产品浅谈用户分层在推荐上的应用

作者：zuliyang，腾讯PCG高级产品经理

|导语 常言道“物以类聚，人以群分”，运用在推荐策略上和常见的用户精细化运营策略类似，不同的用户群体行为存在差异，定向的归类建模单独施策以寻求差异化推荐，寻求各个分层用户的定向转化，最终实现业务核心指标的增长。

做过to C的产品人都经历过从前期的用户粗犷式运营到后期的流量精细化运营阶段，当业务指标提升空间遇到瓶颈或用户规模体量达到一定规模后，深耕用户流量精细化运营或许能带来些突破与可能。对于推荐业务用户分层是基于当前存量用户的行为或者属性做定向的划分，以达到用户区别对待，单独施策，精细化运营目的，最终体现在业务指标增长上。

说到用户划分大家可能首先想到的是RFM模型，通过用户3个关键价值贡献指标消费时间间隔（Recency），消费频率（Frequency），消费金额（Monetary）进行排序组合，周期性划分出8类价值性用户类型，基于划分的结果即可进行用户推销策略，触达时机上合理把控和开展，资源分配更加合理。

对于推荐业务在做用户分层策略前最先做的是通用用户模型搭建，通用用户推荐也是围绕推荐核心基础模块召回，过滤、粗/精排，重排构建构建推荐系统0-1的过程，后续随着召回类型的丰富，策略机制的迭代完善该套模型具备了后续策略延展，对比的能力储蓄。通常我们在做数据分析时，筛选的维度会包括用户类型，如活跃用户，新用户、老用户，会发现同一个指标下不同的用户群体消费贡献程度不一，差异明显，如同在做算法实验也会发现整体实验核心指标正向且显著，不同的用户类型显著程度却不一样，或整体实验结果指标负向，可能活跃用户是正向的，说明用户群体之间天然的消费行为存在差异，基于群体的属性，消费行为，内容品类偏好的分析上，对群体进行划分推荐，单独施策，推出内容差异化则是对推荐业务在通用用户模型可想到的优化趋势。

推荐业务在用户分层的方式方法也非常多样与灵活，举例较常见的两种方式：

 1、近期活跃与消费行为数据做划分：如划分出新用户，非活跃用户，活跃用户 

2、基于用户兴趣标签分布 

推荐业务在完成分层用户的划分后常见的基本优化策略有如下两种：

1、针对不同分层用户进行召回类型的配比，建立在当前基于内容/行为/热度/属性维度的召回类型较丰富前提下做策略配比，依据对用户类型的数据分析和用户干管上做调整，通过实验不断验证与base版本效果，当收益越小时，说明配比达到一个相对合理的范围，如下表格配比方法示例：

另外这里还需要关注3类用户的比例变化趋势，比例是否趋于健康。

2、针对分层完的用户选择具体某一类型进行策略上的优化，以达到单独施加策略目的，深度优化效果，以下举例新用户类型优化示例。

通过上图可以看到单一用户类型划分出来后可以依据用户属性特征和后验数据分析结论进行深度建模加以优化，用户群体间的推出策略差异也更加明显，同理其他类型的用户群体也可以按照此方法优化，此外划分出的群体除了推荐业务，也可以向个性化push，内容运营等业务输出基础用户画像辅助业务提升转化效果。综上可以看到用户分层的划分方法与形式多样，划分只是完成第一步，提供了优化方向，后续如何结合业务目标尝试和迭代不同的策略方法才是最终目的。

近期热文

微信支付万亿日志在Hermes中的实践

如何做有说服力的PPT ——从胡乱堆积到有理有据

区块链赋能下的数据治理新思路

让我知道你在看