为什么推送点击率一路飙升，日活用户却纹丝不动，甚至引来更多抱怨和关闭？问题的核心在于，我们追逐的或许只是一个关于“存量点击”的虚假繁荣。
将推送优化目标从 CTR 切换为增量效用（Utility），意味着我们不再只关心用户‘点不点’，而是追问推送是否‘改变了用户的行为’。这直接关乎能否真正撬动业务增长，并平衡用户体验。
做 Push 算法和用户增长的同学几乎都踩过同一个坑：模型 CTR 越训越高，DAU 却涨不动，用户投诉、关推送的反而变多。
根本原因很简单：CTR 优化的是「存量点击」，不是「增量活跃」。高点击不代表有价值，只是你一直在打扰本来就会活跃的用户。
一、为什么 CTR 是「伪增量指标」
传统推送逻辑很直接：预估用户点击概率，优先发给高 CTR 人群。这套机制只会加剧资源错配：
1. 高活跃用户 CTR 最高，但增量几乎为 0。他们本就会主动开 APP，推送只是锦上添花的打扰，没有新增活跃价值。
2. 极低活跃用户 CTR 极低，增量同样接近 0。沉睡用户很难被单次推送唤醒，大部分触达都是无效消耗。
3. 中等活跃用户才是增量核心。他们需要外部触发才能活跃、留存，但因为单次 CTR 不如高活用户，长期被模型忽视。
简言之：CTR 做的是马太效应，让强者更强、弱者更弱，无法带动大盘增长。
二、什么是增量效用 Utility？
Utility 的核心是因果增量，不看用户点不点，只看推送「有没有改变用户行为」。
Utility = P(触达后活跃概率) − P(不触达后活跃概率)它代表一条推送能带来的纯增量活跃概率：
- Utility＞0：推送有效，能撬动新增活跃；
- Utility≈0：可有可无，无增量价值；
- Utility＜0：推送负向，会造成用户反感、流失。
Pinterest 通过海量数据验证了关键的倒 U 型曲线：用户活跃度和 CTR 正相关，但和 Utility 呈倒 U 型分布。中等活跃用户 Utility 最高，是平台增量的核心来源；极高/极低活跃用户，推送增量价值微乎其微。
三、 Utility的 A/B 实验效果
论文两组对照实验，严格控制变量，结论极具落地参考价值：
实验 1：等推送量资源重分配
在全局推送配额不变的前提下，Utility 模型自动缩减高活、低活用户的无效推送，把资源倾斜给中高增量的中等活跃用户。推送不再内卷存量，精准投放增量人群。
实验 2：Utility vs CTR 全局对照对照组沿用传统 CTR 模型，三个实验组全量接入 Utility 模型，最终结果统一向好：
- 全局推送量显著下降，减少用户打扰；
- 整体 CTR 不降反升，推送精准度提升；
- 核心实验组实现 DAU 正向增长，真正落地业务增量。
四、CTR vs Utility 建模核心对比
CTR 模型
- 优化目标：最大化推送点击数
- 能力短板：只优化表层互动，无法改善 DAU、留存等下游核心指标
- 技术复杂度：低，经典二分类预测模型- 业务价值：强化存量活跃，高活用户过度被打扰，无新增增量Utility 模型
- 优化目标：最大化推送带来的大盘增量活跃
- 能力优势：直接对齐 DAU、用户体验，解决指标割裂问题
- 技术复杂度：高，需要因果推断、双组样本预估差值
- 业务价值：挖掘中端用户增量，盘活存量、突破增长瓶颈
五、拓展：除了 Utility，业界主流推送优化模型
除了 Utility，我们再补充 3 种大厂常用的进阶方案，适配不同业务阶段：
1. Uplift Model（增益模型）
Utility 本质是 Uplift 在推送场景的落地应用。核心是预测“干预收益”，区分用户是自然活跃还是被推送唤醒。适合需要精细化人群差异化触达、解决资源浪费的场景，是目前增长算法的主流进阶模型。
2. Value Model（价值模型）
不再单一优化点击或活跃，直接预估单条推送的综合业务价值（活跃、时长、转化、留存加权得分）。适合电商、内容等多目标业务，平衡点击率、转化率和用户体验。
3. RCT 离线增益模型
通过离线随机对照实验，统计不同人群的推送增益，构建规则+模型的分层策略。技术门槛更低，适合中小团队快速落地增量优化，无需复杂线上建模。
暂无建模能力的团队，可先落地轻量化策略，快速见效：
1. 高活用户智能降频：对自发打开稳定的用户收敛推送，杜绝无效打扰；
2. 低活用户轻量化触达：放弃高频骚扰，改为低频精细化召回；
3. 中端潜力用户资源倾斜：把核心推送配额留给可被唤醒的中等活跃用户。