编辑导语：在2020年全面奔小康之际，突如其来的新冠疫情打乱了原本的计划；为了保障扶贫工作顺利进行，公司决定将扶贫工作提上日程。本文详细内容是基于RFM、AHP模型的产品需求文档。

1. 迭代需求概述及迭代目标

1.1 业务背景

2020年是脱贫攻坚的收官之年，突如其来的新冠肺炎给扶贫工作带来了新的挑战。

因为交通的“肠梗阻”，成熟的水果、蔬菜等没有人来购买，农产品不及时收获，就可能腐烂变质，极大降低农村群众的收入。

因此，公司决定将消费扶贫工作作为近期工作重点。

1.2 迭代目标

通过全面系统的数据分析，深度优化商城的“扶贫”板块。

目标是实现3个月内，扶贫类商品销数量增长30%。

1.3 名词解释

1.4 迭代风险

2. 数据分析过程

2.1 核心指标

本次迭代重点关注上线后的扶贫商品总订单量，期望上线后增长30%。

扶贫商品总订单量定义：一个主订单中，包含至少1件扶贫类的商品，视为一个扶贫商品订单。

2.2 当前数据概况

2.2.1 扶贫商品订单 漏斗模型数据

2.2.2 期望目标

核心目标为扶贫商品总订单量，三个月内增长30%，可理解为三个月后，确认收货订单数=62000*130%=80600。根据上表可以看出，首页——扶贫专区页面、扶贫专区页面——商品详情页，UV流失率较高。所以本次迭代重点围绕此处的转化展开，期望数据如下表所示。

3. 功能需求详述

3.1 商城首页突出扶贫商品入口

3.1.1 需求目的

提升首页到扶贫专区页面的转化率，目标提升11个百分点。

3.1.2 需求场景

对于贫困商家：政府、国企会为其提供更多的销售渠道，帮助解决商品滞销问题

对于企业：积极响应国家扶贫政策，保证扶贫款项专款专用，为员工提供商品价格福利

对于员工：通过企业/政府的价格补贴，保证商品质量的情况下可以低于市场水平的价格购买商品

3.1.3 需求描述

在商城首页，设置较为明显的扶贫商品入口。

在入口处可展示：

1. 比较有代表性的扶贫商品的商品图，告知用户扶贫商品主要为农副产品；
2. 清晰说明扶贫商品特点的文案，告知用户扶贫商品价格低，且能帮助解决滞销问题。

3.1.4 触发条件

所有用户，在扶贫政策有效期间（具体时间由后台配置）。

3.1.5 页面监测

监测扶贫专区入口的点击数。

3.2 商品列表

3.2.1 需求目的

提升扶贫专区页面到商品详情页的转化率，目标提升9个百分点。

3.2.2 需求场景

使用户在查找商品时，能够清晰的分辨普通商品和扶贫滞销商品。并且告知用户平台对扶贫商品有一定的价格补贴。

3.2.3 需求描述

在搜索结果页、品类下的商品列表页，对扶贫商品增加显示标签，用于告知用户该商品为扶贫商品且有价格补贴，吸引用户点击。

3.2.4 触发条件

所有用户，在扶贫政策有效期间（具体时间由后台配置）。

3.2.5 页面监测

监测扶贫商品详情的UV。

4. 策略性需求

4.1 通过AHP层次分析法，建立不同滞销等级的扶贫商品精细化运营策略

4.1.1 层次结构模型设计

商品有效期：标准贮存状态下，当期时间，商品能够保持其标准质量的天数

商品销量：一定时间段内，商品的总销售量

商品库存：商品当前剩余的总库存量

4.1.2 明确标度

成对比较矩阵的元素表示的是第i个因素相对于第j个因素的比较结果，这个值使用的是Santy的1-9标度方法给出。

4.1.3 构造判断矩阵

4.1.4 计算特征向量

先将上述准则两两比较偏好矩阵进行标准化处理，步骤为：

归——化——各列求和，用每一元素除以对应列总和

计算权重——计算每一行平均值

计算过程个最终权重结果如下图所示

4.1.5 一致性检验

当两两比较认为A比B重要，B比C重要时，轮到A和C比较了，你给出C比A重要的比较值，此时就叫做“不一致”。

要检查是否一致，就需要计算一致性比率CR=CI/RI ，当CR<0.1 时，代表通过检验。

如上图所示，CR=0.06<0.1 通过检验

4.1.6 指标数据标准化

4.1.7 计算商品滞销指数

根据上述流程，查询商品的相关数据，代入计算，可得到商品的滞销指数。

例如商品A有效期26天（标准指标：2），已销售130件（标准指标：2），剩余库存400件（标准指标：4）；

则商品A的滞销指数=2*0.64+2*0.07+4*0.28=2.54

4.1.8 商品滞销等级分类及精细化运营策略

计算出所有商品滞销指数后，可把所有数值由小到大排列并分成四等份。

1级滞销商品：滞销指数∈[Max,第3四分位数)的商品

2级滞销商品：滞销指数∈[第3四分位数，第2四分位数)的商品

3级滞销商品：滞销指数∈[第2四分位数，第3四分位数)的商品

4级滞销商品：滞销指数∈[第1四分位数，Min]的商品

4.2 通过RFM模型和AHP层次分析法 明确召回优先级

4.2.1 通过AHP层次分析法计算RFM三个维度的权重

R（Recency）最近一次消费时间：表示用户最近一次消费距离现在的时间；消费时间越近的客户价值越大，1年前消费过的用户肯定没有1周前消费过的用户价值大。

F（Frequency）消费频率：消费频率是指用户在统计周期内购买商品的次数，经常购买的用户也就是熟客，价值肯定比偶尔来一次的客户价值大。

M（Monetary）消费金额：消费金额是指用户在统计周期内消费的总金额，体现了消费者为企业创利的多少，自然是消费越多的用户价值越大。

计算过程与4.1.2-4.1.7一致，不再重复描述

权重计算结果：

一致性计算结果：

4.2.2 获取RFM总值

根据埋点得到的用户行为数据、SQL查询得到的订单数据，标准化，形成[0,5]的标准值，并计算出综合得分；

例如：用户A的RFM总值=0.3*R值+0.54*F值+0.16*M值；RFM总值即为用户价值。

最终按照分值由高到低，进行用户召回和回访。

本文由 @16哥 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于CC0协议