什么是用户分层？
用户分层，顾名思义就是对不同特征的用户归属不同的“层级”。用户分层的意义在于为不同特征的用户提供不同的服务，同时快速定位问题，找到业务突破口。（这里的分层，跟实验系统的分层属于不同的概念）
传统行业也有非常明确的用户分层的做法，我估计大家感受比较明显的是在银行。白金卡，金卡，黑卡 针对不同的存款的用户有不同的客户经理和接待方式。当然，现在大家去银行办事的次数由于移动支付的方便而锐减，可能对用户分层的感受没有那么明显了。
用户分层上应用得炉火纯青的是毛教员，在第一次国内革命战争时期，毛教员曾经发表了一篇《中国社会各阶级的分析》，充分论述了不同人群当前的现状和特征，指出革命领导力量的人群，哪些是主要的敌人，哪些是可以争取的人群以及哪些是需要提防的人群。
同样的，在互联网产品中，用户分层的运营策略也是非常明显的。针对不同的用户进行不同的运营活动和策略。用户分层的最高境界是千人千面，在这块，个性化推荐策略的应用就很强大。但即使是“千人千面”，在实际的分析中也是对特征相近的用户进行聚类来分析的，只是聚类的用户量颗粒度相对细。
在广告策略中，依然需要对不同的用户进行分层，下发不同的广告策略，根本原因就是，不同的用户对于广告的反应和容忍程度是不同的，不同的用户商业价值也是不同的。
为什么广告要进行用户分层策略？
用户端产品进行广告商业化变现，核心的目标是在较少的损害用户体验的前提下获取收益的最大化。
信息流类的产品，比如今日头条，抖音，快手之类的产品有几个核心的指标。一是广告的ARPU 值（即每个活跃用户价值 -Average Revenue Per User)，一个是广告的adload（即广告曝光量/产品信息流VV总量，最终代表的是广告的库存），这两个是广告的商业化关注的核心指标；另外一个是，产品核心指标的折损情况，如时长折损率或者用户留存率下降值。
关于时长折损率和用户留存率下降值，必须要再明确说明。产品时长折损率指的是某个信息流类的产品在展示广告后与不展示广告的对照组相比，产品的人均时长折损比例情况。用户留存率下降值，指的是某个产品在上线了广告商业化之后，产品的留存率相对比没有广告的时候（对比实验）留存率的变化绝对值。
商业化产品团队有一个非常重要的工作就是，在满足产品用户体验指标折损不至于过大的情况下尽量的提升商业化的收入。
有些产品插入广告后产品的核心指标——留存率或者产品的用户时长会明显下降，这些是就需要投入较多的精力去优化。有些产品，即便插入了广告，产品的核心指标没有明显的变化，这些产品无一不是具备强大的用户粘性，比如Facebook 或者抖音。
产品核心指标的调控，就涉及到用户的分层。用户分层的目的在于，去平均化，分析用户特征找出问题对应人群，进行有针对性的策略。
举例来说，信息流产品插入广告进行商业化变现后，产品人均时长下降了8%。这就是一个大盘的平均数。这里面有多种可能性，有部分用户时长折损大，有部分用户时长折损小，有部分用户甚至没有时长的折损。这就需要对不同的用户进行分层分析。
信息流产品商业化分层的策略，考虑的关键因素是两个：用户时长折损率和用户价值。目前还没有一个比较公认的指标来评估用户体验与广告商业化之间的评估。因此，这里面不同的产品有不同的评估指标和阈值。没有标准答案。
针对分层用户的情况，有哪些动态广告策略
针对用户时长折损率和用户价值的情况，与之对应的商业化策略有以下几点。
1）时长折损率高的部分用户，就少展示广告。这就代表部分用户对广告敏感，需要减少广告的投放；与之相应的则是，时长折损率低的用户，就增加投放，代表部分用户对广告不那么敏感，可以稍微增加点广告；
2）用户价值高的用户，可以多进行广告的曝光，代表这些用户广告价值高，转化率好；相应的，广告价值低的用户，可以减少广告展示。
这里面又涉及到时长折损率 + 用户的商业价值 的多个组合策略。用户的商业价值相对好判断，这个值主要的判断依据是在用户请求广告实时返回的ECPM价值来判断。（ECPM价值依赖于广告模型对于用户点击率和转化率的预估准确率）
而产品核心指标折损率的情况，目前是没有一个很明确的指标可以计算某个用户实时的折损情况，因此需要对用户进行分层分析。即某一部分特征的用户可能对广告比较敏感。
用户分层的方式有多种。不同的产品形态，分层的逻辑也不同，这里列出来的是用户分层分类的因素。每一个特征对应的用户群都需要进行线上实验，来观察实际的用户划分的逻辑以及设置的阈值是否有利于提升广告价值和降低产品核心指标的折损。
从用户活跃指标来看，主要有以下几个维度：新增用户；回流用户；低活跃用户；普通活跃用户；高活跃用户。
从广告体验来说，主要要以下几个维度：广告负反馈用户；看广告后马上退出产品的用户；广告快划用户等。
从产品的福利逻辑来看，部分产品通过福利策略激励用户多使用产品，比如趣头条，快手极速版等都有通过红包福利来增加产品粘性的策略，因此福利用户也会分为高福利，普通福利和低福利用户，不同的用户群体，对应的广告曝光策略会有所不同。举个例子，薅羊毛的用户，就可以将广告往更多的怼。
针对用户特征分层对应的动态adload 策略的实验，通常有两种做法。
一是，每个特征采用不同的阈值进行实验，指标正向就继续放量，不正向就继续调整阈值实验，直到针对某个指标有具体的结论（要么放量，要么放弃）。这种方法好处是，针对每个指标都是独立的实验，能很好的评估不同指标对于广告商业化的价值和用户指标的折损。
另一个方法是将多个特征采用某个公式（经验公式）抽象成一个指标，比如将广告负反馈+用户活跃情况+用户福利登记根据某个公式拟合一个“广告耐受度”的值，不同的指标的权重不同。
但抽象指标的阈值没有标准值，不同的场景不同的阈值，都需要通过实验来看最终结果。这个抽象指标汇报起来比较高大上，比上文的“广告耐受度值”指标来指导动态adload策略。但问题在于，当结果有效时，由于拟合指标本身是多个不同的点抽象而来，解释的成本将会很高，即便这个指标生效，你都不知道是哪个策略点的作用。最终实验就变成了不断的调整各个参数的值。
用户体验与商业化是一个不断需要平衡和优化的工作。这里没有银弹，需要持续挖掘用户的特征以及做实验。未来，可能出现，广告与内容混排的标准方案，即产品内容指标货币化，将用户产品的核心指标换算成货币价值，与商业广告一起根据商业价值混合排序，目前很多团队都在探讨。有更多的进展，我们也可以一起沟通交流下。
评论