黃天文將用戶增長分為三大流派，分別是市場營銷派、實驗增長派和技術(shù)派，下面簡單介紹下這三大流派：
1、市場營銷派——做品牌和花錢買流量
市場營銷派做不好，叫流量獲取，這活誰都能干，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細(xì)化運營來調(diào)控獲客成本和質(zhì)量。
2、實驗增長派——提出增長假設(shè)，做實驗
即，發(fā)現(xiàn)問題、提出想法、預(yù)期效果、測試、復(fù)盤，這5步稱之為一個增長周期，不斷循環(huán)這5步，致使數(shù)據(jù)達(dá)到增長目標(biāo)。
3、技術(shù)派——就是大家常說的“增長黑客”，運用技術(shù)套利，實現(xiàn)低成本增長。
市場營銷和實驗增長派在之前的文章里已經(jīng)介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優(yōu)質(zhì)的量？| 渠道質(zhì)量評估模型》和《沒有護(hù)城河的流量池，用戶來得快，流失更快》），所以今天就來個技術(shù)派跟大家分享一下。
真正做到know your customer（不是反洗錢的KYC哦），要像個“跟蹤狂”一樣，跟蹤用戶的關(guān)鍵行為，這個用戶看了首頁、又看了視頻頁、看了13篇文章、分享了1篇文章、點擊下單按鈕了、最終購買了某件商品。
從第一次啟動APP到購買的整個過程，都是你監(jiān)控的范圍。甚至能通過購買前的一些行為，來預(yù)測用戶的購買概率，從而推動成交量的增長。
其實技術(shù)派的例子也是屢見不鮮：
如網(wǎng)飛（Netflix）通過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)隊發(fā)現(xiàn)，在使用其免費產(chǎn)品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉(zhuǎn)化率高出一倍之多，隨后每多使用一次，其購買的可能性就會提高。
通過以上幾個例子，大家可以知道，大體邏輯就是基于用戶的行為，來判斷用戶另外一種行為的概率。紙牌屋的例子是通過用戶的觀看習(xí)慣，來推斷新產(chǎn)品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產(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現(xiàn)用戶增長的——這也是增長三部曲的最后一部。
雖然在當(dāng)下，深度學(xué)習(xí)模型已經(jīng)成為時尚，但邏輯回歸仍然堅守在第一線，靠的就是其高時效性與高準(zhǔn)確度性。許多銀行和金融平臺利用此模型預(yù)測借款人違約的概率，在金融領(lǐng)域都能站住腳，足以看出邏輯回歸的江湖地位。
很多運營同學(xué)聽到邏輯回歸模型都會大驚失色，覺得難度系數(shù)過高，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)，也就是建模的過程交給技術(shù)（別跟我說技術(shù)不會邏輯回歸模型，只可能是你魅力不夠~~），在技術(shù)的輔助下，將模型結(jié)果拿來用就OK，適合所有運營人士；
“挑戰(zhàn)”路線則是自己建模分析，有時候人不逼一下自己怎么能行呢！沒準(zhǔn)從此走上了用數(shù)據(jù)說話的道路，告別“數(shù)據(jù)神棍”。另外告訴大家一件事，數(shù)據(jù)運營比運營更來錢，運營的同學(xué)還在等什么，趕緊往數(shù)據(jù)轉(zhuǎn)吧哈哈哈~~
今天來跟大家分享的題目是，如何運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，重點放在沒有下單的用戶身上。如何去做？根據(jù)用戶行為，構(gòu)建模型，找出下單用戶畫像。之后呢？我們要做兩件事。第一，引導(dǎo)沒有下單但已經(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，慢的一個月怎么也玩明白了。
簡單的說，邏輯回歸模型其實就是：將歷史用戶在下單前或者未下單前的行為，放進(jìn)模型中，模型會模擬出一個方程，之后我們根據(jù)方程套用到新的用戶身上，來判斷哪些用戶下單的概率高，哪些行為對用戶下單影響較大，最后根據(jù)模型來做后續(xù)的策略。
下面我們就來簡述一下建模過程。
（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“瀏覽頁面數(shù)”，是按照自然數(shù)統(tǒng)計的；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，接下來就把這些數(shù)據(jù)導(dǎo)入到模型中，模型會給出相應(yīng)的反饋結(jié)果。
（2） 檢驗?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，說白了就是模型能不能用。如下圖
模型評估
這里只看步驟二紅框里的幾個數(shù)字就可以。
第一個是-2對數(shù)擬然值，這個值越低越好，在100以下就算可以接受，1000以下嘛也將將可以。第二個就是卡方&顯著性（Sig），卡方一般小于100，Sig<=0.05即可，說明模型當(dāng)中的變量（用戶行為）對下單有顯著影響。
看完這3個數(shù)，就證明模型擬合優(yōu)度OK，可以使用。當(dāng)然除了統(tǒng)計學(xué)外，也可以通過AUC值作為模型的評價標(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”為2.909，表示注冊的用戶，其下單的概率是未注冊用戶的2.909倍，換而言之，注冊比不注冊下單率高了近3倍。
再看 “生命周期”，生命周期長與生命周期短的比值0.998，說明生命周期越長，下單的概率越小。
至此第二階段就已經(jīng)完成了，開始進(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，待模型通過檢驗后，反饋給我們的數(shù)據(jù)，就是今天的重點。
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)”對下單影響不顯著，所以在步驟2時，剔除掉此變量，留下的變量都是Sig<0.05的顯著變量。
通過B值構(gòu)建邏輯回歸模型：
1.069是否注冊+0.93瀏覽新聞視頻數(shù)+0.06APP停留時長+0.076主頁停留時長+0.052啟動次數(shù)+0.004瀏覽頁面數(shù)+0.194看過頁面A+0.767看過成交頁-0.02生命周期-3.571
通過Sig我們可以知道：
當(dāng)Sig<0.05時，該變量十分顯著，經(jīng)過篩選（步驟2），這些變量的Sig全部小于0.05，說明我們選取的行為對下單的影響是非常顯著的。
通過EXP（B）我們可以得到的結(jié)論是：
有過該行為的用戶是沒有該行為用戶下單率的倍數(shù)。以“是否注冊”為例，在其他變量不變的情況下，注冊用戶的下單概率是非注冊用戶的2.909倍?？催^頁面A的用戶是沒看過頁面A用戶的1.214倍。
模型結(jié)果解讀后，是不是覺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，所以我們這就開始講解模型的應(yīng)用場景。
這一步開始“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”回歸成一個人了，不論是運營還是數(shù)據(jù)運營都可以完成本章內(nèi)容，這一章可千萬別懶了。
下面列舉幾個應(yīng)用場景，供大家參考。
應(yīng)用場景一 模型觸達(dá)用戶
觸達(dá)可以分為兩種，全自動觸達(dá)和半自動觸達(dá)：
（1）全自動觸達(dá)：
通過上述回歸模型，在程序內(nèi)可以將每一個用戶的下單概率算出來，篩選出下單概率高的用戶，自動觸發(fā)短信、PUSH或者紅包。
（2）半自動觸達(dá)：
半自動指的是我們并不用上述模型計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，手動去選擇行為的閾值，這樣做可能會比全自動化計算出來的用戶多一點，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：
半自動閾值圖
應(yīng)用場景二 產(chǎn)品化即時彈窗
當(dāng)用戶滿足上面提到的行為時，自動觸發(fā)彈窗，引導(dǎo)用戶下單。
這種方法其實要比場景一的轉(zhuǎn)化率高很多，因為觸達(dá)短信屬于后置動作，用戶在收到短信時，可能已經(jīng)錯過最好轉(zhuǎn)化時機(jī)。而自動彈窗，會在用戶意愿值最高時，及時提醒并轉(zhuǎn)化。
這種產(chǎn)品化彈窗并不少見，比如騰訊的和平精英游戲，會在你獲得勝利（吃雞）時，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分率，還能保證好評率，是一種經(jīng)典的產(chǎn)品運營方式。
應(yīng)用場景三 產(chǎn)品化調(diào)整
通過模型我們知道提高下單轉(zhuǎn)化的三個重點指標(biāo)依次為注冊、看過頁面A和看過成交頁。
那么我們從產(chǎn)品層面，要做一些調(diào)整，比如通過強(qiáng)制注冊或者調(diào)小注冊頁的跳過按鈕來提高注冊率；調(diào)整成交頁的下單按鈕的大小、位置和顏色；改變頁面A的入口深度，讓用戶更容易進(jìn)入該頁等等；不要小看這些操作，比如下圖，將注冊頁由表單形式改成分布式，注冊率就能提升7%，如下圖所示：
產(chǎn)品改動提升注冊率圖
總而言之，我們通過改動產(chǎn)品，帶動重點指標(biāo)增長，從而提高下單轉(zhuǎn)化率，是一種“曲線救國”的方法。
模型的拓展主要分為兩個方面，自身優(yōu)化和橫向拓展。自身優(yōu)化主要是針對下單模型如何進(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互動行為等都可套用。
至此，整個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，其實模型原理很簡單，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)工程師最愛模型，并非浪得虛名，熟練掌握此模型會對業(yè)務(wù)有非常大的幫助。
最后，我們就把今天分析的過程捋一捋：
模型流程圖
（1）確定增長目標(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、運營層）
今天給大家介紹的技術(shù)派用戶增長之邏輯回歸模型就到這里了，這也是用戶增長三大流派中最難的一種，但也并非可遇不可求，相信自己。
