TapCub 正式上线:统计、分析、客服一个平台免费用
增长与运营

超个性化怎么起步:先用两个行为信号,再证明有提升

超个性化是根据每个人最近的行为调整他看到的内容。本文讲三个层级、写成规则的七个信号、一次测试需要多少数据,以及用留出组证明提升的算例。

艾玛·柯林斯 发布于 2026 年 11 月 17 日 11 分钟阅读 增长与运营
示例数据:标准页面 2,000 人中 60 人升级,定制页面 2,000 人中 90 人升级,提升 1.5 个百分点(z ≈ 2.50)。如果每组只有 500 人,同样的比率只得到 z ≈ 1.25,分不清是不是噪声。示例数据

超个性化是根据每个人最近的行为,常常就在同一次访问里,调整他看到的内容,而不是给一大群人发同一条信息。它最适合小步起步:两三个行为信号,比如做过什么、多久之前做的;一种不同的体验;再加一个留出组,看这个改动是否真的多带来了转化。

读完你会知道

  • 「超」指的是关于一个人的具体、最近的信号,不是堆得很多的数据
  • 每叠一个信号,受众就缩小一次;只有剩下的人还够测试所需样本时才加
  • 用留出组证明提升,并且只使用对方同意范围内的数据

什么是超个性化,它和个性化有什么不同?

超个性化是根据一个人自己最近的行为,常常就在同一次访问里,决定他看到什么,而不是给一大群人发同一条信息。普通个性化说的是「德国的客户看德语页面」。超个性化说的是「这个人本周看了两次定价页,还没升级,那就给他看定价常见问题,而不是通用首页」。

「超」说的是信号有多具体、多新,不是你手里有多少数据。一条只用两个行为(做过什么、多久之前做的)的规则,只要针对的是这个人最近几天的行为,就已经是超个性化。一个有五十个输入的模型并不天然更好,它只是更难解释、更难测试,也更容易出错。

你经常会看到这类数字:「增长更快的公司,从个性化中获得的收入占比高出 40%」(McKinsey)。这是两个公司特征之间的相关,并不能说明给活动多加数据就会提高效果,更回答不了你下一次改动有没有用。只有和没收到改动的那一组对比才能回答,下面的算例就是这么做的。

个性化有哪三个层级?

多数团队直接跳到第三层。前两层已经包含了大部分实用价值,而且用普通网站的流量就能测。

层级由什么决定展示内容例子需要的信号需要维护什么
规则式你写的一条固定规则看过两次定价页的人,显示定价常见问题1–2 个行为这条规则
分群式由规则定义、按计划刷新的一组人给流失买家和新用户不同的首页首屏2–3 个行为加一个时间窗分群定义,以及每组一条信息
预测式,逐人模型给每个人打分按每个人的历史调整商品排序很多信号,每人有较长历史模型、训练数据和监控

升级层级的规则很简单:只有当低一层已经测出提升、而且你能说清下一层会多带来什么,才往上走。说不清,就是在为复杂度付钱。

定义和现成的分组见分群是什么、行为分群和用户分群示例。

应该先用哪些行为信号?

先从收集成本低、容易向客户解释、时间窗短的信号开始。下表列了七种,每一行都是今天就能写出来的规则。

一条有用的纪律:把每个信号写成「事件、时间窗、次数」。「对企业版感兴趣」不是信号;「近 14 天看过企业版页面」才是。同样的四要素规则写法在行为分群里有讲。

信号规则示例它说明什么隐私提示
做过或没做过看过定价页,没有升级有兴趣但还没决定自己网站上的第一方行为
最近程度最近 7 天内活跃过兴趣是否还热同上
频率30 天里有 3 天以上打开报表构建器是习惯,不是好奇同上
入口来源从「对比」类文章进来带着什么问题来的你自己设置的活动标记
生命周期阶段近 7 天内首次出现需要引导,不需要优惠来自同样的事件
价值RFM 分桶「将沉睡」值得做召回需要购买事件
平台用 iOS 应用,不用网站该适配哪个界面(移动端个性化)设备类型,不是身份

每个信号都写成动作、做过或没做过、时间窗和次数,这样两个人算出来的是同一群人。

再叠加一个信号之前,需要多少数据?

每多加一个信号,受众就缩小一次,而太小的受众什么也证明不了。这是超个性化悄悄存在的限制,也是动手之前就能算清的算术。

示例数据:一个产品有 20,000 名月活登录用户,每加一个信号,人群就收窄一次。

步骤新增规则剩余人数占上一步的比例
1月活,已登录20,000全部
230 天内看过定价页3,20016.0%
3还没有升级2,88090.0%
4最近 7 天内回访过1,44050.0%

再看测试所需的人数。假设这群人平时的升级率是 3.0%,你希望定制页面把它提高到 4.5%。用标准的两比例样本量公式(显著性 5%,检验力 80%),每组需要约 2,514 人,合计约 5,028 人。在步骤 3(每月 2,880 人)上做测试,约 1.7 个月凑够;在步骤 4(每月 1,440 人)上做,要约 3.5 个月。到那时产品、季节和流量都已经变了。

判断规则:只有当剩下的受众能在一两个月内凑够所需样本,才加这个信号。凑不够,就保留更宽的受众,换一种方式让体验更具体,或者接受更大、更久的测试。

算例:给看过定价页但没升级的人做一个定制页面

示例数据:取上面步骤 3 受众里约 1.4 个月的量,也就是 4,000 名看过定价页但没有升级的登录用户,随机分成两半。一半看标准页面,一半看以定价常见问题和套餐对比开头的页面。两组都跟踪 14 天。

组人数升级人数升级率
标准页面(留出组)2,000603.0%
定制页面2,000904.5%
差值30+1.5 个百分点(相对 +50%)

复算方法:60 ÷ 2,000 = 3.0%,90 ÷ 2,000 = 4.5%,4.5% − 3.0% = 1.5 个百分点,1.5 ÷ 3.0 = 50%。每组 2,000 人时多出 30 次升级。检验显著性:合并比例是 150 ÷ 4,000 = 3.75%,标准误是 √(0.0375 × 0.9625 × (1/2,000 + 1/2,000)) ≈ 0.0060,z = 0.015 ÷ 0.0060 ≈ 2.50(p ≈ 0.013)。这个提升不太可能是噪声,不过每组 2,000 人略低于前面算出的每组 2,514 人,所以按临界结果看待。

对比一下:如果同样的比率只出现在每组 500 人里,就是 15 次对约 22.5 次升级,z ≈ 1.25,p ≈ 0.21。差距一模一样,结论却是「看不出来」。这就是为什么留出组和受众规模,比定向有多精细更重要。

app.tapcub.com

升级率:标准页面与定制页面

14 天,每组 2,000 人
标准页面(留出组)3.0%
定制页面4.5%
示例数据
示例数据:标准页面 2,000 人中 60 人升级,定制页面 2,000 人中 90 人升级,提升 1.5 个百分点(z ≈ 2.50)。如果每组只有 500 人,同样的比率只得到 z ≈ 1.25,分不清是不是噪声。

电商和移动应用怎么做个性化?

同一个规则写法覆盖了读者搜得最多的两种情况。下面每个例子都是一对信号加一个改动。

  • 电商,加购和浏览。 信号:近 3 天加入购物车,没有结算。改动:下次访问时在顶部显示购物车内容和送达预估。衡量:定制组与留出组的结算完成率。购物车放弃本身见结算放弃。
  • 电商,复购客户。 信号:90 天内买过两次。改动:对他们不再显示首单优惠横幅。衡量:每位访客的订单数和优惠成本,因为给本来就会买的人发优惠是成本,不是提升。
  • 电商,价值分层。 信号:RFM 分桶。改动:给「将沉睡」发召回信息,给「冠军」发会员权益信息。见 RFM。
  • 移动应用,新手引导。 信号:近 7 天内安装,还没完成第一个关键动作。改动:下次打开时显示应用内清单。衡量:14 天内完成该动作的比例。
  • 移动应用,平台和版本。 信号:平台和应用版本。改动:只在功能存在的地方展示它,让没人看到自己用不了的功能提示。

每个例子里,改动都只有一件,很小而且可撤回。超个性化失败,往往是十件事一起改,没人说得清哪一件起了作用。

超个性化要守哪些隐私边界?

GDPR 里有两条原则划出了边界,即使你不在 GDPR 适用范围内也有参考价值。个人数据必须为特定、明确、合法的目的收集,不得以与这些目的不相容的方式使用(第 5 条第 1 款 b 项),而且必须与目的相适应、相关且限于必要范围(第 5 条第 1 款 c 项)。另外,个人可以随时反对其数据被用于直接营销,包括与之相关的画像,组织随后必须停止(第 21 条第 2、3 款)。

由此得到的实用规则:

  1. 只用对方给你的、或在你自己网站上产生的信号。「看过定价页」是第一方行为。从别处买来画像去猜收入,是另一回事,也是另一个法律问题。
  2. 优先用对方告诉你的信息。 对方自己声明的偏好,比如注册时选的商品类别,是更安全、更准确的输入。见零方数据。
  3. 尊重同意状态。 缺少分析或营销同意时,依赖它的个性化不能运行。
  4. 留一条退路。 一个可见的重置或关闭定制的入口成本很低,在实践中就回应了第 21 条。
  5. 不要推断敏感特征。 用「看过健康类页面」这样的规则去定向优惠,透露的比对方愿意分享的更多。

本节是一般性信息,不是法律意见;你自己的使用依据什么法律基础,取决于所在国家和同意设置。

超个性化的常见错误

  • 一上来就做模型。 没有规则式基线,你就看不出模型到底多带来了什么。
  • 信号叠到超出可测试的规模。 算例里步骤 4 需要 3.5 个月的流量才能测完。
  • 没有留出组。 没有一组不接收改动的人,季节性流量和一个好周看起来都像提升。
  • 把本来就会行动的人算进功劳。 给快要下单的人发优惠,账面收入上去了,利润下来了。
  • 用过期名单做个性化。 上个月导出的静态名单里,仍然有后来已经升级的人。
  • 一次改很多东西。 文案、版式和优惠一起变,赢了也学不到可以重复的东西。

在 TapCub 里怎么做和衡量超个性化

下面是定价页这个例子在 TapCub 里的跑法,TapCub 只负责衡量。TapCub 不发邮件和推送,也不提供不同的页面;它定义人群并衡量结果,改动由你的网站、内容系统或消息工具来投放。

  1. 把人群定义成规则。 在全端分析 › 用户 › 分群与标签创建规则分群:近 30 天做过定价页浏览,且没有做过你的升级事件。保存前先预览成员人数。分群每天刷新(也可手动),并保留 30 天人数趋势,所以你能看到加规则后受众怎么缩小。
  2. 识别这些人。 分群里只有已识别的人;匿名访客没有档案,也不会进分群。用户登录时调用 tapcub.login()(见识别用户)。登录能不能绑定到档案,取决于合规中心里的识别设置。
  3. 把分配结果作为属性发出来。 你的网站决定谁看定制页时,把这个选择记成事件属性,例如 variant = standard 或 tailored。
  4. 对比两组。 在全端分析 › 行为分析 › 行为分析里,建一个从定价页浏览到升级事件的漏斗,按 variant 属性分解;也可以对这个分群点「去分析」,把这群人当成分析里的人群限定。读两组的转化率,并对照你算好的样本量检查组的大小。
  5. 电商用 RFM。 RFM 分群需要一个购买事件和一个金额属性,把人分到 10 个桶(冠军、忠诚、潜在忠诚、新客、有潜力、需关注、将沉睡、有风险、不能失去、沉睡),并记录桶之间的移动。

如果配置了 webhook,分群刷新时 TapCub 会发出成员变化,你自己的工具可以据此发起消息。TapCub 本身不做流量随机分配。

FAQ

用简单的话说,什么是超个性化?

就是根据每个人自己最近做过的事,而不是一整群人通常会做的事,给他展示内容。一个看过两次定价页还没升级的访客,会看到回答定价问题的页面。它依靠的是最近的第一方行为、一条你能写下来的规则,以及证明有效的对照组。

个性化和超个性化有什么区别?

个性化通常按国家、套餐、行业这类宽泛特征分组,每组给一种体验。超个性化收窄到个人最近的行为,并随行为变化而更新。实际上这条界线只是程度问题:信号更具体、时间窗更短、更新更快。

做超个性化需要 AI 或大量数据吗?

不需要。两个行为信号加一个时间窗就够起步,几千人就能测。只有当规则式版本已经测出提升、而且你能说清模型会多带来什么,才值得考虑模型。数据越多,隐私责任和维护负担也越多。

电商客户怎么做个性化?

选一对信号和一个改动:比如近 3 天加购但没结算,下次访问时显示购物车和送达预估。拿留出组做对照来衡量。RFM 分桶是复购客户和快流失客户的第二条简单维度。

移动应用用户怎么做个性化?

对应用事件用同样的规则写法:近 7 天内安装、还没完成第一个关键动作,就显示应用内清单。平台和应用版本是简单信号,避免给用户展示他用不了的功能。在固定时间窗内衡量该动作的完成率。

另见:个性化购物体验:三个层次、所需数据和衡量方法。

另见:网站个性化步骤:从分群到量出提升。

资料来源

这篇文章对你有帮助吗?

我们会根据反馈修改和补充这篇内容。

艾玛·柯林斯

产品分析师

聚焦事件分析、转化漏斗与用户留存,用清晰的指标定义和分析框架解释产品表现。

先定义人群,再衡量改动

用人们做过的事建一个规则分群,每天刷新,再比较你测试的几组人的转化。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie