不少人都在做用戶分層，但有時候，業(yè)務人員可能并沒有真正地挖掘出用戶分層的價值或意義，原因就在于業(yè)務人員對用戶分層的實現(xiàn)邏輯理解得不夠深刻。這篇文章里，作者便針對用戶分層的邏輯方法、用戶分層兩種類型的應用場景等內容做了分析，一起來看。

用戶分層是個老生常談的問題，這里面核心會涉及到用戶行為/屬性、標簽特征以及業(yè)務經(jīng)驗?？v向來看用戶分層常見的一般方式就是通過專家經(jīng)驗的規(guī)則設定結合一些常見用戶模型，像：RFM、AIPL、FACT、FAST…等進行分層。

也有高級的手段，結合算法去做一些預測和聚類。其實邏輯上分層應該是聚類的邏輯，但也有通過對用戶轉化意向的高低進行預測劃分。

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

下面核心會強調這幾個點：分層邏輯方法、分層兩種類型的應用場景、分層的動態(tài)變化趨勢。

一、專家經(jīng)驗（規(guī)則）的典型及深層應用

對應兩種場景為了更好了讓大家有體感和明白，我舉兩個具有代表性的模型：RFM和AIPL，一個是對價值用戶進行分層，即通過規(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。另一個是基于用戶旅程的遞進式分層——那我們暫且叫它用戶遞進式分層模型，什么叫遞進式？

不急，我們先來看基于RFM的規(guī)則。

眾所周知RFM是通過事實行為規(guī)則會把用戶分為8類群體，而它的應用是對8類用戶群體進行不同的針對性策略運營，所以這個場景下的叫精細化運營——通過用戶細分做個性化策略和分析。

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場景，比如阿里的八大群體（GenZ時代、小鎮(zhèn)青年、新銳白領、資深中產(chǎn)、精致媽媽、都市銀發(fā)、都市藍領、小鎮(zhèn)中老年），包括我們以前和羅蘭貝格合作的基于消費心理價值觀的用戶分層也是如此。

遞進式的就類似漏斗的邏輯，AIPL用戶模型指的是用戶從認知到興趣/購買最后產(chǎn)生忠誠的用戶旅程的演進，它不是一個分布邏輯，而是一個遞進邏輯。即一個用戶在滿足既定的行為條件后會變?yōu)橄乱粋€客群用戶，例如：當滿足 [15s滑動瀏覽] 后變?yōu)檎J知人群、當認知群體滿足收藏、加購、領券后轉變?yōu)榕d趣群體，之后購買、忠誠…一層層的遞進。

而這種遞進邏輯也有很多類似場景和模型，比如CTR點擊率預測模型，根據(jù)用戶點擊率預測進行排序和劃分，那在做人群應用的時候會按照排序優(yōu)先選擇，而不是根據(jù)分布去做個性化策略。

在這兩類場景在應用深度上也有明顯的差異，這也是今天這篇我想重點講的——對于分布式的分層模型來講，我們可以動態(tài)的觀測分層間的用戶流轉關系以及目標轉化率。

怎么實現(xiàn)——大數(shù)據(jù)中有一個快照的概念，當我們建立好用戶分層模型后可以按照既定的時間周期（比如每天）進行快照，把用戶所屬的當前分層標簽記錄下來，這樣當拉長時間后就可以觀測到用戶的變化情況從而對后續(xù)策略做出判斷或者調優(yōu)當前分層模型來吻合業(yè)務需求。這樣用戶分層里的動態(tài)流入、流出以及留存（不變的用戶）就會非常清晰，也便于對業(yè)務進行診斷。

比如就拿RFM模型來說，分成八類（重要價值用戶、重要發(fā)展用戶、重要保持用戶、重要挽留用戶、一般價值用戶、一般發(fā)展用戶、一般保持用戶、一般挽留用戶）后進行個性化的策略制定，權益、活動、觸達方式等。

但一般就止步于此，可以更進一步比如對每天的用戶分層快照后，就能知道一個用戶在不同分層中的流轉關系，以及每天真實的付費轉化是多少。通過流轉關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）？客觀（用戶意識）？還是你的干預，而對于轉化來講只有把動態(tài)人群的變?yōu)殪o態(tài)的進行觀測才能計算真實的轉化情況。

對于遞進式的分層模型本來天然的就存在分層間的流轉關系，因為是個漏斗，所以這里不再細說了，到里是一樣的。

二、面向兩種用戶分層類型的算法場景

對于遞進式的分層其實我們很多算法預測類標簽就是在做這件事，多為回歸和分類算法——比如前面提到的CTR-點擊率預測模型、消費購買意向這種基于概率預測后按照排序進行應用的基本都是這種場景。

這種場景核心解決的是效率問題，因為對于高意愿而言是個篩選邏輯，我把高優(yōu)的人篩選出來去優(yōu)先轉化來提升效率或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)某些特征相似性進行歸類。但這里面會涉及到一點就是業(yè)務邏輯，算法是不可以脫離業(yè)務邏輯的尤其是聚類算法。因為你需要根據(jù)業(yè)務經(jīng)驗去劃分人和人之間的相似距離，這也是聚類算法在業(yè)務場景中比較難落地的原因，對距離的把控。所以核心應用場景主要是一些異常監(jiān)測，比如風控場景。

像分類算法只要有正負樣本對業(yè)務的依賴也沒有那么強，不過對業(yè)務的了解程度對特征選取上的幫助會比較大，直接影響結果與實際場景的相關性，因為有些事情不需要算法你也知道是高度相關的。算法的核心是找出哪些看似相關性沒那么強，但實際有著緊密聯(lián)系的特征。

比如說人有兩條腿，少了一條就不能走路了，這個不需要訓練算法你也知道。但是如果這個人表面看似正常，但卻不能走路，這個是由什么影響的——這個特征就很關鍵，你需要具備醫(yī)學知識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，但沒有展開講，因為核心想強調的還是對分布式用戶分層的深入應用。有興趣進一步了解的可以看我之前的文章《深入數(shù)據(jù)分析思維》。