商业数据洞察分析——层次分析法

一、日常生活中的数据分析

当你第一次使用支付宝花呗的时候，花呗会给你一个信用额度，有人是5000，有人是50000，这个信用额度是怎么评估的呢？当你预订机票和酒店的时候，价格经常都会变动，平台和商家是根据什么来调整价格，获得最大的收益呢？

尽管你是第一次使用花呗，但是花呗已经有超过5亿的用户使用。绝大部分用户都能够按时还清贷款，但有一小部分用户做不到。花呗要判断的是你是更像那些会正常还款的用户，还是不能到期还款的用户。所以花呗会把你的支付宝交易记录，实名注册时提供的身份信息，结合其他可以获得的借贷记录、财产信息、亲戚朋友的关系信息，同已经使用花呗的用户进行庞大数据库进行比对，从而对你的还款能力进行评估，给出信用额度。

在预定机票的时候，我们会发现同样来回两个地方，在不同的日期，机票价格会有很大差异，在同一天内，早晚班次的飞机也比其他时段要便宜。导致这些价格变动的原因，是因为航空公司根据大量的机票历史销售数据，来预测未来的机票销售情况。这些预测将会输入到复杂的优化模型中，来确定每条航线的最优票价，让售价和售出数量的乘积 —— 即该班次的总收入达到最大化。

上述种种商业场景在我们日常生活中随处可见，相信每个人都会接触到，大数据、千人千面、推荐算法、“大数据杀熟”等词语或多或少都听过。那么在这些商业场景里面，企业是如何运用数据是，让用户对买买买乐此不疲，或者刷抖音刷到半夜1点都不愿意放下手机的呢？在这里我们决定挖个大坑，推出《商业数据洞察分析》系列文章，与大家一起分享在商业世界里面，数据分析在各行各业中是如何应用的。

二、企业如何利用数据决策

上述案例是我们从消费者的角度接触到的数据分析的应用结果，如果我们站在企业的角度来看，经营管理人员需要作出战略、战术、运营层面的决策，制定计划、协调、组织和领导企业，从而提升业绩。那么经营管理者应该如何做决策呢？有些企业管理者会基于传统惯例：“业内大家都是这么做，我们也这么做。”有些管理者会基于经验：“我们之前是这么做，接下来也是这么做。”也有些管理者全凭直觉。

以上三种方法看起来很简单，但在商业市场上有着强大的生命力，主要原因还是在于过去企业经营中收集的数据量很少，在客户和市场方面的数据极其欠缺，对于新企业或者新产品和品牌，往往没有可以搜集以供研究的数据，所以大量的决策都取决于管理人员个人的洞察和决策能力。

那么在缺乏数据的情况下，我们是否就只能通过经验和直觉进行决策呢？显然不是的，接下来我们通过某快递柜公司对投放地点的数据决策案例，来演示低数据量情况下的数据决策方法 —— 层次分析法。

案例背景：

某快递柜公司融资了大量资金，打算在全国范围内大展拳脚布置快递柜，抢占优质点位资源，占领先机。快递柜一般布置在居民小区、学校等地方。中国城市规模很大，虽然快递柜公司背后有强大的资金支持，但是也不可能在城市的所有地方全面铺开，因为前期资金、人力资源的投入都非常大，后续还需要持续的人力维护。

在快递柜公司发展之初，各个区域都处于需要拓荒的状态，并没有现成的案例可以参考应该如何投放快递柜，企业管理层对于选址的因素考虑得非常多，但资源是有限的。应该在大城市布置多，还是在中小城市布置多，应该在新城区布置多，还是老城区布置多，种种定性因素结合成本投入这样的定量指标，要形成数据决策是非常困难的。我们根据快递柜公司当时所处的环境，数据决策所需要的因素，建议管理团队使用层次分析法，来解决低数据量以及定性定量指标混杂时的数据决策问题。

三、构建层次分析法

层次分析法，简称AHP，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的数据决策方法。该方法是美国运筹学家匹茨堡大学教授萨蒂于20世纪70年代初，在为美国国防部研究"根据各个工业部门对国家福利的贡献大小而进行电力分配"课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。层次分析法比较适合于具有分层交错评价指标的目标系统，而且目标值又难于定量描述的决策问题。

层次分析法是指将一个复杂的多目标决策问题作为一个系统，将目标分解为多个目标或准则，进而分解为多指标（或准则、约束）的若干层次，通过定性指标模糊量化方法算出层次单排序（权数）和总排序，以作为目标（多指标）、多方案优化决策的系统方法。

层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。（来源：百度百科）接下来我们构建快递柜企业的层次分析法模型，因为篇幅有限，我们仅使用3个变量，分别是城市、建设成本、覆盖人群。

城市指的是城市规模，规模越大的城市潜在用户越多，快递量越大，而且有一定的品牌宣传效应，所以城市是一个非常重要的因素。

建设成本指的是快递柜建设成本的高低。

覆盖人群指的是所覆盖的小区、学校的估计人数。

现在企业手中有两个方案，需要对比孰优孰劣，进行科学的数据决策：

A点位：位于1线城市，建设成本10万元，覆盖周边5000小区居民。

B点位：位于3线城市，建设成本5万元，覆盖周边2000小区居民。

首先我们使用SPSSPRO对指标进行评分：

这里要注意的是，由于这些指标的属性（定型/定量）不一样，同为定量指标的话量纲也不一样，所以指标打分会带有主观因素，这一点企业管理者在进行数据决策前需要慎重的进行考虑。接下来需要在不同指标上对不同方案进行评分：

在方案对比评分环节，仍然是依照重要性评价，但我们并非完全主观的进行评价。比如说建设成本是一个可以量化的指标，两个方案可以直接对比，那么我们可以设定一个比例，当A方案比B方案的建设成本差异达到某个值，那么评价就可以达到某个值，使得在多方案进行对比的时候，量纲趋于一致性，让数据决策更有依据。

接下来我们看一下分析结果：

从结果可以看到，A点位得分1.584分，B点位得分0.722分，所以A点位是显著优于B点位的。在我们这个案例里面只是有2个方案对比，但是在实际工作中，可以进行多方案对比，每个方案都会有评分，我们根据评分就可以选择最优方案。

另外SPSSPRO会根据指标打分，计算出层次分析模型各个指标的权重值：

上表展示了层次分析法的权重计算结果，根据结果对各个指标的权重进行分析，通过展示了一致性检验结果，用于判断是否存在构建判断矩阵的逻辑问题。

● 特征向量，系统默认采用方根法进行计算，特征变量反应了因素的权重。

● 权重值，即为特征变量的归一化结果，将特征向量映射到0~1的区间上。

● 一致性检验结果要求CR值（CR=CI/RI）小于0.1，用于判断人们在构建判断矩阵时，是否存在逻辑错误，例如有ABC三个指标，我们判断A比B重要，B比C重要，因此逻辑上A肯定比C重要，但是如果在构建判断A比C时，认为C比A重要，那么就犯了逻辑错误，无法通过一致性检验.

在我们这个案例里面，CR=CI/RI=3.224>0.1，不通过一次性检验。我们回头看一下我们指标打分是否出现了逻辑错误。

0.1，不通过一次性检验。我们回头看一下我们指标打分是否出现了逻辑错误。

这里错误很明显，我们认为城市比建设成本重要，而覆盖人群比城市重要，那么覆盖人群应该比建设成本重要，所以这个指标打分是有误的，我们应该对其进行调整。

优于快递柜的使用率决定了后续能否获得比较高的收入，而使用率是收到覆盖人群的影响的，快递柜附近的居民越多，理论上使用率越高，所以覆盖人群是最重要的因素。

而由于受到资金投入的影响，建设成本的重要性也比较高，而且建设成本往往跟城市挂钩，经济发达的大型城市建设成本比较高，所以我们应该将提高建设成本的重要性，调整指标如下：

计算结果如下：

我们可以看到调整后的CR=CI/RI=0.062≤0.1，通过一次性检验。

在快递柜企业的案例中我们可以看到，在低数据量，且指标不明确的情况下，企业仍然可以使用数据决策，这仅仅是数据分析在商业领域的一个简单的应用。

随着整个世界进入信息时代，海量数据的产生、搜集、储存和分析变得原来越简单，根据调查统计，世界上所有数据量每2年就会翻一番，而且速度还有加快的趋势，那么管理人员如何使用数据来指导决策，更加高效的管理企业，作出有利于经营的决策，就成为了一个重要的能力。

接下来我们《商业数据洞察分析》系列文章会继续分享更多数据分析在商业中的应用，请大家持续关注！