黃天文將用戶增長(zhǎng)分為三大流派，分別是市場(chǎng)營(yíng)銷派、實(shí)驗(yàn)增長(zhǎng)派和技術(shù)派，下面簡(jiǎn)單介紹下這三大流派：
1、市場(chǎng)營(yíng)銷派——做品牌和花錢(qián)買(mǎi)流量
市場(chǎng)營(yíng)銷派做不好，叫流量獲取，這活誰(shuí)都能干，只要給錢(qián)就有量；做的好才叫用戶增長(zhǎng)，通過(guò)對(duì)渠道精細(xì)化運(yùn)營(yíng)來(lái)調(diào)控獲客成本和質(zhì)量。
2、實(shí)驗(yàn)增長(zhǎng)派——提出增長(zhǎng)假設(shè)，做實(shí)驗(yàn)
即，發(fā)現(xiàn)問(wèn)題、提出想法、預(yù)期效果、測(cè)試、復(fù)盤(pán)，這5步稱之為一個(gè)增長(zhǎng)周期，不斷循環(huán)這5步，致使數(shù)據(jù)達(dá)到增長(zhǎng)目標(biāo)。
3、技術(shù)派——就是大家常說(shuō)的“增長(zhǎng)黑客”，運(yùn)用技術(shù)套利，實(shí)現(xiàn)低成本增長(zhǎng)。
市場(chǎng)營(yíng)銷和實(shí)驗(yàn)增長(zhǎng)派在之前的文章里已經(jīng)介紹過(guò)（詳見(jiàn)本人之前的文章《如何用更少的錢(qián),帶來(lái)更優(yōu)質(zhì)的量？| 渠道質(zhì)量評(píng)估模型》和《沒(méi)有護(hù)城河的流量池，用戶來(lái)得快，流失更快》），所以今天就來(lái)個(gè)技術(shù)派跟大家分享一下。
真正做到know your customer（不是反洗錢(qián)的KYC哦），要像個(gè)“跟蹤狂”一樣，跟蹤用戶的關(guān)鍵行為，這個(gè)用戶看了首頁(yè)、又看了視頻頁(yè)、看了13篇文章、分享了1篇文章、點(diǎn)擊下單按鈕了、最終購(gòu)買(mǎi)了某件商品。
從第一次啟動(dòng)APP到購(gòu)買(mǎi)的整個(gè)過(guò)程，都是你監(jiān)控的范圍。甚至能通過(guò)購(gòu)買(mǎi)前的一些行為，來(lái)預(yù)測(cè)用戶的購(gòu)買(mǎi)概率，從而推動(dòng)成交量的增長(zhǎng)。
其實(shí)技術(shù)派的例子也是屢見(jiàn)不鮮：
如網(wǎng)飛（Netflix）通過(guò)分析客戶觀看的電影和節(jié)目，發(fā)現(xiàn)凱文史派西參演的電影和政治題材的電視劇都非常受用戶歡迎，所以才有的網(wǎng)飛制作電視劇《紙牌屋》；
商務(wù)智能公司RJMetrics的團(tuán)隊(duì)發(fā)現(xiàn)，在使用其免費(fèi)產(chǎn)品期間，用過(guò)軟件編輯圖表的用戶與沒(méi)用過(guò)此功能的用戶相比，轉(zhuǎn)化率高出一倍之多，隨后每多使用一次，其購(gòu)買(mǎi)的可能性就會(huì)提高。
通過(guò)以上幾個(gè)例子，大家可以知道，大體邏輯就是基于用戶的行為，來(lái)判斷用戶另外一種行為的概率。紙牌屋的例子是通過(guò)用戶的觀看習(xí)慣，來(lái)推斷新產(chǎn)品是否受歡迎。RJMetrics公司是通過(guò)購(gòu)買(mǎi)前的某些行為，來(lái)判斷用戶是否購(gòu)買(mǎi)產(chǎn)品。
因此，我們就引出今天的主題：技術(shù)派是如何利用邏輯回歸模型實(shí)現(xiàn)用戶增長(zhǎng)的——這也是增長(zhǎng)三部曲的最后一部。
雖然在當(dāng)下，深度學(xué)習(xí)模型已經(jīng)成為時(shí)尚，但邏輯回歸仍然堅(jiān)守在第一線，靠的就是其高時(shí)效性與高準(zhǔn)確度性。許多銀行和金融平臺(tái)利用此模型預(yù)測(cè)借款人違約的概率，在金融領(lǐng)域都能站住腳，足以看出邏輯回歸的江湖地位。
很多運(yùn)營(yíng)同學(xué)聽(tīng)到邏輯回歸模型都會(huì)大驚失色，覺(jué)得難度系數(shù)過(guò)高，所以下文提供了難易兩條路線供大家參考。第一條是“懶人”路線，第二條是“挑戰(zhàn)”路線。
“懶人”路線就是按照下文的步驟，把需求提給技術(shù)，也就是建模的過(guò)程交給技術(shù)（別跟我說(shuō)技術(shù)不會(huì)邏輯回歸模型，只可能是你魅力不夠~~），在技術(shù)的輔助下，將模型結(jié)果拿來(lái)用就OK，適合所有運(yùn)營(yíng)人士；
“挑戰(zhàn)”路線則是自己建模分析，有時(shí)候人不逼一下自己怎么能行呢！沒(méi)準(zhǔn)從此走上了用數(shù)據(jù)說(shuō)話的道路，告別“數(shù)據(jù)神棍”。另外告訴大家一件事，數(shù)據(jù)運(yùn)營(yíng)比運(yùn)營(yíng)更來(lái)錢(qián)，運(yùn)營(yíng)的同學(xué)還在等什么，趕緊往數(shù)據(jù)轉(zhuǎn)吧哈哈哈~~
今天來(lái)跟大家分享的題目是，如何運(yùn)用邏輯回歸模型促成交，提高GMV。
在做模型之前，確立自己的目標(biāo)是什么？那就是讓用戶下單，重點(diǎn)放在沒(méi)有下單的用戶身上。如何去做？根據(jù)用戶行為，構(gòu)建模型，找出下單用戶畫(huà)像。之后呢？我們要做兩件事。第一，引導(dǎo)沒(méi)有下單但已經(jīng)具備下單潛質(zhì)的用戶（預(yù)下單用戶）下單。第二，引導(dǎo)用戶成為預(yù)下單用戶。
選出你認(rèn)為對(duì)下單有影響的變量，然后給到技術(shù)，讓技術(shù)算法大神根據(jù)這些行為list（變量）和最后是否下單（因變量）做一個(gè)模型，并告訴你模型的可行性和篩選后剩下的變量。如下圖：
用戶行為list圖
最后告訴你這個(gè)模型O不OK就搞定，OK就進(jìn)入下一環(huán)節(jié)，不OK再繼續(xù)改善模型，直到模型成功為止。
有想挑戰(zhàn)的同學(xué)，推薦的建模工具有SPSS和python，如果是初學(xué)者的話，建議使用SPSS，操作簡(jiǎn)單，不需要編程能力，網(wǎng)上有大量的邏輯回歸模型的教學(xué)視頻，快的一周，慢的一個(gè)月怎么也玩明白了。
簡(jiǎn)單的說(shuō)，邏輯回歸模型其實(shí)就是：將歷史用戶在下單前或者未下單前的行為，放進(jìn)模型中，模型會(huì)模擬出一個(gè)方程，之后我們根據(jù)方程套用到新的用戶身上，來(lái)判斷哪些用戶下單的概率高，哪些行為對(duì)用戶下單影響較大，最后根據(jù)模型來(lái)做后續(xù)的策略。
下面我們就來(lái)簡(jiǎn)述一下建模過(guò)程。
（1） 數(shù)據(jù)預(yù)處理
如下圖所示，紅色的“是否下單”這一列是目標(biāo)值，指的是歷史用戶最終是否下單；藍(lán)色的各列是用戶下單前的行為。
下圖可以這樣解讀，每一行就代表著用戶從進(jìn)入平臺(tái)到下單（未下單）的全路徑行為。
樣本數(shù)據(jù)圖
如上圖所示，模型中分為兩種變量，一種是連續(xù)變量，比如“瀏覽頁(yè)面數(shù)”，是按照自然數(shù)統(tǒng)計(jì)的；另外一種是啞變量，比如“是否下單”，1代表下單，0代表未下單。
到此為止樣本數(shù)據(jù)都已經(jīng)處理完成，接下來(lái)就把這些數(shù)據(jù)導(dǎo)入到模型中，模型會(huì)給出相應(yīng)的反饋結(jié)果。
（2） 檢驗(yàn)?zāi)Ｐ?/strong>
不是把數(shù)據(jù)扔進(jìn)模型后就完事了，還要看一下模型擬合優(yōu)度，說(shuō)白了就是模型能不能用。如下圖
模型評(píng)估
這里只看步驟二紅框里的幾個(gè)數(shù)字就可以。
第一個(gè)是-2對(duì)數(shù)擬然值，這個(gè)值越低越好，在100以下就算可以接受，1000以下嘛也將將可以。第二個(gè)就是卡方&顯著性（Sig），卡方一般小于100，Sig<=0.05即可，說(shuō)明模型當(dāng)中的變量（用戶行為）對(duì)下單有顯著影響。
看完這3個(gè)數(shù)，就證明模型擬合優(yōu)度OK，可以使用。當(dāng)然除了統(tǒng)計(jì)學(xué)外，也可以通過(guò)AUC值作為模型的評(píng)價(jià)標(biāo)準(zhǔn)。
勞煩技術(shù)大神或算法大神把下單用戶的行為告訴你，并且把倍數(shù)關(guān)系告訴你，如下圖：
倍數(shù)關(guān)系圖
上圖的“是否注冊(cè)”為2.909，表示注冊(cè)的用戶，其下單的概率是未注冊(cè)用戶的2.909倍，換而言之，注冊(cè)比不注冊(cè)下單率高了近3倍。
再看 “生命周期”，生命周期長(zhǎng)與生命周期短的比值0.998，說(shuō)明生命周期越長(zhǎng)，下單的概率越小。
至此第二階段就已經(jīng)完成了，開(kāi)始進(jìn)入第三階段，模型應(yīng)用篇。
將上面（一）中的數(shù)據(jù)輸入到模型中，待模型通過(guò)檢驗(yàn)后，反饋給我們的數(shù)據(jù)，就是今天的重點(diǎn)。
模型方程變量圖
上圖的B代表邏輯回歸的系數(shù)，SE為標(biāo)準(zhǔn)誤，Wald是Wald卡方值，df為自由度，Sig是顯著程度，Exp（B）代表概率。
模型采用的是向后Wald法，篩選變量，步驟1中，模型發(fā)現(xiàn)是否“完成任務(wù)”對(duì)下單影響不顯著，所以在步驟2時(shí)，剔除掉此變量，留下的變量都是Sig<0.05的顯著變量。
通過(guò)B值構(gòu)建邏輯回歸模型：
1.069是否注冊(cè)+0.93瀏覽新聞視頻數(shù)+0.06APP停留時(shí)長(zhǎng)+0.076主頁(yè)停留時(shí)長(zhǎng)+0.052啟動(dòng)次數(shù)+0.004瀏覽頁(yè)面數(shù)+0.194看過(guò)頁(yè)面A+0.767看過(guò)成交頁(yè)-0.02生命周期-3.571
通過(guò)Sig我們可以知道：
當(dāng)Sig<0.05時(shí)，該變量十分顯著，經(jīng)過(guò)篩選（步驟2），這些變量的Sig全部小于0.05，說(shuō)明我們選取的行為對(duì)下單的影響是非常顯著的。
通過(guò)EXP（B）我們可以得到的結(jié)論是：
有過(guò)該行為的用戶是沒(méi)有該行為用戶下單率的倍數(shù)。以“是否注冊(cè)”為例，在其他變量不變的情況下，注冊(cè)用戶的下單概率是非注冊(cè)用戶的2.909倍?？催^(guò)頁(yè)面A的用戶是沒(méi)看過(guò)頁(yè)面A用戶的1.214倍。
模型結(jié)果解讀后，是不是覺(jué)得有很多東西值得我們?nèi)プ龅?，模型雖好但若不能落地等于沒(méi)做，還是那句老話，不能將數(shù)據(jù)分析落地執(zhí)行的業(yè)務(wù)需求都是耍流氓，所以我們這就開(kāi)始講解模型的應(yīng)用場(chǎng)景。
這一步開(kāi)始“懶人”路線和“挑戰(zhàn)”路線就合并了，我也終于從“精神分裂模式”回歸成一個(gè)人了，不論是運(yùn)營(yíng)還是數(shù)據(jù)運(yùn)營(yíng)都可以完成本章內(nèi)容，這一章可千萬(wàn)別懶了。
下面列舉幾個(gè)應(yīng)用場(chǎng)景，供大家參考。
應(yīng)用場(chǎng)景一 模型觸達(dá)用戶
觸達(dá)可以分為兩種，全自動(dòng)觸達(dá)和半自動(dòng)觸達(dá)：
（1）全自動(dòng)觸達(dá)：
通過(guò)上述回歸模型，在程序內(nèi)可以將每一個(gè)用戶的下單概率算出來(lái)，篩選出下單概率高的用戶，自動(dòng)觸發(fā)短信、PUSH或者紅包。
（2）半自動(dòng)觸達(dá)：
半自動(dòng)指的是我們并不用上述模型計(jì)算概率的方法選擇觸達(dá)用戶，而是將模型輸出的行為（變量）倍數(shù)關(guān)系作為參考，手動(dòng)去選擇行為的閾值，這樣做可能會(huì)比全自動(dòng)化計(jì)算出來(lái)的用戶多一點(diǎn)，在預(yù)算不吃緊的情況下可以用這種方式進(jìn)行觸達(dá)。如下圖紅框所示：
半自動(dòng)閾值圖
應(yīng)用場(chǎng)景二 產(chǎn)品化即時(shí)彈窗
當(dāng)用戶滿足上面提到的行為時(shí)，自動(dòng)觸發(fā)彈窗，引導(dǎo)用戶下單。
這種方法其實(shí)要比場(chǎng)景一的轉(zhuǎn)化率高很多，因?yàn)橛|達(dá)短信屬于后置動(dòng)作，用戶在收到短信時(shí)，可能已經(jīng)錯(cuò)過(guò)最好轉(zhuǎn)化時(shí)機(jī)。而自動(dòng)彈窗，會(huì)在用戶意愿值最高時(shí)，及時(shí)提醒并轉(zhuǎn)化。
這種產(chǎn)品化彈窗并不少見(jiàn)，比如騰訊的和平精英游戲，會(huì)在你獲得勝利（吃雞）時(shí)，彈出窗口，提醒你去應(yīng)用商店給游戲打分。這樣做不僅能夠提高用戶評(píng)分率，還能保證好評(píng)率，是一種經(jīng)典的產(chǎn)品運(yùn)營(yíng)方式。
應(yīng)用場(chǎng)景三 產(chǎn)品化調(diào)整
通過(guò)模型我們知道提高下單轉(zhuǎn)化的三個(gè)重點(diǎn)指標(biāo)依次為注冊(cè)、看過(guò)頁(yè)面A和看過(guò)成交頁(yè)。
那么我們從產(chǎn)品層面，要做一些調(diào)整，比如通過(guò)強(qiáng)制注冊(cè)或者調(diào)小注冊(cè)頁(yè)的跳過(guò)按鈕來(lái)提高注冊(cè)率；調(diào)整成交頁(yè)的下單按鈕的大小、位置和顏色；改變頁(yè)面A的入口深度，讓用戶更容易進(jìn)入該頁(yè)等等；不要小看這些操作，比如下圖，將注冊(cè)頁(yè)由表單形式改成分布式，注冊(cè)率就能提升7%，如下圖所示：
產(chǎn)品改動(dòng)提升注冊(cè)率圖
總而言之，我們通過(guò)改動(dòng)產(chǎn)品，帶動(dòng)重點(diǎn)指標(biāo)增長(zhǎng)，從而提高下單轉(zhuǎn)化率，是一種“曲線救國(guó)”的方法。
模型的拓展主要分為兩個(gè)方面，自身優(yōu)化和橫向拓展。自身優(yōu)化主要是針對(duì)下單模型如何進(jìn)一步優(yōu)化，提高準(zhǔn)確度；橫向拓展是將模型套用到其他業(yè)務(wù)上，不光下單可以使用該模型，用戶留存、UGC互動(dòng)行為等都可套用。
至此，整個(gè)邏輯回歸模型流程已經(jīng)介紹完畢，后續(xù)還有多種分析方法以及策略，在這里只是拋磚引玉，就不多贅述了。
今天講的邏輯回歸模型可能有些硬核，其實(shí)模型原理很簡(jiǎn)單，就是根據(jù)用戶的行為，去推斷用戶另一種行為的概率。邏輯回歸模型是一線機(jī)器學(xué)習(xí)工程師最愛(ài)模型，并非浪得虛名，熟練掌握此模型會(huì)對(duì)業(yè)務(wù)有非常大的幫助。
最后，我們就把今天分析的過(guò)程捋一捋：
模型流程圖
（1）確定增長(zhǎng)目標(biāo)
（2）用戶行為數(shù)據(jù)準(zhǔn)備
（3）模型調(diào)試
（4）模型結(jié)果解讀
（5）模型的應(yīng)用（產(chǎn)品層、技術(shù)層、運(yùn)營(yíng)層）
今天給大家介紹的技術(shù)派用戶增長(zhǎng)之邏輯回歸模型就到這里了，這也是用戶增長(zhǎng)三大流派中最難的一種，但也并非可遇不可求，相信自己。
