與層級做判別。所得判別函數對區分各層均有顯著貢獻,第一個判別函數解釋的方差貢獻率達 98.2%,為主函數。以組內共變異數矩陣計算,分析樣本與驗證樣本的正確率、交叉核實法的正確率均為 91.6%,水準相當高。
各層賣家在重要變量上均存在明顯差異,詳見下表:

再從六個因子中挑出解釋力較高的關鍵變量,並依實際業務經驗判斷是否合適,最終選定七個關鍵變量。將它們直接與層級做判別分析,第一主判別函數的方差貢獻率為 97.8%,以組內共變異數矩陣計算,分析樣本與驗證樣本的正確率、交叉核實法的正確率均為 85.0%,同樣達到很高水準。
為方便應用、簡化分層計算,用判別分析中確定的七個關鍵變量與因子綜合得分指數做回歸,以檢視其解釋力。
結果顯示,R、R Square、Adjusted R Square 分別為 0.985、0.970、0.970;殘差標準誤 2.709,屬較小水準;Durbin-Watson 值為 1.252,與 2 有一定差距,殘差獨立性尚可,綜合判斷模型解釋效果非常好。多重共線性方面,賣家星級的容忍度最小值為 0.39,第八個主成分的條件指數小於 15,顯示不存在嚴重的多重共線性。

經標準化偏迴歸係數與偏相關係數共同分析可知,開店時長、近三個月 GMV 金額、賣家星級對因子綜合得分指數的影響更為關鍵。
因子綜合得分指數 = a + b1×賣家星級分段 + b2×開店時長分段 + b3×近三個月 GMV 總金額分段 + b4×店鋪類型 + b5×是否主營實物 + b6×訂購服務個數分段 + b7×是否參加消保
因此,用這七個關鍵變量預測因子綜合得分指數非常合適:得到新的指數後,依前文的上下限門檻即可劃分賣家層級。
整個研究做下來,或許最有價值的是最終得到的迴歸方程。它解釋力很高,但仍缺少一些不易取得的重要變量,例如每月廣告投入金額(直通車、鑽石展位等),後續研究會逐步納入。這也說明:用戶分層研究考察的變量要盡可能周全,結果才更具參考價值。
另外,最終的分層結果顯得「平淡」——各層賣家在重要變量上基本是強者愈強、弱者愈弱,特色不明顯。這正是分層與細分的差別:分層更多體現的是趨勢性結果。後續可嘗試用不等機率抽樣減少部分樣本,例如發單量低的賣家佔絕大多數,可適度降低這部分樣本比例,某種程度上能平衡各重要變量在分層中的作用。
無論採用哪種樣本結構,最終都要在實務應用中檢驗效果,持續迭代優化。