運營數據分析賦予權重方法

A. 如何做好權重質量分的優化

淘寶搜索流量主要從關鍵詞進入，上位流量自然上升，搜索流量上升代表某個關鍵詞的產品排名上升。排名上升的方法只是從直通車的角度來考慮，直通車的權重上升與點擊量和點擊率的量級有很大關系，其他因素也有關系，但轉化率等影響不大。開車容易，開車難，怎麼開車，不讓情況越來越差？首先，讓我們談談更值得注意的事情。

在駕駛方面
進入流量時，會影響你的店鋪標簽和產品標簽，影響可能是正向的，也可能是負向的，正確的不管什麼神的操作，最重要的基礎一定要做好，基礎做好的想法逐漸明確。否則，一切都會混亂，沒有任何意義，結果也無法估量。
二、提高直通車質量分:
，首先分析影響直通車質量分的幾個因素:創造性質量、相關性和購買者購物體驗。
。創意品質
。圖片的創意和觀賞性
不同角度的視角有不同的效果，如果想讓買方知道的慾望，通過照片的細節和細節，賣方會覺得可靠。另外，推進圖必須具有一定的創造性。千篇一律是普通的，要抓住產品的各個點，抓住買方需要的點。
圖像的清晰度足夠高
購買者想買你的東西，你的推廣圖太模糊，這在一定程度上影響了購買者，不能說是轉換了。而且，既然能看到什麼，為什麼不高度明確，不要想什麼模糊的感覺，明確度高也說明店鋪的水平，買家也覺得可靠。
要強調寶物的賣點
最重要的是，賣點不太追求精緻，你寶物的賣點可能有十幾個或幾十個，但是抓住的點太多的話，買方會感到誇張或不太真實，所以抓住賣點最主要的幾個
。關聯性
關鍵詞關聯性也很重要，主要從類別和屬性方面進行分析，利用數據進行分析，找到適合自己產品的關鍵詞是最好的。
3。購買者體驗
說到購買者體驗，相關因素比較多，轉化率、收藏購買和呼叫等因素對購買者體驗的維度有影響。從買方的角度來看，如果嬰兒本身在價格、圖片細節和收藏方面有一定的優勢，點擊和交易的可能性仍然很高，隨之因素會正向增加，買方體驗必須做得更好。
今天主要簡單分享質量點，實際上想經營店鋪，產品、投資等各個方面都是必不可少的，需要自己的技術，了解各方面的合理優化，促進店鋪的更好發展。如果你想走在競爭對手面前，你必須了解你的朋友和你自己，規則會改變，數據會改變，所以你需要有能力結合數據分析和調整。
推薦閱讀:
。這十種提高淘寶運營權重的方法
是什麼？提高淘寶的權利從什麼方面開始？
權重值是什麼意思，提升淘寶權重的有效方法
<p

B. 不知道怎樣計算權重告訴你8種確定權重方法

計算權重是一種常見的分析方法，在實際研究中，需要結合數據的特徵情況進行選擇，比如數據之間的波動性是一種信息量，那麼可考慮使用CRITIC權重法或信息量權重法；也或者專家打分數據，那麼可使用AHP層次法或優序圖法。

本文列出常見的權重計算方法，並且對比各類權重計演算法的思想和大概原理，使用條件等，便於研究人員選擇出科學的權重計算方法。

首先列出常見的8類權重計算方法，如下表所示：

這8類權重計算的原理各不相同，結合各類方法計算權重的原理大致上可分成4類，分別如下：

第一類、信息濃縮 (因子分析和主成分分析)

計算權重時，因子分析法和主成分法均可計算權重，而且利用的原理完全一模一樣，都是利用信息濃縮的思想。因子分析法和主成分法的區別在於，因子分析法加帶了『旋轉』的功能，而主成分法目的更多是濃縮信息。

『旋轉』功能可以讓因子更具有解釋意義，如果希望提取出的因子具有可解釋性，一般使用因子分析法更多；並非說主成分出來的結果就完全沒有可解釋性，只是有時候其解釋性相對較差而已，但其計算更快，因而受到廣泛的應用。

比如有14個分析項，該14項可以濃縮成4個方面(也稱因子或主成分)，此時該4個方面分別的權重是多少呢？此即為因子分析或主成分法計算權重的原理，它利用信息量提取的原理，將14項濃縮成4個方面（因子或主成分），每個因子或主成分提取出的信息量（方差解釋率）即可用於計算權重。接下來以SPSSAU為例講解具體使用因子分析法計算權重。

如果說預期14項可分為4個因子，那麼可主動設置提取出4個因子，相當於14句話可濃縮成4個關鍵詞。

但有的時候並不知曉到底應該多少個因子更適合，此時可結合軟體自動推薦的結果和專業知識綜合進行判斷。點擊SPSSAU『開始分析』後，輸出關鍵表格結果如下：

上表格中黃色底紋為『旋轉前方差解釋率』，其為沒有旋轉前的結果，實質上就是主成分的結果。如果是使用因子分析，一般使用『旋轉後方差解釋率』對應的結果。

結果中方差解釋率%表示每個因子提取的信息量，比如第1個因子提取信息量為22.3%，第2個因子為21.862%，第3個因子為18.051%，第4個因子為10.931%。並且4個因子累積提取的信息量為73.145%。

那麼當前4個因子可以表述14項，而且4個因子提取出14項的累積信息量為73.145%。現希望得到4個因子分別的權重，此時可利用歸一化處理，即相當於4個因子全部代表了整體14項，那麼第1個因子的信息量為22.3%/73.145%=30.49%；類似的第2個因子為21.862%/73.145%=29.89%；第3個因子為18.051%/73.145%=24.68%；第4個因子為10.931%/73.145%=14.94%。

如果是使用主成分法進行權重計算，其原理也類似，事實上結果上就是『旋轉前方差解釋率』值的對應計算即可。

使用濃縮信息的原理進行權重計算時，只能得到各個因子的權重，無法得到具體每個分析項的權重，此時可繼續結合後續的權重方法（通常是熵值法），得到具體各項的權重，然後匯總在一起，最終構建出權重體系。

通過因子分析或主成分分析進行權重計算的核心點即得到方差解釋率值，但在得到權重前，事實上還有較多的准備工作，比如本例子中提取出4個因子，為什麼是4個不是5個或者6個；這是結合專業知識和分析方法提取的其它指標進行了判斷；以及有的時候某些分析項並不適合進行分析，還需要進行刪除處理後才能進行分析等，此類准備工作是在分析前准備好，具體可參考SPSSAU幫助手冊裡面有具體的實際案例和視頻說明等。

第二類、數字相對大小 (AHP層次法和優序圖法)

計算權重的第二類方法原理是利用數字相對大小，數字越大其權重會相對越高。此類原理的代表性方法為AHP層次法和優序圖法。

1. AHP層次法

AHP層次分析法的第一步是構建判斷矩陣，即建立一個表格，表格裡面表述了分析項的相對重要性大小。比如選擇旅遊景點時共有4個考慮因素，分別是景色，門票，交通和擁護度，那麼此4個因素的相對重要性構建出判斷矩陣如下表：

表格中數字代表相對重要的大小，比如門票和景色的數字為3分，其說明門票相對於景色來講，門票更加重要。當然反過來，景色相對於門票就更不重要，因此得分為1/3=0.3333分。

AHP層次分析法正是利用了數字大小的相對性，數字越大越重要權重會越高的原理，最終計算得到每個因素的重要性。AHP層次分析法一般用於專家打分，直接讓多位專家（一般是4~7個）提供相對重要性的打分判斷矩陣，然後進行匯總（一般是去掉最大值和最小值，然後計算平均值得到最終的判斷矩陣，最終計算得到各因素的權重。

SPSSAU共有兩個按鍵可進行AHP層次分析法計算。

如果是問卷數據，比如本例中共有4個因素，問卷中可以直接問「景色的重要性多大？」，「門票的重要性多大？」，「交通的重要性多大？」，「擁護度的重要性多大？」。可使用SPSSAU【問卷研究】--【權重】，系統會自動計算平均值，然後直接利用平均值大小相除得到相對重要性大小，即自動計算得到判斷矩陣而不需要研究人員手工輸入。

如果是使用【綜合評價】--【AHP層次分析法】，研究人員需要自己手工輸入判斷矩陣。

2. 優序圖法

除了AHP層次分析法外，優序圖法也是利用數字的相對大小進行權重計算。

數字相對更大時編碼為1，數字完全相同為0.5，數字相對更我碼為0。然後利用求和且歸一化的方法計算得到權重。比如當前有9個指標，而且都有9個指標的平均值，9個指標兩兩之間的相對大小可以進行對比，並且SPSSAU會自動建立優序圖權重計算表並且計算權重，如下表格：

上表格中數字0表示相對不重要，數字1表示相對更重要，數字0.5表示一樣重要。比如指標2的平均值為3.967，指標1的平均值是4.1，因此指標1不如指標2重要；指標4的平均值為4.3，重要性高於指標1。也或者指標7和指標9的平均得發均為4.133分，因此它們的重要性一樣，記為0.5。結合上面最關鍵的優序圖權重計算表，然後得到各個具體指標（因素）的權重值。

優序圖法適用於專家打分法，專家只需要對每個指標的重要性打分即可，然後讓軟體SPSSAU直接結合重要性打分值計算出相對重要性指標表格，最終計算得到權重。

優序圖法和AHP法的思想上基本一致，均是利用了數字的相對重要性大小計算。一般在問卷研究和專家打分時，使用AHP層次分析法或優序圖法較多。

第三類、信息量 (熵值法)

計算權重可以利用信息濃縮，也可利用數字相對重要性大小，除此之外，還可利用信息量的多少，即數據攜帶的信息量大小（物理學上的熵值原理）進行權重計算。

熵值是不確定性的一種度量。信息量越大，不確定性就越小，熵也就越小；信息量越小，不確定性越大，熵也越大。因而利用熵值攜帶的信息進行權重計算，結合各項指標的變異程度，利用信息熵這個工具，計算出各項指標的權重，為多指標綜合評價提供依據。

在實際研究中，通常情況下是先進行信息濃縮法（因子或主成分法）得到因子或主成分的權重，即得到高維度的權重，然後想得到具體每項的權重時，可使用熵值法進行計算。

SPSSAU在【綜合評價】模塊中提供此方法，其計算也較為簡單易懂，直接把分析項放在框中即可得到具體的權重值。

第四類、數據波動性或相關性 (CRITIC、獨立性和信息量權重)

可利用因子或主成分法對信息進行濃縮，也可以利用數字相對大小進行AHP或優序圖法分析得到權重，還可利用物理學上的熵值原理（即信息量攜帶多少）的方法得到權重。除此之外，數據之間的波動性大小也是一種信息，也或者數據之間的相關關系大小，也是一種信息，可利用數據波動性大小或數據相關關系大小計算權重。

1. CRITIC權重法

CRITIC權重法是一種客觀賦權法。其思想在於用兩項指標，分別是對比強度和沖突性指標。對比強度使用標准差進行表示，如果數據標准差越大說明波動越大，權重會越高；沖突性使用相關系數進行表示，如果指標之間的相關系數值越大，說明沖突性越小，那麼其權重也就越低。權重計算時，對比強度與沖突性指標相乘，並且進行歸一化處理，即得到最終的權重。使用SPSSAU時，自動會建立對比強度和沖突性指標，並且計算得到權重值。

CRITIC權重法適用於這樣一類數據，即數據穩定性可視作一種信息，並且分析的指標或因素之間有著一定的關聯關系時。比如醫院裡面的指標：出院人數、入出院診斷符合率、治療有效率、平均床位使用率、病床周轉次數共5個指標；此5個指標的穩定性是一種信息，而且此5個指標之間本身就可能有著相關性。因此CRITIC權重法剛好利用數據的波動性（對比強度）和相關性（沖突性）進行權重計算。

SPSSAU綜合評價裡面提供CRITIC權重法，如下圖所示：

2. 獨立性權重法

獨立性權重法是一種客觀賦權法。其思想在於利用指標之間的共線性強弱來確定權重。如果說某指標與其它指標的相關性很強，說明信息有著較大的重疊，意味著該指標的權重會比較低，反之如果說某指標與其它指標的相關性較弱，那麼說明該指標攜帶的信息量較大，該指標應該賦予更高的權重。

獨立性權重法僅僅只考慮了數據之間相關性，其計算方式是使用回歸分析得到的復相關系數R 值來表示共線性強弱（即相關性強弱），該值越大說明共線性越強，權重會越低。比如有5個指標，那麼指標1作為因變數，其餘4個指標作為自變數進行回歸分析，就會得到復相關系數R 值，餘下4個指標重復進行即可。計算權重時，首先得到復相關系數R 值的倒數即1/R ，然後將值進行歸一化即得到權重。

比如某企業計劃招聘5名研究崗位人員，應聘人員共有30名，企業進行了五門專業方面的筆試，並且記錄下30名應聘者的成績。由於專業課成績具有信息重疊，因此不能簡單的直接把成績加和用於評價應聘者的專業素質。因此使用獨立性權重進行計算，便於得到更加科學客觀的評價，選出最適合的應聘者。

SPSSAU綜合評價裡面提供獨立性權重法，如下圖所示：

3. 信息量權重法

信息量權重法也稱變異系數法，信息量權重法是一種客觀賦權法。其思想在於利用數據的變異系數進行權重賦值，如果變異系數越大，說明其攜帶的信息越大，因而權重也會越大，此種方法適用於專家打分、或者面試官進行面試打分時對評價對象（面試者）進行綜合評價。

比如有5個水平差不多的面試官對10個面試者進行打分，如果說某個面試官對面試者打分數據變異系數值較小，說明該面試官對所有面試者的評價都基本一致，因而其攜帶信息較小，權重也會較低；反之如果某個面試官對面試者打分數據變異系數值較大，說明該面試官對所有面試者的評價差異較大，因而其攜帶信息大，權重也會較高。

SPSSAU綜合評價裡面提供信息量權重法，如下圖所示：

 對應方法的案例說明、結果解讀這里不再一一詳述，有興趣可以參考SPSSAU幫助手冊。

C. 產品運營要用哪些數據分析方法

在產品運營優化方面，數據分析是其核心，一般常用如下數據分析方法：

1 細分分析

細分分析是分析的基礎，單一維度下的指標數據的信息價值很低。細分方法可以分為兩類，一類逐步分析，比如：來北京市的訪客可分為朝陽，海淀等區;另一類是維度交叉，如：來自付費SEM的新訪客。

2 對比分析

對比分析主要是指將兩個相互聯系的指標數據進行比較，從數量上展示和說明研究對象的規模大小，水平高低，速度快慢等相對數值，通過相同維度下的指標對比，可以發現，找出業務在不同階段的問題。

常見的對比方法包括：時間對比，空間對比，標准對比。

3 漏斗分析

轉化漏斗分析是業務分析的基本模型，最常見的是把最終的轉化設置為某種目的的實現，最典型的就是完成交易。但也可以是其他任何目的的實現，比如一次使用app的時間超過10分鍾。

漏斗幫助我們解決兩方面的問題：在一個過程中是否發生泄漏，如果有泄漏，我們能在漏斗中看到，並且能夠通過進一步的分析堵住這個泄漏點；在一個過程中是否出現了其他不應該出現的過程，造成轉化主進程收到損害。

4用戶分析

用戶分析是互聯網運營的核心，常用的分析方法包括：活躍分析，留存分析，用戶分群，用戶畫像，用戶細查等。用戶畫像基於自動標簽系統將用戶完整的畫像描繪清晰，更有力的支撐運營決策。

5 表單分析

填寫表單是每個平台與用戶交互的必備環節，優秀的表單設計，對轉化率的提升起到重要作用。

用戶從進入表單頁面之時起，就產生了微漏斗，從進入總人數到最終完成並成功提交表單人數，這個過程之中，有多少人開始填寫表單，填寫表單時，遇到了什麼困難導致無法完成表單，都影響最終的轉化效果。

以上是常見的數據分析方法，更多應用方法需要根據業務場景靈活應用。

D. 運營數據分析怎麼做

1、明確分析的目的和思路

運營是靠目標驅動，做事情帶有很強的目的性，同樣地，在數據分析方面也同樣遵循這個原則。對數據進行分析，最終的目的是什麼?我想要解決什麼樣的問題。

2、數據收集

運營數據收集，越詳細越好，所以在要求前期進行數據統計的時候就需要有關大局觀，將後期數據分析可能會用到的數據盡可能多地收集起來，以方便後期進行數據分析。

3、數據處理

對收集到的數據進行加工整理，形成適合數據分析的樣式，從大量的，雜亂無章、難以理解的數據中，抽取並推導出對於解決問題有價值，有意義的數據。包括數據清洗，數據轉化、數據提取以及數據計算等處理方法。

4、數據分析

運用適當的數據分析的方法和工具，對處理過的數據進行分析，提取有價值的信息，形成有效結論。

5、數據展現

對數據進行可視化地展現，盡可能地多用圖標、趨勢圖、餅圖等形式進行說明和解釋，能夠直觀地傳達出數據分析的結果和觀點。如果是最終數據是供自己參考，那麼在數據展現時，能夠清楚地了解到自己想要的數據，能夠從數據中得到一定的啟發即可。

如果是需要供領導作決策和參考，則需要表現數據的可視化，在數據圖標中做進一步的分析和說明。

6、撰寫報告，提出解決方案

如果是自己進行數據分析，則對數據進行分析處理後，發現數據變化的原因，並提出解決出現這個數據的解決辦法，投入優化和使用中。在多次測試中，找到解決問題的最優解。

E. 網站分析數據指標權重的方法有哪些

站長工具基本就可以勝任了，對關鍵詞、內鏈、外鏈以及收錄、網站的權重等都有分析報告。

F. 數據分析：數據量較大的情況下，不同維度的數據怎麼通過模糊加權得到商品的綜合權重

這是個權重確定的問題吧，一般來說，權重確定主要是兩種方法，主觀法：也就是專家法，通過不同人對權重的認可度確定每個指標的權重。客觀法。比如熵權法，通過數據的變化對結果的影響客觀的反應數據的重要性。還有層次分析法等，希望對你有幫助！

G. 除了主成分分析法還有什麼確定多變數權重的方法

權重計算的確定方法在綜合評價中重中之重，不同的方法對應的計算原理並不相同。在實際分析過程中，應結合數據特徵及專業知識選擇適合的權重計算。

• 第一類為AHP層次法和優序圖法；此類方法利用數字的相對大小信息進行權重計算；此類方法為主觀賦值法，通常需要由專家打分或通過問卷調研的方式，得到各指標重要性的打分情況，得分越高，指標權重越大。

此類方法適合於多種領域。比如想構建一個員工績效評價體系，指標包括工作態度、學習能力、工作能力、團隊協作。通過專家打分計算權重，得到每個指標的權重，並代入員工數據，即可得到每個員工的綜合得分情況。

• 第二類為熵值法（熵權法）；此類方法利用數據熵值信息即信息量大小進行權重計算。此類方法適用於數據之間有波動，同時會將數據波動作為一種信息的方法。

比如收集各地區的某年份的經濟指標數據，包括產品銷售率（X1）、資金利潤率（X2）、成本費用利潤率（X3）、勞動生產率（X4）、流動資金周轉次數（X5），用熵值法計算出各指標權重，再對各地區經濟效益進行比較。

• 第三類為CRITIC、獨立性權重和信息量權重；此類方法主要是利用數據的波動性或者數據之間的相關關系情況進行權重計算。

比如研究利用某省醫院2011年共計5個科室的數據指標（共計6個指標數據）進行CRITIC權重計算，最終可得到出院人數、入出院診斷符合率、治療有效率、平均床位使用率、病床周轉次數、出院者平均住院日這6個指標的權重。如果希望針對各個科室進行計算綜合得分，那麼可以直接將權重與自身的數據進行相乘累加即可，分值越高代表該科室評價越高。

• 第四類為因子分析和主成分法；此類方法利用了數據的信息濃縮原理，利用方差解釋率進行權重計算。

比如對30個地區的經濟發展情況的8項指標作主成分分析，主成分分析法可以將8個指標濃縮為幾個綜合指標（主成分），用這些指標（主成分）反映原來指標的信息，同時利用方差解釋率得出各個主成分的權重。

H. 如何設定指標權重

考核指標權重的分配，大都是憑人為經驗判定，但也不能隨意拍腦袋，通常也得遵循一般的規律和原則：
1、一般一個崗位的考核指標有5~8個，而每一指標的權重一般設定在5~30%之間，不能太高，也不能太低，如果某個指標的權重太高，可能會使員工只關注高權重指標而忽略其它，而如果權重過低，則引不起他的足夠重視而放棄這個指標，這個指標就沒有意義了。
2、越是高層的崗位，他所承擔的財務性經營指標和業績指標的權重就越大；越是低層的崗位，所承擔的流程類指標的權重就越小，而工作結果類指標的權重越大。
3、對於多數崗位來說，根據指標「定量為主，定性為輔，先定量後定性」的制訂原則，一般優先設定定量類指標權重，而且定量類指標總權重要大於定性類指標權重。
4、根據20/80法則，通常最重要的指標往往只有那麼兩三個，如果有1個，那麼其權重一般要超60%；如果有2個，那麼一般每個指標權重都在30%以上；如果有3個，那麼每個指標權重一般在20%以上。
5、為了便於計算和比較，指標權重一般都為5%的倍數，最小為5%，太小就無意義了。設立指標權重的方法有「簡單排序編碼法（人為賦編碼值，過於簡單主觀）、倍數環比法（需要有
歷史數據的支撐）、優序對比法（比較實用）、層次分析法（太過復雜）」等，根據我們的實操經驗，我們用得最多的是採用德爾菲法和兩兩對比法結合的方式來確定指標權重。具體操作時我們會請該崗位的任職者、上下游同事代表、直屬上司、部門負責人、HR和公司績效委員會成員代表組成專家組，按如下步驟來進行：
第一步，先對指標的重要性進行兩兩比較，排序，得出票數最高的指標排序組合方式即為指標的重要程度最終次序。重要程度越高，排在越前面，權重相應就越大，反之亦然。
第二步，根據指標權重的設置原則，由專家組成員對各指標所佔權重進行設定，然後由HR進行
匯總平均並將該結果反饋給各「專家」，然後，專家根據這一反饋結果，對各自設定的指標權重進行調整，最後由HR負責匯總平均（取整數），即為最終的指標權重。這其中，HR會盡量收集更多的歷史數據和組織戰略目標要求供「專家」借鑒參考，並在評定前對專家進行「權重設置的普遍規律和原則」的相關培訓。
因此，即使是人為憑經驗確定指標權重，也要有所根據和規律，由跟被考核崗位密切相關的多人進行綜合評議決定，而不是交給一個人隨意拍腦袋。

I. 運營數據如何進行分析

1、明確分析的目的和思路

運營是靠目標驅動，做事情帶有很強的目的性，同樣地，在數據分析方面也同樣遵循這個原則。對數據進行分析，最終的目的是什麼?我想要解決什麼樣的問題。

2、數據收集

運營數據收集，越詳細越好，所以在要求前期進行數據統計的時候就需要有關大局觀，將後期數據分析可能會用到的數據盡可能多地收集起來，以方便後期進行數據分析。

3、數據處理

對收集到的數據進行加工整理，形成適合數據分析的樣式，從大量的，雜亂無章、難以理解的數據中，抽取並推導出對於解決問題有價值，有意義的數據。包括數據清洗，數據轉化、數據提取以及數據計算等處理方法。

4、數據分析

運用適當的數據分析的方法和工具，對處理過的數據進行分析，提取有價值的信息，形成有效結論。

5、數據展現

對數據進行可視化地展現，盡可能地多用圖標、趨勢圖、餅圖等形式進行說明和解釋，能夠直觀地傳達出數據分析的結果和觀點。如果是最終數據是供自己參考，那麼在數據展現時，能夠清楚地了解到自己想要的數據，能夠從數據中得到一定的啟發即可。

如果是需要供領導作決策和參考，則需要表現數據的可視化，在數據圖標中做進一步的分析和說明。

6、撰寫報告，提出解決方案

如果是自己進行數據分析，則對數據進行分析處理後，發現數據變化的原因，並提出解決出現這個數據的解決辦法，投入優化和使用中。在多次測試中，找到解決問題的最優解。