4. 评分体系构建：评分维度、权重与标准化
评分体系是分群评分沙盘策略编排的核心量化引擎。一个科学的评分体系需要依次解决三个问题：评什么（维度设计）、各维度有多重要（权重设定）、如何让不同量纲的数据可比（标准化方法）。本章将逐一拆解这三个环节，并给出可直接复用的设计模板与计算示例。
4.1 评分维度设计
评分维度决定了从哪些角度衡量一个用户或客群的综合价值。维度设计应遵循 MECE（相互独立、完全穷尽）原则，避免信息重叠或遗漏。
1. 业务拆解：将目标（如“高价值用户识别”）拆解为可量化的子目标（消费能力、活跃度、忠诚度、风险水平）。
2. 指标映射：为每个子目标找到 1–2 个可获取、可计算的数据指标。
3. 维度归并：将强相关的指标合并为同一维度，确保维度间相关系数 < 0.5。
以下是一个典型的用户价值评分维度框架：
| 维度名称 | 子目标 | 候选指标 | 数据来源 |
|---|---|---|---|
| 消费能力 | 衡量用户购买力与消费水平 | 近 6 月消费总额、客单价、高单价品类占比 | 交易流水表 |
| 活跃度 | 衡量用户使用频率与粘性 | 近 30 天登录天数、日均使用时长、功能点击次数 | 行为日志 |
| 忠诚度 | 衡量用户留存与复购意愿 | 会员等级、复购率、最近一次购买距今天数 | 会员系统、订单表 |
| 风险水平 | 衡量用户违约或流失风险 | 逾期次数、信用评分、投诉次数 | 风控系统、客服记录 |
4.2 评分权重设定
权重反映了各维度在总分中的相对重要性。常用的权重设定方法分为主观赋权法和客观赋权法两大类。
| 方法 | 类型 | 原理 | 适用场景 |
|---|---|---|---|
| 层次分析法（AHP） | 主观 | 专家两两比较维度重要性，构造判断矩阵，计算特征向量 | 业务经验丰富、维度间重要性差异明显 |
| 熵权法 | 客观 | 根据各维度数据的离散程度分配权重，变异越大权重越高 | 数据质量高、希望减少人为偏差 |
| CRITIC 法 | 客观 | 综合对比强度和冲突性，兼顾信息量和独立性 | 维度间存在中等程度相关 |
| 等权重法 | 混合 | 所有维度权重相同，简单透明 | 初期探索、业务方无明确偏好 |
在实际项目中，推荐使用 AHP + 熵权法组合赋权：先由业务专家通过 AHP 给出主观权重，再用熵权法基于数据分布进行修正，最终取加权平均值。这样既保留了业务经验，又引入了数据客观性。
假设消费能力 AHP 权重 0.40，熵权法权重 0.35，组合系数 α=0.6（主观偏好），则最终权重 = 0.6×0.40 + 0.4×0.35 = 0.38。其余维度同理计算。
4.3 评分标准化方法
不同维度的原始数据往往具有不同的量纲和分布范围（如消费金额从 0 到 10 万，登录天数从 0 到 30）。标准化是将原始值映射到统一尺度（通常为 0–100 或 0–1）的过程。最常用的两种方法是 Min-Max 标准化和 Z-score 标准化。
4.3.1 Min-Max 标准化
将原始数据线性映射到 [0, 1] 区间，公式为：
X_norm = (X - X_min) / (X_max - X_min)其中 X_min 和 X_max 分别为该指标的最小值和最大值。若希望结果落在 [0, 100]，则乘以 100。
| 特性 | 说明 |
|---|---|
| 优点 | 计算简单，结果有明确边界，易于解释 |
| 缺点 | 对异常值敏感；新数据超出范围时需重新计算全局极值 |
| 适用场景 | 数据分布较均匀、无极端离群点、需要固定评分区间 |
4.3.2 Z-score 标准化
将原始数据转换为均值为 0、标准差为 1 的标准正态分布，公式为：
X_norm = (X - μ) / σ其中 μ 为均值，σ 为标准差。结果可正可负，通常再通过线性变换映射到 [0, 100] 区间。
| 特性 | 说明 |
|---|---|
| 优点 | 对异常值不敏感，保留原始数据的分布形态 |
| 缺点 | 结果无固定边界，解释性稍弱 |
| 适用场景 | 数据近似正态分布、存在离群点、后续使用距离类算法 |
4.4 评分体系构建流程
下图展示了从原始数据到最终评分的完整构建流程：
4.5 完整计算示例
假设我们为 5 位用户构建消费能力评分（原始数据为近 6 月消费金额，单位：元），分别使用 Min-Max 和 Z-score 标准化，并对比结果。
| 用户 | 原始金额 | Min-Max (0–100) | Z-score | Z-score 映射到 0–100 |
|---|---|---|---|---|
| A | 1200 | 100.0 | 1.41 | 100.0 |
| B | 800 | 58.3 | 0.35 | 66.7 |
| C | 500 | 25.0 | -0.35 | 33.3 |
| D | 300 | 0.0 | -0.94 | 11.1 |
| E | 700 | 47.2 | 0.00 | 50.0 |
Min-Max：X_min=300, X_max=1200，用户 A 得分为 (1200-300)/(1200-300)×100 = 100。
Z-score：μ=700, σ≈354.6，用户 A 得分为 (1200-700)/354.6≈1.41，再通过线性变换 (Z+2)/4×100 映射到 0–100（假设 Z 范围约 -2 到 2）。
两种标准化方法在排序上一致，但 Min-Max 的分数分布更均匀，而 Z-score 能更好地区分中间段用户。实际应用中，建议对每个维度分别选择合适的标准化方法，并在最终评分前进行一致性检验（如各维度分数范围是否可比）。
4.6 评分体系验证
构建完成后，必须对评分体系进行验证，确保其有效性和稳定性：
- 区分度检验：计算各分数段的用户占比，理想分布应近似正态或偏态但不过度集中。可使用基尼系数或熵值衡量。
- 稳定性检验：将样本随机分为训练集和验证集，计算两组评分的秩相关系数（Spearman's ρ），要求 ρ > 0.85。
- 业务一致性检验：邀请业务专家盲评 50–100 个样本，对比人工排序与模型评分排序的一致性（Kendall's τ）。