不少人都在做用户分层，但有时候，业务人员可能并没有真正地挖掘出用户分层的价值或意义，原因就在于业务人员对用户分层的实现逻辑理解得不够深刻。这篇文章里，作者便针对用户分层的逻辑方法、用户分层两种类型的应用场景等内容做了分析，一起来看。

用户分层是个老生常谈的问题，这里面核心会涉及到用户行为/属性、标签特征以及业务经验。纵向来看用户分层常见的一般方式就是通过专家经验的规则设定结合一些常见用户模型，像：RFM、AIPL、FACT、FAST…等进行分层。

也有高级的手段，结合算法去做一些预测和聚类。其实逻辑上分层应该是聚类的逻辑，但也有通过对用户转化意向的高低进行预测划分。

那我们今天讨论的是用户分层的两种应用场景，我见到很多人在做用户分层，但在应用上总是被局限住或者没有真正的挖掘出用户分层的意义，我觉得原因可能是对用户分层的实现逻辑没那么了解以及没有思考的那么深。

下面核心会强调这几个点：分层逻辑方法、分层两种类型的应用场景、分层的动态变化趋势。

一、专家经验（规则）的典型及深层应用

对应两种场景为了更好了让大家有体感和明白，我举两个具有代表性的模型：RFM和AIPL，一个是对价值用户进行分层，即通过规则去呈现不同的用户分布——那我们暂且叫它用户分布式分层模型。另一个是基于用户旅程的递进式分层——那我们暂且叫它用户递进式分层模型，什么叫递进式？

不急，我们先来看基于RFM的规则。

众所周知RFM是通过事实行为规则会把用户分为8类群体，而它的应用是对8类用户群体进行不同的针对性策略运营，所以这个场景下的叫精细化运营——通过用户细分做个性化策略和分析。

有很多类似的用户模型也好，分层策略也好都是在满足这个场景，比如阿里的八大群体（GenZ时代、小镇青年、新锐白领、资深中产、精致妈妈、都市银发、都市蓝领、小镇中老年），包括我们以前和罗兰贝格合作的基于消费心理价值观的用户分层也是如此。

递进式的就类似漏斗的逻辑，AIPL用户模型指的是用户从认知到兴趣/购买最后产生忠诚的用户旅程的演进，它不是一个分布逻辑，而是一个递进逻辑。即一个用户在满足既定的行为条件后会变为下一个客群用户，例如：当满足 [15s滑动浏览] 后变为认知人群、当认知群体满足收藏、加购、领券后转变为兴趣群体，之后购买、忠诚…一层层的递进。

而这种递进逻辑也有很多类似场景和模型，比如CTR点击率预测模型，根据用户点击率预测进行排序和划分，那在做人群应用的时候会按照排序优先选择，而不是根据分布去做个性化策略。

在这两类场景在应用深度上也有明显的差异，这也是今天这篇我想重点讲的——对于分布式的分层模型来讲，我们可以动态的观测分层间的用户流转关系以及目标转化率。

怎么实现——大数据中有一个快照的概念，当我们建立好用户分层模型后可以按照既定的时间周期（比如每天）进行快照，把用户所属的当前分层标签记录下来，这样当拉长时间后就可以观测到用户的变化情况从而对后续策略做出判断或者调优当前分层模型来吻合业务需求。这样用户分层里的动态流入、流出以及留存（不变的用户）就会非常清晰，也便于对业务进行诊断。

比如就拿RFM模型来说，分成八类（重要价值用户、重要发展用户、重要保持用户、重要挽留用户、一般价值用户、一般发展用户、一般保持用户、一般挽留用户）后进行个性化的策略制定，权益、活动、触达方式等。

但一般就止步于此，可以更进一步比如对每天的用户分层快照后，就能知道一个用户在不同分层中的流转关系，以及每天真实的付费转化是多少。通过流转关系你能判断真正影响人群划分的因素是什么——是主观（你的意识）？客观（用户意识）？还是你的干预，而对于转化来讲只有把动态人群的变为静态的进行观测才能计算真实的转化情况。

对于递进式的分层模型本来天然的就存在分层间的流转关系，因为是个漏斗，所以这里不再细说了，到里是一样的。

二、面向两种用户分层类型的算法场景

对于递进式的分层其实我们很多算法预测类标签就是在做这件事，多为回归和分类算法——比如前面提到的CTR-点击率预测模型、消费购买意向这种基于概率预测后按照排序进行应用的基本都是这种场景。

这种场景核心解决的是效率问题，因为对于高意愿而言是个筛选逻辑，我把高优的人筛选出来去优先转化来提升效率或ROI。

而分布式的分层核心用到的是聚类算法，把既有的人根据某些特征相似性进行归类。但这里面会涉及到一点就是业务逻辑，算法是不可以脱离业务逻辑的尤其是聚类算法。因为你需要根据业务经验去划分人和人之间的相似距离，这也是聚类算法在业务场景中比较难落地的原因，对距离的把控。所以核心应用场景主要是一些异常监测，比如风控场景。

像分类算法只要有正负样本对业务的依赖也没有那么强，不过对业务的了解程度对特征选取上的帮助会比较大，直接影响结果与实际场景的相关性，因为有些事情不需要算法你也知道是高度相关的。算法的核心是找出哪些看似相关性没那么强，但实际有着紧密联系的特征。

比如说人有两条腿，少了一条就不能走路了，这个不需要训练算法你也知道。但是如果这个人表面看似正常，但却不能走路，这个是由什么影响的——这个特征就很关键，你需要具备医学知识才能梳理出更贴近的因素（特征）。

今天涉及的算法和一些分析逻辑多一些，但没有展开讲，因为核心想强调的还是对分布式用户分层的深入应用。有兴趣进一步了解的可以看我之前的文章《深入数据分析思维》。