本文旨在使用AHP层次分析法，对UGC社区内的用户进行综合评分，为精细化运营打好基础。 

业务场景：

某短视频社区。运营团队为了提高整体内容质量，希望能够鼓励用户多发视频、发好视频。所以运营经理向产品经理提出，希望“能够量化用户行为，将用户分类，以便于对不用类型的用户，使用不同的运营策略”。 产品经理和运营沟通后，确定了使用AHP，建立UGC社区用户综合评分模型

一、层次分析法定义：

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。

二、分析流程

三、层次结构模型设计

根据业务需求，该模型用于对UGC视频社区的用户，建立综合评分模型，计算出社区内各用户综合价值。

社区中包括内容生产者、内容消费者两种角色。且1个用户可同时拥有2种角色。内容生产者需要在APP上录制、编辑、美化视频，并最终发布。发布后可收到其他用户的点赞、评论、关注。所以对生产者角色，影响因素包括产出能力、KOL影响力；内容消费者可在APP上观看、点赞、评论、关注作者。所以对消费者角色影响因素为活跃度

相应的数据指标包括（部分指标）：

浏览视频数

观看视频时长

点赞数

评论数

转发数

发布视频数

平均视频时长

收到的点赞数

新增粉丝数

总粉丝数

总点赞数

综上所述，整体层次结构模型如下：

四、完善矩阵数值

权重标度：

1表示：A和B一样重要；2表示：A比B重要一些；3表示：A比B重要；4表示：A比B重要的多；5表示：A比B极其重要。这样，通过两两比较给出比较值，对子目标层的矩阵的计算流程如下：

※正式分析流程中，为保证数据准确严谨，同样需要对评价标准层进行计算。此处省略

五、一致性检验

由于n个元素两两比较时并没有固定的参照物，那么人们在进行比较时就有可能做出一些违反常识的判断。例如人们判断A>B(表示A比B重要）,B>C，而C>A（按常识本应该是A>C) 。

当这种违背常识的判断出现时判断矩阵就不完全一致了，虽然允许不完全一致，但要求判断矩阵具有大体的一致性，所以需要进行一致性检验。

一般，如果检验系数CR<0.1 ，则认为该判断矩阵通过一致性检验，否则就不具有一致性。

根为3.0154，CI值为0.0077，CR值为0.0149 。CR＜0.1，一致性检验通过

计算过程过于复杂，可使用excel，市面上也有层次分析法专用的一致性检验计算工具

六、数据指标标准化

AHP模型中，由于评价标准层，各个指标的数量值和单位不尽相同，所以需要将其采用同一种计量方法，这样才能进行比较。下表为将各评价指标标准化到[0,5]的结果、

将数值指标进行标准化时，需要尽量保持原始数据被均匀标准化到[0,5]

七、AHP分析结果及应用

按照上述流程，可得到最终分析结果，如下表所示

用“浏览活跃度”，“产出能力”和“KOL影响力”三个维度，每个维度以中位数为分界线，得到2*2*2八大类用户集合。如下表所示，然后根据不同子目标层的表现制定不同的业务策略。