很多团队判断谁会付费，靠的是活跃度和直觉。日活高、在线时间长、等级高的用户被优先推上付费位，结果转化平平，反而是一些看起来安静的用户先付了钱。
问题不在数据不够，而在信号选错了。活跃只说明用户正在使用产品，付费意愿还要看他在关键节点上的动作。识别潜在付费用户，本质是把零散的行为轨迹翻译成可以比较的分数，再把分数对应到有差别的运营动作上。
游戏、电商、工具、内容类产品的信号清单和阈值不同，判断链路是一致的。ThinkingAI 服务全球超 1500 家企业、接入产品超 8000 款，用户运营是其中打磨时间较长的场景之一。下面把这条链路完整拆开，从信号选择一直走到人群圈选和效果验证。
一、识别潜在付费用户，先纠正三个误判
在列信号清单之前，先排掉三种最常见的错判。它们不修正，后面打的分越精细，偏得越远。
1、活跃不等于愿意付费
活跃和付费之间只存在弱相关。用户可能每天登录，是因为通勤路上没事做，也可能因为工作必须用，这些都不构成付费理由。活跃度只能用来判断用户还在不在，不能用来判断用户愿不愿意掏钱。
真正有区分度的，是那些和收益、成本、决策直接相关的动作，比如在价格页停留了多久、对权益问过什么、对额度抱怨过几次。
2、只盯已付费人群，看不到增量
按历史付费金额分层是最省事的做法，代价是只能看见已经掏过钱的人。付费金额告诉你谁是老客户，行为信号才告诉你谁是新客户。
已经付费的人群负责稳定收入，未付费人群里那批近期行为突然变化的人，才是下一阶段增量的主要来源。两批人要分开运营，不能用同一套逻辑。
3、把单次动作当成购买信号
一次价格页访问可能是误触、比价，也可能只是随手点开。单个动作的噪声很大。判断信号强弱，要看它在一段时间窗内是否重复出现、是否与其他信号相互印证。
把一次点击推给销售或弹给客服，消耗的是双方的耐心。
二、哪些行为信号真正指向付费意愿
把几十个埋点事件堆在一起，运营同学没法执行。更实用的分法，是按信号距离付款动作的远近分成四类。
1、意向信号，用户是否主动靠近价格与权益
这类行为离钱最近，包括浏览定价页或充值页、对比不同套餐、领取或使用优惠券、把商品加入购物车与收藏、打开会员权益说明、主动询问开通方式和费用。
判断要点是同一意向信号重复出现，比一次性出现有价值得多。一周内三次查看同一档套餐，和随机点开一次，含义完全不同。
2、投入信号，时间和关系有没有沉淀下来
投入信号包括使用时长与频次、完成新手引导、绑定账号或支付方式、创建作品与角色、加入社群、邀请同事或好友、把内容分享出去。
这些动作代表用户已经在这款产品里积累了迁移成本。投入越深，用户越愿意为继续用下去付费，而不是为某个新功能付费。
3、阻力信号，用户卡在哪一步没往前走
典型表现是走到支付页但没有完成付款、反复查看价格又退出、咨询客服后没有下文、在关键功能上触到限制，比如额度用完、导出受限、协作人数不够。
阻力信号往往不是不想买，而是某一处摩擦没有解决。 这时候正确的动作是修问题，而不是加推送。同类判断思路在流失场景里也适用，先定位断点再决定要不要干预，可以参考用户流失预警的拆解方式。
4、身份信号，他是谁、和谁在一起
身份信号包括设备与渠道来源、地区、职业或角色、所在团队规模、所属客群等级、历史付费记录。
身份信号的作用是修正概率，不能单独下结论。同样一次价格页访问，来自目标客群用户和来自随机流量，权重应该不同。
判断信号强弱可以记住三条经验，离付款动作越近越强，越难被人为触发越强，在短时间内密集出现比长期零星出现更强。另外要清楚，这些是相关性，不等于因果，分数表达的是概率，不是判决。
三、把信号变成分数，怎么打分与分层
信号选好之后，需要一个可以比较的口径。打分不必一开始就上模型，规则引擎足以支撑第一版。
1、先统一口径，再谈打分
需要先确认三件事。用户的唯一标识是否打通，同一用户在 App、网页、小程序上的行为能否合并到一个人身上。事件命名是否统一，否则同一个动作在不同端会算成两个事件。时间窗怎么定，近 7 天、14 天还是 30 天，不同业务节奏不一样。
口径不统一，分数就没有可比性，人群也就圈不准。 如果取数环节依赖多个系统，用数据分析 Agent把口径拉到同一张表上，比反复对数更省时间。
2、给信号赋权，越接近付费权重越高
赋权原则可以直接照做。
1、意向信号权重最高，其中价格页访问、优惠券领取、套餐对比排在前列
2、投入信号权重中等，重点看关键动作是否完成，而不是单纯的时长
3、阻力信号单独处理，它指向的是一次修复动作，而不是一次推销
4、身份信号作为修正系数，命中目标客群加分，明显偏离客群减分
同一个信号在短时间内重复出现，可以叠加权重。比如连续三天查看同一档套餐，分值应高于三天内各看一次不同套餐。
3、算分并分层，让每一层都有运营含义
分层不是把分数切成几段就结束，每一层都要能对应一个动作和一份预算。通常切成四层就够了，高意向层是近期多次出现意向信号且已有投入，中意向层是有投入但意向信号稀少，待激活层是身份匹配但行为较浅，噪音层只有一次性浅层点击。
分层完成后，如果已经有稳定的付费数据，可以先用 RFM 模型把历史付费人群的价值梳理清楚，再叠加意向信号，避免把高价值老用户和新增意向用户混在同一批人里。
四、从人群到动作，不同分数给不同策略
圈出人群只是开始。分层的价值在于动作有差别，如果四层人群收到同一条推送，前面的打分就白做了。
1、高意向人群，重点是降低决策摩擦
这批人已经走到价格附近，缺的是确认。给出清晰的权益对比、可核验的价格说明、明确的服务保障，比强调优惠力度更有效。触达渠道优先站内、私域和客服跟进，节奏要快，通常在触发行为后不久就是窗口期。
2、中意向人群，补上没走完的关键体验
这批人有投入但意向信号稀少，说明他们还没有抵达真正感到价值的时刻。动作应该指向完成关键动作，比如走完新手引导、跑通一次完整的核心功能闭环。用一次顺畅的体验换一次付费意愿，比用一次打折换一次冲动购买更耐久。
3、低意向与噪音人群，控制打扰成本
浅层点击、随机流量、一次性访问都属于噪音。对这批人不需要主动推销，做到个性化推荐位和内容触达即可，同时设好频次上限。触达密度本身就是成本，把人群池洗成反感，后续再想挽回要付出更高代价。
如果人群多、动作复杂，人工圈选和手动发券很难跟上节奏。把筛选结果接到 ThinkingAI 的智能运营 Agent上执行圈选、策略编排和自动触达，行为数据回流后再回到评分环节，形成可复用的闭环。
五、怎么验证人群筛选真的有效
一套评分规则上线后，如果没人验证，它就只是猜测。看四个指标就够。
1、看命中率，不看圈选人数
圈出一万人不叫成功，圈出的一万人里有多少真的付费才算。这个比例偏低，说明信号选得不够准，或者阈值定得太松。
2、看打扰成本，触达不是免费的
统计触达量、关闭推送率、退订率和投诉率。如果关闭推送的比例持续上升，说明筛选精度在下降，或者频次控制失效了。
3、用对照实验确认增量
这是最容易被跳过的一步。不打对照，自然转化会被算成策略功劳。留一组同质人群不做触达，比对两组的付费率差异，得到的才是增量。ThinkingAI 的 A/B 实验 Agent可以从实验设计、分流到效果归因跑完整条链路，省去人工对表的环节。
4、定期复算，让评分跟上版本变化
版本更新、活动上线、竞品动作都会改变信号的含义。建议每一到两周复算一次权重，每次大版本发布后重新校验一次阈值，别让一套半年前的口径继续决定今天的人群。
六、常见问题解答
1、没有算法团队，能做付费意向筛选吗
可以。第一版用规则引擎就够，列出十几个关键事件，按距离付款动作的远近赋权，再分四层人群。规则的好处是每一步都能解释，运营同学可以直接调整阈值。等标注样本积累到一定规模，再考虑用模型替换部分规则。
2、新产品用户少，怎么起步
样本少的时候不要急着打分，先做行为观察。挑出前 100 个付费用户，回看他们付费前做过什么，把重复出现的动作整理成信号清单。这份清单是后续打分的起点，比照搬行业通用模板更贴合自己的产品。
3、高分人群多久触达一次合适
以不引起反感为前提，通常同一用户一周内主动触达不超过两次，高意向人群可以在触发行为后的短时间内跟进一次。触达内容要跟着用户当前所处的环节变化，反复发同一条信息，效果会快速衰减。
4、付费意向评分多久更新一次
建议按天或按小时增量更新行为数据，按周复算分数分层。评分更新太慢，用户已经完成决策甚至已经流失，人群圈得再准也没有意义。
5、这套方法适合哪些行业
有明确付费动作和可持续行为记录的产品都适用，包括游戏、短剧、直播、电商、工具类应用和泛娱乐产品。行业差异体现在信号清单和阈值上，链路本身是一致的。比如游戏看首充和道具消耗，电商看加购和复购，工具类看额度和协作人数。
