不少人都在做用戶分層，但有時(shí)候，業(yè)務(wù)人員可能并沒(méi)有真正地挖掘出用戶分層的價(jià)值或意義，原因就在于業(yè)務(wù)人員對(duì)用戶分層的實(shí)現(xiàn)邏輯理解得不夠深刻。這篇文章里，作者便針對(duì)用戶分層的邏輯方法、用戶分層兩種類型的應(yīng)用場(chǎng)景等內(nèi)容做了分析，一起來(lái)看。

用戶分層是個(gè)老生常談的問(wèn)題，這里面核心會(huì)涉及到用戶行為/屬性、標(biāo)簽特征以及業(yè)務(wù)經(jīng)驗(yàn)。縱向來(lái)看用戶分層常見(jiàn)的一般方式就是通過(guò)專家經(jīng)驗(yàn)的規(guī)則設(shè)定結(jié)合一些常見(jiàn)用戶模型，像：RFM、AIPL、FACT、FAST…等進(jìn)行分層。

也有高級(jí)的手段，結(jié)合算法去做一些預(yù)測(cè)和聚類。其實(shí)邏輯上分層應(yīng)該是聚類的邏輯，但也有通過(guò)對(duì)用戶轉(zhuǎn)化意向的高低進(jìn)行預(yù)測(cè)劃分。

那我們今天討論的是用戶分層的兩種應(yīng)用場(chǎng)景，我見(jiàn)到很多人在做用戶分層，但在應(yīng)用上總是被局限住或者沒(méi)有真正的挖掘出用戶分層的意義，我覺(jué)得原因可能是對(duì)用戶分層的實(shí)現(xiàn)邏輯沒(méi)那么了解以及沒(méi)有思考的那么深。

下面核心會(huì)強(qiáng)調(diào)這幾個(gè)點(diǎn)：分層邏輯方法、分層兩種類型的應(yīng)用場(chǎng)景、分層的動(dòng)態(tài)變化趨勢(shì)。

一、專家經(jīng)驗(yàn)（規(guī)則）的典型及深層應(yīng)用

對(duì)應(yīng)兩種場(chǎng)景為了更好了讓大家有體感和明白，我舉兩個(gè)具有代表性的模型：RFM和AIPL，一個(gè)是對(duì)價(jià)值用戶進(jìn)行分層，即通過(guò)規(guī)則去呈現(xiàn)不同的用戶分布——那我們暫且叫它用戶分布式分層模型。另一個(gè)是基于用戶旅程的遞進(jìn)式分層——那我們暫且叫它用戶遞進(jìn)式分層模型，什么叫遞進(jìn)式？

不急，我們先來(lái)看基于RFM的規(guī)則。

眾所周知RFM是通過(guò)事實(shí)行為規(guī)則會(huì)把用戶分為8類群體，而它的應(yīng)用是對(duì)8類用戶群體進(jìn)行不同的針對(duì)性策略運(yùn)營(yíng)，所以這個(gè)場(chǎng)景下的叫精細(xì)化運(yùn)營(yíng)——通過(guò)用戶細(xì)分做個(gè)性化策略和分析。

有很多類似的用戶模型也好，分層策略也好都是在滿足這個(gè)場(chǎng)景，比如阿里的八大群體（GenZ時(shí)代、小鎮(zhèn)青年、新銳白領(lǐng)、資深中產(chǎn)、精致媽媽、都市銀發(fā)、都市藍(lán)領(lǐng)、小鎮(zhèn)中老年），包括我們以前和羅蘭貝格合作的基于消費(fèi)心理價(jià)值觀的用戶分層也是如此。

遞進(jìn)式的就類似漏斗的邏輯，AIPL用戶模型指的是用戶從認(rèn)知到興趣/購(gòu)買(mǎi)最后產(chǎn)生忠誠(chéng)的用戶旅程的演進(jìn)，它不是一個(gè)分布邏輯，而是一個(gè)遞進(jìn)邏輯。即一個(gè)用戶在滿足既定的行為條件后會(huì)變?yōu)橄乱粋€(gè)客群用戶，例如：當(dāng)滿足 [15s滑動(dòng)瀏覽] 后變?yōu)檎J(rèn)知人群、當(dāng)認(rèn)知群體滿足收藏、加購(gòu)、領(lǐng)券后轉(zhuǎn)變?yōu)榕d趣群體，之后購(gòu)買(mǎi)、忠誠(chéng)…一層層的遞進(jìn)。

而這種遞進(jìn)邏輯也有很多類似場(chǎng)景和模型，比如CTR點(diǎn)擊率預(yù)測(cè)模型，根據(jù)用戶點(diǎn)擊率預(yù)測(cè)進(jìn)行排序和劃分，那在做人群應(yīng)用的時(shí)候會(huì)按照排序優(yōu)先選擇，而不是根據(jù)分布去做個(gè)性化策略。

在這兩類場(chǎng)景在應(yīng)用深度上也有明顯的差異，這也是今天這篇我想重點(diǎn)講的——對(duì)于分布式的分層模型來(lái)講，我們可以動(dòng)態(tài)的觀測(cè)分層間的用戶流轉(zhuǎn)關(guān)系以及目標(biāo)轉(zhuǎn)化率。

怎么實(shí)現(xiàn)——大數(shù)據(jù)中有一個(gè)快照的概念，當(dāng)我們建立好用戶分層模型后可以按照既定的時(shí)間周期（比如每天）進(jìn)行快照，把用戶所屬的當(dāng)前分層標(biāo)簽記錄下來(lái)，這樣當(dāng)拉長(zhǎng)時(shí)間后就可以觀測(cè)到用戶的變化情況從而對(duì)后續(xù)策略做出判斷或者調(diào)優(yōu)當(dāng)前分層模型來(lái)吻合業(yè)務(wù)需求。這樣用戶分層里的動(dòng)態(tài)流入、流出以及留存（不變的用戶）就會(huì)非常清晰，也便于對(duì)業(yè)務(wù)進(jìn)行診斷。

比如就拿RFM模型來(lái)說(shuō)，分成八類（重要價(jià)值用戶、重要發(fā)展用戶、重要保持用戶、重要挽留用戶、一般價(jià)值用戶、一般發(fā)展用戶、一般保持用戶、一般挽留用戶）后進(jìn)行個(gè)性化的策略制定，權(quán)益、活動(dòng)、觸達(dá)方式等。

但一般就止步于此，可以更進(jìn)一步比如對(duì)每天的用戶分層快照后，就能知道一個(gè)用戶在不同分層中的流轉(zhuǎn)關(guān)系，以及每天真實(shí)的付費(fèi)轉(zhuǎn)化是多少。通過(guò)流轉(zhuǎn)關(guān)系你能判斷真正影響人群劃分的因素是什么——是主觀（你的意識(shí)）？客觀（用戶意識(shí)）？還是你的干預(yù)，而對(duì)于轉(zhuǎn)化來(lái)講只有把動(dòng)態(tài)人群的變?yōu)殪o態(tài)的進(jìn)行觀測(cè)才能計(jì)算真實(shí)的轉(zhuǎn)化情況。

對(duì)于遞進(jìn)式的分層模型本來(lái)天然的就存在分層間的流轉(zhuǎn)關(guān)系，因?yàn)槭莻€(gè)漏斗，所以這里不再細(xì)說(shuō)了，到里是一樣的。

二、面向兩種用戶分層類型的算法場(chǎng)景

對(duì)于遞進(jìn)式的分層其實(shí)我們很多算法預(yù)測(cè)類標(biāo)簽就是在做這件事，多為回歸和分類算法——比如前面提到的CTR-點(diǎn)擊率預(yù)測(cè)模型、消費(fèi)購(gòu)買(mǎi)意向這種基于概率預(yù)測(cè)后按照排序進(jìn)行應(yīng)用的基本都是這種場(chǎng)景。

這種場(chǎng)景核心解決的是效率問(wèn)題，因?yàn)閷?duì)于高意愿而言是個(gè)篩選邏輯，我把高優(yōu)的人篩選出來(lái)去優(yōu)先轉(zhuǎn)化來(lái)提升效率或ROI。

而分布式的分層核心用到的是聚類算法，把既有的人根據(jù)某些特征相似性進(jìn)行歸類。但這里面會(huì)涉及到一點(diǎn)就是業(yè)務(wù)邏輯，算法是不可以脫離業(yè)務(wù)邏輯的尤其是聚類算法。因?yàn)槟阈枰鶕?jù)業(yè)務(wù)經(jīng)驗(yàn)去劃分人和人之間的相似距離，這也是聚類算法在業(yè)務(wù)場(chǎng)景中比較難落地的原因，對(duì)距離的把控。所以核心應(yīng)用場(chǎng)景主要是一些異常監(jiān)測(cè)，比如風(fēng)控場(chǎng)景。

像分類算法只要有正負(fù)樣本對(duì)業(yè)務(wù)的依賴也沒(méi)有那么強(qiáng)，不過(guò)對(duì)業(yè)務(wù)的了解程度對(duì)特征選取上的幫助會(huì)比較大，直接影響結(jié)果與實(shí)際場(chǎng)景的相關(guān)性，因?yàn)橛行┦虑椴恍枰惴阋仓朗歉叨认嚓P(guān)的。算法的核心是找出哪些看似相關(guān)性沒(méi)那么強(qiáng)，但實(shí)際有著緊密聯(lián)系的特征。

比如說(shuō)人有兩條腿，少了一條就不能走路了，這個(gè)不需要訓(xùn)練算法你也知道。但是如果這個(gè)人表面看似正常，但卻不能走路，這個(gè)是由什么影響的——這個(gè)特征就很關(guān)鍵，你需要具備醫(yī)學(xué)知識(shí)才能梳理出更貼近的因素（特征）。

今天涉及的算法和一些分析邏輯多一些，但沒(méi)有展開(kāi)講，因?yàn)楹诵南霃?qiáng)調(diào)的還是對(duì)分布式用戶分層的深入應(yīng)用。有興趣進(jìn)一步了解的可以看我之前的文章《深入數(shù)據(jù)分析思維》。