分段定位
分段定位
分段定位是一種系統方法，用於根據行為，價值和風險數據選擇誰，何時以及通過哪個渠道進行顯示。目的：最大限度地提高增量效應（收入/保留）,最大限度地減少危害和成本。
1）分割目標和水平
目標：激活，貨幣化，保留，重新激活，交集，RG/合規幹預。
級別：- 人口/地理/設備（基本）。
- 行為/RFM（回報，頻率，金錢）。
- 價值（LTV/保證金）。
- 傾向（事件的前提：存款，購買，教堂）。
- Uplift/靈敏度（接觸增加的可能性）。
- 粒度：品牌×國家×平臺×頻道×內容類別-與流量和預算保持一致。
2）數據和特征
活動：訪問，點擊，註冊，遊戲/投註，存款/購買，活動響應。
背景：日歷（假期/比賽/薪水），吸引渠道，應用程序版本，價格/限額。
身份：用戶/設備/IDFA/電話/電子郵件；身份的橋梁。
Fici：RFM窗口（7/30/90），內容多樣性，每周小時/天，ARPPU/頻率，對pushi/e-mail的響應。
質量：事件等效性，dedup/antibot，TZ=UTC存儲+本地表示。
3）分割方法
3.1規則（基於規則）
優點：可解釋性,快速性,失敗安全性。
缺點：易碎，局部最佳。
示例：「新手，沒有第二次訪問48小時，移動iOS」。
3.2隊列行為（RFM/模式）
「新鮮×頻率×收入」課程。
收藏行為集群：最喜歡的類別/超時插槽。
3.3 聚類/embeddings
k-means/DBSCAN/高斯通過規範化行為指標進行混合。
內容/用戶embeddings（矩陣因子）→「興趣」集群。
3.4個傾向（基於propensity/得分）
事件概率模型：存款，重訪，上遊；門檻是錯誤的代價。
3.5 Uplift/靈敏度
接觸增益模型（T-learner，Uplift 樹木/GBM）。
Зоны: Persuadables / Sure things / Do-not-disturb / Lost causes.
在相同的預算下，Uplift瞄準會產生最大的包容性。
4）定向策略設計
決策表（草圖）
滯後：輸入/輸出閾值不同，以免出現「閃爍」。
配額/限額：每個用戶/頻道/段；沖突政策是「安全→經濟→ UX」的優先事項。
5）實驗和銅鑼評估
A/B/多重測試：針對細分/政策/創意；規劃MDE、持續時間、分層。
準實驗：DiD/區域拔模合成控制。
估計：增量收入/保留，uplift@k，Qini/AUUC，ROMI，guardrails（投訴，RG）。
預算持平：按預期利潤率細分預算。
6）頻道和編排
渠道： 應用,推送,電子郵件,短信,呼叫,網站模塊,個性化店面.
編排器：保證交付,retrai/backoff, 「action_id」, DLQ,優先級,「安靜時鐘」窗口。
內容/創意：模板庫，creatives A/B，頻率帽。
7）度量與監測
過程：段覆蓋，後退（Decision→Action），可交付性，接觸頻率。
效果：收入/保留的嵌入式，ROMI，uplift@k，Qini/AUUC，NNT（每個結果有多少聯系人）。
風險：投訴/退出/垃圾郵件，RG指標，公平性（按組劃分的效果/錯誤差異）。
漂移：PSI/KL在關鍵分割離合器上，在已知集群之外的「新」用戶份額。
8）與價值和風險的結合
LTV加權：根據預期價值而不是「裸露」轉換優先考慮細分。
EV規則：[
EV=p_{\text{uspekh 行動}\cdot\text {Valu} -\text {Cost}-p_{\text{vred}}\cdot\text{Harm}
]如果EV ≥ 0和guardrails正常,請聯系。
責任：RG/合規優先級；決定的可解釋性是強制性的。
9）片段和活動護照（模板）
段護照
代碼： 「SEG_RFM_R0-7_F1-2_M0_Q3」
定義和fiche配方（窗口7/30/90, antibot/frod過濾器）
尺寸/更新/新鮮；與其他段相交
風險和例外（RG/合規）,所有者,版本
競選護照
目標和KPI（增量收入/重建,ROMI）
片段/頻道/創意/頻率帽
評估設計（A/B或準實驗）,持續時間,MDE
Guardrails： zhaloby≤Kh，RG-flagi≤U，latency≤Z
回滾計劃和Runibuck事件
10）Pseudo-SQL/食譜
RFM分段（草圖）
sql
WITH acts AS (
SELECT user_id,
MAX(ts) AS last_act,
COUNT() FILTER (WHERE ts > NOW()-INTERVAL '30 day') AS freq_30d,
SUM(amount) FILTER (WHERE ts > NOW()-INTERVAL '90 day') AS money_90d
FROM user_activity LEFT JOIN payments USING(user_id)
GROUP BY 1
),
rfm AS (
SELECT user_id,
DATE_PART('day', NOW() - last_act) AS recency_days,
freq_30d,
money_90d
FROM acts
)
SELECT,
CASE WHEN recency_days<=7 THEN 'R0-7'
WHEN recency_days<=30 THEN 'R8-30' ELSE 'R31+' END AS R_bucket,
CASE WHEN freq_30d>=10 THEN 'F10+'
WHEN freq_30d>=3 THEN 'F3-9' ELSE 'F0-2' END AS F_bucket,
CASE WHEN money_90d>=200 THEN 'M200+'
WHEN money_90d>=50 THEN 'M50-199' ELSE 'M0-49' END AS M_bucket
FROM rfm;存款傾向（火車滑動,無泄漏）
sql
-- label: deposit in next 7 days
WITH snap AS (SELECT DATE_TRUNC('day',:cut) AS cut),
feat AS (... your RFM/behavioral features with condition ts <= cut...),
label AS (
SELECT u. user_id,
CASE WHEN EXISTS (
SELECT 1 FROM payments p
WHERE p. user_id=u. user_id
AND p. ts > cut AND p. ts <= cut + INTERVAL '7 day'
) THEN 1 ELSE 0 END AS dep_next_7d
FROM users u CROSS JOIN snap
)
SELECT FROM feat JOIN label USING(user_id);11）公平、隱私和道德
PII最小化：標識符化，RLS/CLS，掩碼。
公平：檢查敏感組之間的效果/錯誤差異；排除無效的特征。
透明度：瞄準的原因（頂級功能/規則）-sapport可用；上訴之路。
頻率帽和「安靜時鐘」-防止疲勞和傷害用戶。
12）反模式
「為了美麗」的片段，沒有可測量的嵌套。
按相關性而不是增量進行評估（無A/B/DiD）。
許多重疊的片段→沖突的活動和垃圾郵件。
無滯後閾值解決方案→觸點「閃爍」。
缺少guardrails（RG/投訴/頻率）和可解釋性。
沒有在線編排器-聯系人遲到，效果丟失。
13）分段目標啟動支票清單
- 確定目標、KPI和預算；粒度水平一致
- PIT數據圖和fiche處方；包括antibot/frod過濾器
- 部分由護照描述；沖突矩陣和優先級由
- 選擇方法（規則/聚類/propensity/uplift）和評估設計
- Decision tables、滯後、帽子和rate-limit自定義
- 具有等效性和DLQ的編曲器和頻道；「安靜的時鐘」
- 監測：效應（uplift/ROMI）、風險（投訴/RG）、漂移
- 文檔：分段/策略版本、所有者、runbooks
底線
分段定位不是CRM中的「快捷方式」集合，而是托管系統：定性數據和特征→有意義的細分（價值/行為/敏感性）→滯後政策和監護人→凝結評估→穩定的編排和監控。這樣的系統通過減少投訴和風險來增強ROMI和LTV，並使每次接觸都合適，及時和符合道德。