用户增长决策手册
从用户价值分层到精准干预的全链路用户增长决策指南
LTV · 流失 · 分层运营母婴跨境用户运营的核心矛盾：大多数营销动作（发券、触达）对「无论如何都会复购」的用户是纯浪费，对「无论如何都不会复购」的用户是无效投入。真正的增长在于找准「可被干预改变」的那 10-20%。
预期收益
- [OK] 可说服用户识别精准率 +25%，优惠券 ROI 提升 3-5x
- [OK] 复购率提升 10-15%，LTV 增加
- [OK] 新用户首单转化率提升 15-20%
- [OK] 年化节省无效促销成本 25-50 万元
Step 1
Step 1 — 用户价值分层
谁是你的高价值用户？谁即将流失？谁从未真正激活？
→ 用 R/F/M 三维把用户分成 8 类（冠军→流失→沉睡），每类对应不同运营策略
LTV预测 - 零膨胀对数正态模型 (ZILN)
100-200 万⭐⭐⭐☆☆
→ 零膨胀对数正态模型预测用户生命周期价值，识别潜力高价值用户
STAN 用户生命周期自适应建模
176万元
→ 时空注意力网络建模用户生命周期阶段（新客→成熟→衰退），判断当前阶段
所需数据：需要：用户历史订单（近 1 年）、注册时间、品类购买记录
输出结果：用户价值分层标签 + 各层用户规模与贡献占比
Step 2
Step 2 — 流失预警与精准干预
哪些用户会流失？发券对谁真正有效？
→ Uplift 流失预测：识别「可说服者」，避免对必然流失和必然留存的用户浪费资源
Guardrailed CATE-NBA
10 万元⭐⭐⭐☆☆
→ 带预算护栏的最优行动决策：在预算约束下输出最优干预名单
Customer Churn Prediction (用户流失预测)
1.5-3 万⭐⭐☆☆☆
→ 深度学习流失预测，捕捉复杂的行为序列模式
所需数据：需要：历史 A/B 干预数据（发/未发券对照）或 RCT 数据，≥ 5000 用户
输出结果：可干预用户名单（按 CATE 排序）+ 干预方式推荐（券面值/文案/渠道）
Step 3
Step 3 — 复购周期与 LTV 提升
如何在正确的时机触达用户，提升复购率？
→ 队列留存分析，找出复购的关键时间窗口（如首单后 14 天是黄金窗口）
→ 长期偏好记忆模型，捕捉用户跨品类的兴趣演变
→ 用户长记忆画像，支持个性化触达内容生成
所需数据：需要：用户行为序列（浏览/加购/购买）、触达记录与响应结果
输出结果：个人化复购提醒时机 + 触达内容模板
Step 4
Step 4 — 新用户冷启动推荐
新用户没有历史数据，如何实现个性化推荐？
→ LLM 模拟新用户行为，生成合成交互数据填补冷启动空白
→ 元学习框架，用少量交互数据快速适配新用户偏好
所需数据：需要：注册信息、首次浏览 session 行为（即使只有 3-5 次点击）
输出结果：新用户首屏个性化推荐列表