3. 人群切片基础：定义、常见维度与评估作用
人群切片（Audience Segmentation / Cohort Slicing）是将整体评估对象按照特定属性拆分为多个同质子集的过程。在效果评估中，切片是识别差异、定位风险、优化策略的起点。没有切片，所有指标都是平均值，无法暴露隐藏的优劣分化。
3.1 人群切片的定义
人群切片是指根据一个或多个维度（如年龄、地域、行为）将评估总体划分为互斥且穷尽的子群体。每个子群体内部在所选维度上高度一致，群体之间则存在显著差异。切片后的每个子集称为一个“切片”或“人群段”。
核心原则：切片必须满足 MECE（Mutually Exclusive, Collectively Exhaustive）——子集之间互不重叠，且所有子集合起来等于全集。
3.2 常见切片维度
效果评估中最常用的切片维度可分为三大类：人口属性、地理属性、行为属性。下表列出各维度的典型取值与评估场景。
| 维度类别 | 具体维度 | 典型切片取值 | 评估作用示例 |
|---|---|---|---|
| 人口属性 | 年龄 | 18-24、25-34、35-44、45-54、55+ | 发现年轻用户转化率高但留存低，老年用户相反 |
| 性别 | 男、女、未知 | 识别不同性别对广告创意的点击偏好差异 | |
| 收入层级 | 低、中、高 | 高收入群体客单价高但复购率低，需调整策略 | |
| 地理属性 | 地域 | 一线城市、二线城市、三线及以下 | 一线城市曝光成本高但ROI低，需优化投放地域 |
| 时区/时段 | 早间、午间、晚间、深夜 | 晚间活跃用户付费意愿更强，可加大晚间推送 | |
| 行为属性 | 活跃度 | 高活跃、中活跃、低活跃、流失 | 高活跃用户贡献80%收入，需重点维护 |
| 购买频次 | 首购、复购1-3次、复购4+次 | 复购4+次用户流失风险低，可减少召回投入 | |
| 渠道来源 | 自然搜索、付费广告、社交媒体、推荐 | 自然搜索用户留存率最高，付费广告用户首单成本高 |
3.3 切片在评估中的作用
人群切片在效果评估中承担三项核心作用：发现差异、定位风险、指导优化。
- 发现差异：整体指标掩盖了群体间的真实差异。例如整体转化率5%，但切片后可能发现年轻用户转化率8%，老年用户仅2%。
- 定位风险：通过切片可以快速锁定表现异常的群体。例如某个地域的点击率突然下降，或某个年龄段的流失率飙升。
- 指导优化：基于切片差异制定差异化策略。例如对高价值切片加大预算，对低效切片调整创意或暂停投放。
实战提示：切片不是越多越好。维度过多会导致样本量不足，统计结果不可靠。建议每个切片至少包含100个样本，且切片数量控制在5-10个以内。
3.4 切片维度关系图
下图展示了三大维度之间的层级关系与典型切片路径。从原始用户池出发，依次经过人口、地理、行为三个维度进行切片，最终形成可用于评估的细分人群。
3.5 切片组合与风险识别
单一维度切片只能提供基础视角，真正的评估价值来自多维切片组合。例如同时按“年龄 × 地域”切片，可能发现“25-34岁一线城市用户”的转化率显著高于其他组合，而“55+三线城市用户”的流失率异常高。这种组合切片是后续章节“人群切片组合风险”的核心基础。
常见误区：不要只切不看。切片后必须对每个子集计算关键指标（如转化率、留存率、ROI），并与整体基准对比。如果所有切片指标与整体无显著差异，说明该维度不是影响效果的关键因素，应更换维度重新切片。
3.6 切片操作流程
标准的人群切片操作包含以下步骤：
- 明确评估目标：确定要分析的核心指标（如转化率、留存率）。
- 选择切片维度：基于业务经验或数据探索，选择1-3个可能影响指标的维度。
- 定义切片规则：确定每个维度的取值区间或分类标准（如年龄分段、地域分组）。
- 执行切片计算：使用SQL或分析工具对数据按规则分组，计算每组指标。
- 结果对比与解读：将各切片指标与整体基准对比，标记显著偏高或偏低的子集。
- 输出切片报告：以表格或可视化形式呈现切片结果，供决策使用。
关键指标：切片评估中常用的对比指标包括：切片转化率 vs 整体转化率、切片留存率 vs 整体留存率、切片ROI vs 整体ROI。差异超过±10%时通常视为显著，需重点关注。