一、前置准备：全面采集用户数据（含核心维度与工具）

1. 核心采集维度

• 设备维度：设备品牌（华为、小米、OPPO、vivo、苹果等）、具体型号（如iPhone 16、华为Mate 70）、屏幕分辨率（720×1280、1080×1920等）、硬件配置（处理器、内存，可选），核心用于判断适配优先级。
• 系统维度：系统类型（iOS/Android）、系统版本（如iOS 18、Android 14）、定制化系统（EMUI、MIUI、ColorOS等），需区分官方版本与品牌定制版本的差异。
• 浏览器维度：浏览器名称（Chrome、Safari、微信内置浏览器等）、浏览器版本、内核类型（Blink、WebKit、X5内核等），核心关注渲染引擎与功能支持差异。
• 辅助维度：用户活跃度（日活/月活）、用户价值（付费金额、转化效率）、访问场景（网络类型、地域），用于二次加权筛选高优先级对象。

2. 主流数据采集工具与方式

• 基础统计工具：百度统计、友盟、Google Analytics、GrowingIO等，可自动采集设备、系统、浏览器基础信息，生成可视化分布报表，支持按维度筛选与导出数据。其中GrowingIO JS SDK可异步采集访问数据，不影响网站加载，同时自动过滤爬虫等异常数据。
• UA解析技术：通过用户代理（User-Agent）字符串提取精准信息，UA包含设备型号、系统版本、浏览器内核等核心特征，可通过正则表达式或成熟库（如uap-core）解析。例如通过UA字符串可识别是否为微信X5内核、iOS/Android具体版本，解决厂商自定义UA导致的识别偏差问题。
• 服务器日志补充：通过Nginx、Apache服务器日志，提取访问请求中的UA信息与IP关联数据，交叉验证统计工具数据的准确性，排除客户端拦截导致的数据缺失。
• 合规注意事项：采集数据前需获得用户授权，不采集隐私信息（如手机号、位置等敏感数据），仅保留设备与环境特征信息，符合隐私保护规范。

二、确立筛选标准：聚焦核心，平衡成本与体验

1. 核心筛选原则

• 占比阈值原则：优先覆盖用户占比TOP80%的对象，放弃占比＜5%的老旧设备、小众浏览器（除非高价值用户集中），控制适配与测试成本。
• 价值加权原则：对高价值用户（如付费用户、核心业务转化用户）集中的设备/系统/浏览器，即使占比未进入TOP80%，也提升至核心层级。
• 迭代兼容原则：系统与浏览器版本优先覆盖近3个主流版本，老旧版本仅保留用户占比高的1-2个，跟随官方更新节奏动态调整。

2. 分级筛选标准示例（基于2025年数据）

三、分维度筛选实操：从数据到核心清单

1. 设备筛选：按品牌+型号+价值分层

1. 第一步：按品牌聚合数据，提取占比TOP5品牌（通常为苹果、华为、小米、OPPO、vivo），覆盖核心用户群体。
2. 第二步：在各品牌内按型号排序，筛选占比前3-5的机型（如苹果iPhone 16/16 Pro、华为Mate 70/P70），重点关注屏幕分辨率与硬件性能，确保覆盖主流尺寸（4.7-6.8英寸）与分辨率区间。
3. 第三步：叠加用户价值数据，若某小众机型（如折叠屏）付费用户占比高，补充至核心清单，针对性优化折叠屏布局适配。

2. 系统筛选：按类型+版本+定制化适配

1. iOS系统：因版本集中度高，优先筛选近3个版本（如iOS 17/18/19），覆盖≥90%用户；若iOS 16用户占比仍达15%以上，保留为次要层级，重点适配动态岛、待机模式等系统特性。
2. Android系统：因碎片化严重，聚焦主流品牌定制版，筛选Android 14/15（API 34/35）作为核心，Android 13作为次要层级，重点适配权限机制（如临时权限）、折叠屏WindowManager接口等特性，放弃Android 12及以下老旧版本（除非高价值用户集中）。

3. 浏览器筛选：按内核+份额+场景优先级

1. 第一步：按内核分类，优先覆盖Blink（Chrome）、WebKit（Safari）、X5（微信）三大内核，这三类覆盖超85%用户，避免为小众内核（如Gecko）投入过多资源。
2. 第二步：结合市场份额与自身用户数据，确定核心浏览器为Chrome、Safari、微信内置浏览器，次要为UC、QQ浏览器，重点验证核心浏览器的功能兼容性（如微信授权、Chrome动效支持）。
3. 第三步：针对浏览器版本，保留近2个主流版本，老旧版本通过UA识别引导用户升级，或提供降级功能体验。

四、工具与技术落地：提升筛选效率与准确性

1. 数据清洗与去重

• 过滤爬虫数据：通过UA特征、访问频率识别爬虫（如含“Spider”“Bot”关键词的UA），剔除无效数据。
• 去重处理：按用户唯一标识（如设备ID）去重，避免同一用户多次访问导致的占比失真。
• 修正识别偏差：针对厂商自定义UA（如三星、华为修改的UA字符串），建立厂商指纹库，通过多特征匹配修正设备、系统识别结果，避免误判。

2. 自动化筛选工具推荐

• UA解析工具：uap-core（开源库）、百度UA解析接口，可批量解析UA字符串，输出设备、系统、浏览器结构化数据。
• 数据可视化工具：Tableau、Power BI，导入统计工具数据后，按维度拖拽生成分布图表，快速定位TOP占比对象。
• 自定义脚本：通过JS或Python脚本，结合筛选规则自动生成核心清单，例如通过Python正则解析UA数据，按占比阈值筛选后导出Excel清单。

五、动态迭代：适配用户群体变化

• 定期更新清单：每月采集一次数据，每季度更新核心清单，跟进新品机型（如iPhone新系列）、系统新版本（如iOS 20）的用户占比变化。
• 监控线上反馈：通过错误日志、用户投诉，定位未覆盖的高频率适配问题，补充核心清单（如某机型出现高频布局错乱，及时纳入适配范围）。
• 跟进行业趋势：关注系统与浏览器更新日志（如Android 16 AI接口、Safari隐私政策变化），提前预判适配需求，调整筛选优先级。

六、核心注意事项

• 避免过度筛选：核心清单不宜过多（设备≤20款、系统≤5个版本、浏览器≤5款），否则违背“聚焦核心”初衷，增加适配成本。
• 联动适配与测试：筛选结果直接同步至开发（技术适配）、测试（测试用例设计）团队，确保核心对象全流程覆盖。
• 灰度验证：新核心清单确定后，通过灰度发布覆盖部分用户，验证适配效果，再全量推广。

七、总结