3. 风险人群定义：什么是风险人群，常见的风险指标

在 AB 测试组合风险人群切片中，风险人群是指那些在特定业务指标上表现出负面趋势、且这种趋势可能对长期业务价值造成实质性损害的用户子集。识别并隔离风险人群，是避免实验“平均化陷阱”、发现隐藏负向效应的关键步骤。

3.1 风险人群的核心特征

风险人群并非随机出现的异常值，而是具有以下共同特征的用户群体：

• 行为轨迹恶化：用户在关键行为（如登录、点击、购买）上的频次或深度出现持续下降。
• 价值贡献衰减：用户的短期或长期价值（如 LTV、ARPU）呈现负增长。
• 可归因性：负面变化与实验干预（如新功能、新策略）存在统计上的关联性。
• 可干预性：该群体在实验组中的表现显著差于对照组，且差异具有业务意义。

3.2 三大常见风险指标

在 AB 测试实践中，以下三类风险指标构成了风险人群切片的核心监控维度。每个维度都对应着不同的用户生命周期阶段和业务关注点。

3.3 流失风险指标详解

流失风险是风险人群切片中最基础、最敏感的指标。它直接反映了用户与产品关系的断裂趋势。

• 定义：用户在特定时间窗口内（如 7 天、30 天）未发生任何核心行为（如登录、打开 App）。
• 常用量化指标：
  • 次日/7 日/30 日留存率：实验组 vs 对照组的留存率差异。
  • 流失率：单位时间内流失用户数 / 期初活跃用户数。
  • 沉默用户占比：连续 N 天无行为的用户比例。
• 切片价值：通过流失风险切片，可以识别出“实验新功能是否加速了高价值用户的流失”。

3.4 付费风险指标详解

付费风险直接关联收入，是商业实验中不可忽视的监控维度。即使实验对核心体验无负面影响，付费指标的恶化也可能导致实验被叫停。

• 定义：用户在付费行为上的负面变化，包括付费意愿降低、付费金额减少或付费周期拉长。
• 常用量化指标：
  • 付费率：付费用户数 / 总活跃用户数。
  • ARPU（每用户平均收入）：总收入 / 总用户数。
  • ARPPU（每付费用户平均收入）：总收入 / 付费用户数。
  • 首次付费时间：用户从注册到首次付费的平均天数。
• 切片价值：付费风险切片可以揭示“实验是否抑制了中等付费用户的消费意愿，而仅对高付费用户无影响”。

3.5 活跃度下降风险指标详解

活跃度下降风险是用户体验恶化的早期信号，通常先于流失和付费风险出现。它反映了用户与产品互动的“质量”在下降。

• 定义：用户在核心功能上的使用频次、时长或深度出现统计显著的下降。
• 常用量化指标：
  • DAU/MAU（日/月活跃用户数）：实验组 vs 对照组的活跃用户数变化。
  • 人均会话次数：用户每日启动 App 或访问网站的次数。
  • 核心功能使用率：如“搜索功能使用率”、“购物车添加率”。
  • 平均停留时长：用户在关键页面或会话中的平均时长。
• 切片价值：活跃度下降风险切片可以定位“实验是否导致特定用户群（如新用户）的核心功能使用率骤降”。

3.6 风险指标关系图谱

以下 SVG 图展示了三大风险指标之间的逻辑递进关系，以及它们在用户生命周期中的位置。

3.7 风险人群切片与指标组合

在实际 AB 测试中，风险人群切片通常需要将上述指标与用户属性进行交叉组合，才能精准定位问题群体。以下表格展示了常见的组合切片方式：

3.8 风险指标计算示例（Python 伪代码）

以下代码展示了如何在实际 AB 测试中计算风险人群的核心指标。注意：实际生产环境需考虑数据窗口、用户去重和统计检验。

import pandas as pd
import numpy as np
from scipy import stats

def calculate_risk_metrics(experiment_df, control_df, user_id_col='user_id', date_col='date', behavior_col='is_active'):
    """
    计算实验组与对照组的风险指标差异
    
    Parameters:
    - experiment_df: 实验组用户行为数据
    - control_df: 对照组用户行为数据
    - user_id_col: 用户ID列名
    - date_col: 日期列名
    - behavior_col: 行为标记列名（1表示活跃，0表示不活跃）
    
    Returns:
    - risk_metrics: 包含各风险指标差异的字典
    """
    
    # 1. 计算活跃度下降风险：最近7天 vs 前7天的活跃度变化
    def calc_activity_decline(df):
        recent = df[df[date_col] >= df[date_col].max() - pd.Timedelta(days=7)]
        prior = df[(df[date_col] >= df[date_col].max() - pd.Timedelta(days=14)) & 
                   (df[date_col] < df[date_col].max() - pd.Timedelta(days=7))]
        recent_active = recent[behavior_col].mean()
        prior_active = prior[behavior_col].mean()
        decline_rate = (prior_active - recent_active) / prior_active if prior_active > 0 else 0
        return decline_rate
    
    exp_decline = calc_activity_decline(experiment_df)
    ctrl_decline = calc_activity_decline(control_df)
    
    # 2. 计算流失风险：最近30天未活跃的用户占比
    def calc_churn_rate(df):
        last_30d = df[df[date_col] >= df[date_col].max() - pd.Timedelta(days=30)]
        active_users = last_30d[last_30d[behavior_col] == 1][user_id_col].nunique()
        total_users = df[user_id_col].nunique()
        churn_rate = 1 - (active_users / total_users) if total_users > 0 else 0
        return churn_rate
    
    exp_churn = calc_churn_rate(experiment_df)
    ctrl_churn = calc_churn_rate(control_df)
    
    # 3. 统计检验（双样本比例检验）
    def proportion_test(exp_rate, ctrl_rate, exp_n, ctrl_n):
        z_stat, p_value = stats.proportions_ztest(
            count=[int(exp_rate * exp_n), int(ctrl_rate * ctrl_n)],
            nobs=[exp_n, ctrl_n]
        )
        return p_value
    
    exp_n = experiment_df[user_id_col].nunique()
    ctrl_n = control_df[user_id_col].nunique()
    
    risk_metrics = {
        'activity_decline_exp': exp_decline,
        'activity_decline_ctrl': ctrl_decline,
        'activity_decline_diff': exp_decline - ctrl_decline,
        'churn_rate_exp': exp_churn,
        'churn_rate_ctrl': ctrl_churn,
        'churn_rate_diff': exp_churn - ctrl_churn,
        'p_value_activity': proportion_test(exp_decline, ctrl_decline, exp_n, ctrl_n),
        'p_value_churn': proportion_test(exp_churn, ctrl_churn, exp_n, ctrl_n)
    }
    
    return risk_metrics

# 使用示例
# risk_results = calculate_risk_metrics(exp_data, ctrl_data)
# print(risk_results)

3.9 风险人群定义的最佳实践

在定义风险人群时，建议遵循以下原则，以确保切片结果具有可操作性和统计可靠性：

1. 指标先行，人群后定：先确定核心风险指标（如 7 日留存下降 5%），再根据指标阈值圈定人群。
2. 多指标联合判断：单一指标可能产生误判，建议至少结合两个风险指标（如活跃度下降 + 付费风险）来定义高风险人群。
3. 动态阈值调整：风险阈值应根据历史数据分布动态设定（如使用百分位数或均值±标准差），而非固定值。
4. 排除自然波动：在定义风险人群前，需排除季节性、节假日等自然波动因素，避免将正常波动误判为风险。
5. 业务可解释性：每个风险人群的定义必须能被业务团队理解，并能对应到具体的干预动作（如发送优惠券、调整功能入口）。