用户分层方法

用户分层

1、分层实施的两大核心

1. 处于不同层级的用户，需要能够被通过数据字段或标签等方式识别区分出来；
2. 面向每一类用户的运营机制或策略是明确稳定的。

用户分层和用户分群的区别

用户分层是以用户价值为中心，在同一分层模型下，一个用户只会处于一个层级
用户分群是以用户属性为中心划分，一个用户会同时拥有多个属性。

2、分层的原则

3. 科学性：正确有效的统计模型
4. 可解释性：分层界限具有业务意义
5. 业务适用性：可操作性强，业务覆盖广

3、分层的方法

方法名称	适用场景	方法内容
用户价值区隔分层	业务链条标准化高，用户间互相影响低
AAARR模型分层	业务链条标准化高，用户间互相影响低
金字塔模型
用个性化特质&需求区分	业务链条标准化低
以用户成长路径为中心	标准化高 互相影响高

4、分层的流程

4.1 用户价值区隔流程

1. 确定分层指标
   观测周期确定的原则：指标的累积覆盖度足够大（接近100%），且指标的覆盖度增量收敛（趋于稳定）

【目标用户有目标行为日日均行为指标】 表示用户一段时间内的平均能力
【目标用户每日行为指标】、目标用户观测周期累积行为指标】表示用户一段时间内的累积能力
【目标用户当日行为指标】表示当日的能力
	eg:
	● 最近30天付费日日均付费金额、最近30天自然日日均付费金额、最近30天付费天数
	● 最近30天区间的诜择：近30天付费用户对观测日非首次消费人数贡献度93.2%(覆盖度足够大)，金额贡献度97.2%，且增量收敛（覆盖度随着天数的增加增速趋于平缓）；
	○ 累积覆盖度
		■ 当日新付费用户，在t日人数占比~1.7%，金额占比~1.5%
		■ 历史付费用户在t日，人数占比~98.3%，金额占比~98.5%（下图为剔除新付费用户的累计占比，即最终收敛至100%，因展示限制下图为近40天）
	○ 覆盖度增量：
		■ 14天以上人数占比增量约在0.2pp，金额占比增量约在0.4pp；
		■ 30天以上人数、金额占比增量均收敛至0.1pp；

2. 圈定分层对象：观测周期内有目标行为的对象
3. 选择分层方法：帕累托最适 （适用于价值累积型变量指标）

帕累托最适(Pareto efficiency)
● 分层临界值涵意为上下两能力分层区间的最公平能力分配状态，用户能力透过向分层临界值靠近的帕累托改进过程，逐渐达到效率分配，直到帕累托最适状态；
● 通过比较能力人数分布、能力值分布，计算临界值；超过临界值意味著多数能力集中于少数人，低于临界值意味著少数能力分散于多数人之中； 	

eg:
y1:人数占比
y2:收入占比
交点表示：收入占比=人数占比；左侧代表人数占比>收入占比，多数人拥有少数财富

5. 分层特性
   ● 稳定性：用户在稳定的环境中，所属层级稳定不会小概率出现大的波动
   ● 分层数量：满足精细化运营，分层不宜过少
6. 模型构建
   ● 付费金额与付费人数是典型的价值累积型变量，符合Pareto准则，服从Power law分布；
   Power law分布中，随机变量的X的概率密度函数为：

$$P(X>x)=(x_{min}/x{)}^k$$
注：t分布是也是幂律分布