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(chang)營(ying)銷派做(zuo)不(bu)好(hao)(hao)，叫(jiao)流(liu)量(liang)獲取，這活誰(shui)都能(neng)干，只要給錢就有量(liang)；做(zuo)的好(hao)(hao)才叫(jiao)用戶增長，通(tong)過(guo)對渠道精細化運(yun)營(ying)來調控獲客成本和(he)質量(liang)。
2、實驗增長派——提出增長假設，做實驗
即，發(fa)現問(wen)題、提(ti)出(chu)想法、預期效果、測試(shi)、復盤，這5步(bu)稱之為一個增長(chang)周(zhou)期，不斷(duan)循環這5步(bu)，致使數據達(da)到增長(chang)目標。
3、技術派——就是大家常說的“增長黑客”，運用技術套利，實現低成本增長。
市(shi)場營銷和(he)(he)實驗(yan)增長派在之前的(de)(de)(de)(de)文章(zhang)里已經介紹過（詳見本(ben)人之前的(de)(de)(de)(de)文章(zhang)《如何用(yong)更少的(de)(de)(de)(de)錢,帶來(lai)更優質的(de)(de)(de)(de)量？| 渠道質量評估(gu)模(mo)型》和(he)(he)《沒有(you)護城河的(de)(de)(de)(de)流量池，用(yong)戶來(lai)得快，流失更快》），所以今天就來(lai)個技術派跟大家(jia)分(fen)享一下。
真正做到know your customer（不是反洗錢的(de)KYC哦），要像個“跟蹤狂”一樣，跟蹤用(yong)戶的(de)關鍵行為，這個用(yong)戶看(kan)了(le)(le)首頁、又看(kan)了(le)(le)視(shi)頻頁、看(kan)了(le)(le)13篇文章、分享(xiang)了(le)(le)1篇文章、點擊下單按鈕了(le)(le)、最(zui)終購買了(le)(le)某(mou)件商品(pin)。
從第一次啟動APP到購買的整個過程，都是你監控的范圍。甚至能通過購買前的一些行為，來預測用戶的購買概率，從而推動成交量的增長。
其實技術派的例(li)子也是屢見不鮮：
如(ru)網(wang)飛（Netflix）通過(guo)分析客(ke)戶觀看(kan)的(de)(de)電(dian)(dian)影和(he)節目(mu)，發現凱文史派西參演(yan)的(de)(de)電(dian)(dian)影和(he)政治題材的(de)(de)電(dian)(dian)視(shi)(shi)劇都非常受用(yong)戶歡迎，所以(yi)才有的(de)(de)網(wang)飛制(zhi)作(zuo)電(dian)(dian)視(shi)(shi)劇《紙牌(pai)屋》；
商務智(zhi)能公司(si)RJMetrics的團隊發現，在使(shi)用(yong)其免費產(chan)品(pin)期(qi)間，用(yong)過軟(ruan)件編輯圖(tu)表的用(yong)戶(hu)與沒用(yong)過此功能的用(yong)戶(hu)相(xiang)比，轉化率高(gao)出一倍之多(duo)，隨后(hou)每(mei)多(duo)使(shi)用(yong)一次，其購買的可能性就會(hui)提高(gao)。
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(zhi)牌屋的(de)例子是通過(guo)用戶(hu)的(de)觀(guan)看習(xi)慣，來推(tui)斷(duan)新產品(pin)是否受歡迎。RJMetrics公司(si)是通過(guo)購買前的(de)某(mou)些(xie)行為，來判(pan)斷(duan)用戶(hu)是否購買產品(pin)。
因此，我們就引出今天的主題：技術派是如何利用邏輯回歸模型實現用戶增長的——這也是增長三部(bu)曲的(de)最(zui)后一(yi)部(bu)。
雖然(ran)在(zai)當下(xia)，深度學習模型已(yi)經(jing)成為(wei)時(shi)尚(shang)，但邏(luo)(luo)輯回歸仍然(ran)堅守在(zai)第一線(xian)，靠的(de)就是其高時(shi)效性與高準確度性。許多銀(yin)行和(he)金融平臺利用(yong)此模型預測借款(kuan)人違約的(de)概(gai)率，在(zai)金融領域都能站住腳，足以看出邏(luo)(luo)輯回歸的(de)江(jiang)湖(hu)地(di)位。
很多運營同學聽到邏輯回歸模型都會大驚失色，覺得難度系數過高，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”路線。
“懶人”路線就(jiu)是按(an)照(zhao)下文的(de)步驟，把需求提給技(ji)術(shu)，也(ye)就(jiu)是建模的(de)過程交(jiao)給技(ji)術(shu)（別跟(gen)我(wo)說技(ji)術(shu)不會邏(luo)輯回歸模型，只(zhi)可(ke)能是你魅(mei)力不夠(gou)~~），在技(ji)術(shu)的(de)輔(fu)助下，將(jiang)模型結果拿來用就(jiu)OK，適合所(suo)有運營人士；
“挑戰”路線則是(shi)自己(ji)建模分(fen)析(xi)，有時候人不(bu)逼一下自己(ji)怎么(me)能行呢！沒準從(cong)此走上了用數據說話的道路，告別“數據神(shen)棍”。另外告訴大家一件(jian)事，數據運營(ying)(ying)比(bi)運營(ying)(ying)更來錢，運營(ying)(ying)的同學(xue)還在等什么(me)，趕緊往數據轉吧哈哈哈~~
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(zai)做(zuo)模型之前，確立(li)自己的(de)目標(biao)是(shi)什么？那就是(shi)讓(rang)用(yong)戶(hu)下(xia)(xia)(xia)(xia)(xia)單(dan)(dan)，重(zhong)點(dian)放在(zai)沒有下(xia)(xia)(xia)(xia)(xia)單(dan)(dan)的(de)用(yong)戶(hu)身上。如(ru)何去做(zuo)？根據用(yong)戶(hu)行為(wei)，構建模型，找出下(xia)(xia)(xia)(xia)(xia)單(dan)(dan)用(yong)戶(hu)畫像。之后呢(ni)？我們要做(zuo)兩件事。第(di)一，引導沒有下(xia)(xia)(xia)(xia)(xia)單(dan)(dan)但已經具備下(xia)(xia)(xia)(xia)(xia)單(dan)(dan)潛質的(de)用(yong)戶(hu)（預(yu)下(xia)(xia)(xia)(xia)(xia)單(dan)(dan)用(yong)戶(hu)）下(xia)(xia)(xia)(xia)(xia)單(dan)(dan)。第(di)二，引導用(yong)戶(hu)成為(wei)預(yu)下(xia)(xia)(xia)(xia)(xia)單(dan)(dan)用(yong)戶(hu)。
選出你認為對下單有影響的(de)變量，然(ran)后(hou)給(gei)到(dao)技(ji)術，讓技(ji)術算法(fa)大神根據這(zhe)些(xie)行(xing)為list（變量）和(he)最后(hou)是否下單（因變量）做一(yi)個模型，并告訴你模型的(de)可行(xing)性和(he)篩選后(hou)剩(sheng)下的(de)變量。如(ru)下圖：
用戶行為list圖
最(zui)后告訴你這個模(mo)型(xing)O不OK就(jiu)搞定，OK就(jiu)進入下一環節，不OK再繼續改(gai)善(shan)模(mo)型(xing)，直到模(mo)型(xing)成功為止。
有(you)想挑戰的同學，推薦的建(jian)模工(gong)具有(you)SPSS和python，如果是初學者的話，建(jian)議使用SPSS，操作簡單，不(bu)需要編程能力(li)，網上有(you)大(da)量(liang)的邏輯回歸模型的教學視(shi)頻，快的一周，慢的一個月怎么也(ye)玩明白了(le)。
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，放進模型中，模型會模擬出一個方程，之后我們根據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，最后根據模型來做后續的策略。
下面我們(men)就來(lai)簡述(shu)一下建模過程。
（1） 數據預處理
如(ru)下圖所示(shi)，紅色的(de)“是(shi)(shi)否(fou)下單(dan)”這(zhe)一列(lie)是(shi)(shi)目標值，指的(de)是(shi)(shi)歷(li)史(shi)用(yong)戶最終是(shi)(shi)否(fou)下單(dan)；藍色的(de)各列(lie)是(shi)(shi)用(yong)戶下單(dan)前(qian)的(de)行為(wei)。
下(xia)圖可以(yi)這樣解讀，每一行(xing)就代(dai)表著用戶從進入平臺到下(xia)單(dan)（未下(xia)單(dan)）的(de)全路徑行(xing)為。
樣本數據圖
如上圖所示(shi)，模型中分為兩(liang)種(zhong)變(bian)量，一種(zhong)是(shi)連續(xu)變(bian)量，比如“瀏(liu)覽頁面數”，是(shi)按照自然數統(tong)計(ji)的(de)；另外一種(zhong)是(shi)啞(ya)變(bian)量，比如“是(shi)否下單(dan)(dan)(dan)”，1代表(biao)下單(dan)(dan)(dan)，0代表(biao)未(wei)下單(dan)(dan)(dan)。
到此為止(zhi)樣本數據都已(yi)經處理完成(cheng)，接下來(lai)就把這些數據導入(ru)到模(mo)型(xing)中，模(mo)型(xing)會給出相應的反饋結果。
（2） 檢驗模型
不是把數據扔進模型(xing)后就(jiu)完事了(le)，還要看一下模型(xing)擬(ni)合優度，說白了(le)就(jiu)是模型(xing)能(neng)不能(neng)用(yong)。如下圖
模型評估
這里只看步驟二(er)紅框(kuang)里的(de)幾個數字(zi)就(jiu)可以。
第(di)一個是-2對數擬然值(zhi)，這個值(zhi)越低越好(hao)，在(zai)100以(yi)下(xia)就(jiu)算可以(yi)接受，1000以(yi)下(xia)嘛也將將可以(yi)。第(di)二個就(jiu)是卡(ka)(ka)方&顯(xian)(xian)著(zhu)性（Sig），卡(ka)(ka)方一般小于100，Sig<=0.05即可，說明模型(xing)當中(zhong)的變(bian)量（用戶行為(wei)）對下(xia)單有顯(xian)(xian)著(zhu)影響。
看完這3個數，就證明模(mo)型擬合(he)優度OK，可(ke)以使(shi)用。當然除(chu)了統計學外，也(ye)可(ke)以通過(guo)AUC值作(zuo)為(wei)模(mo)型的(de)評(ping)價標準。
勞煩技(ji)術大神(shen)(shen)或(huo)算(suan)法大神(shen)(shen)把(ba)下單用(yong)戶的行為告訴(su)(su)你，并且把(ba)倍數關系告訴(su)(su)你，如(ru)下圖：
倍數關系(xi)圖
上圖的(de)(de)“是否(fou)注(zhu)冊(ce)”為(wei)2.909，表(biao)示(shi)注(zhu)冊(ce)的(de)(de)用戶(hu)，其下單的(de)(de)概率是未注(zhu)冊(ce)用戶(hu)的(de)(de)2.909倍，換而(er)言之，注(zhu)冊(ce)比不注(zhu)冊(ce)下單率高了(le)近3倍。
再看 “生(sheng)命周(zhou)期(qi)”，生(sheng)命周(zhou)期(qi)長(chang)與生(sheng)命周(zhou)期(qi)短的(de)比值0.998，說(shuo)明生(sheng)命周(zhou)期(qi)越長(chang)，下單的(de)概率越小。
至此第二階(jie)段就(jiu)已經完成了(le)，開(kai)始進(jin)入第三階(jie)段，模型應用篇(pian)。
將上面（一）中的數(shu)據(ju)輸入到(dao)模(mo)型(xing)中，待模(mo)型(xing)通過檢驗后，反(fan)饋給我們的數(shu)據(ju)，就(jiu)是今天(tian)的重點(dian)。
模型方程變(bian)量圖
上圖的B代表邏輯回歸的系數(shu)，SE為標準(zhun)誤，Wald是(shi)Wald卡方值，df為自(zi)由(you)度(du)，Sig是(shi)顯(xian)著程度(du)，Exp（B）代表概率。
模型采用的是向后(hou)Wald法，篩選變(bian)量(liang)，步(bu)驟1中，模型發現(xian)是否“完成任務”對下單影(ying)響不顯著(zhu)，所(suo)以在步(bu)驟2時，剔(ti)除掉(diao)此變(bian)量(liang)，留下的變(bian)量(liang)都是Sig<0.05的顯著(zhu)變(bian)量(liang)。
通過B值構建邏輯回歸模型：
1.069是否注冊(ce)+0.93瀏(liu)覽新聞(wen)視頻數+0.06APP停(ting)留時長(chang)+0.076主頁(ye)停(ting)留時長(chang)+0.052啟動次數+0.004瀏(liu)覽頁(ye)面數+0.194看(kan)過頁(ye)面A+0.767看(kan)過成交頁(ye)-0.02生(sheng)命(ming)周期-3.571
通過Sig我們可以知道：
當Sig<0.05時(shi)，該變量十(shi)分顯(xian)著，經(jing)過(guo)篩選(xuan)（步(bu)驟2），這(zhe)些變量的(de)Sig全部小于0.05，說(shuo)明我們(men)選(xuan)取的(de)行為(wei)對下(xia)單的(de)影(ying)響是(shi)非常顯(xian)著的(de)。
通過EXP（B）我們可以得到的結論是：
有過(guo)該行為的用(yong)(yong)戶是沒(mei)有該行為用(yong)(yong)戶下(xia)單(dan)率的倍(bei)(bei)數。以“是否(fou)注(zhu)冊”為例，在其(qi)他變量不變的情況下(xia)，注(zhu)冊用(yong)(yong)戶的下(xia)單(dan)概(gai)率是非注(zhu)冊用(yong)(yong)戶的2.909倍(bei)(bei)。看(kan)過(guo)頁面(mian)A的用(yong)(yong)戶是沒(mei)看(kan)過(guo)頁面(mian)A用(yong)(yong)戶的1.214倍(bei)(bei)。
模(mo)型(xing)結果解讀后，是(shi)不(bu)是(shi)覺得有很多東西(xi)值得我們去做的(de)，模(mo)型(xing)雖好(hao)但若(ruo)不(bu)能(neng)落地等于(yu)沒做，還(huan)是(shi)那句老話(hua)，不(bu)能(neng)將(jiang)數據(ju)分析(xi)落地執行的(de)業務(wu)需求都是(shi)耍流(liu)氓，所(suo)以我們這就開始講解模(mo)型(xing)的(de)應用(yong)場景。
這(zhe)一步(bu)開(kai)始“懶(lan)人”路線和“挑戰”路線就合并了，我也(ye)終于從“精神分裂模式”回歸(gui)成一個(ge)人了，不論是(shi)運營還是(shi)數據(ju)運營都可以(yi)完成本章(zhang)內容，這(zhe)一章(zhang)可千萬別(bie)懶(lan)了。
下面列舉幾個(ge)應用場(chang)景，供大家參考。
應用場景一 模型觸達用戶
觸(chu)達可以分(fen)為兩種，全自動(dong)(dong)觸(chu)達和(he)半自動(dong)(dong)觸(chu)達：
（1）全自動觸達：
通過上述回歸模型，在程序內可以(yi)將每一(yi)個用戶(hu)的下單概(gai)率算出來，篩(shai)選出下單概(gai)率高的用戶(hu)，自動觸發短(duan)信(xin)、PUSH或者紅包。
（2）半自動觸達：
半自動(dong)指的(de)(de)(de)(de)是我(wo)們并不(bu)用上述模型(xing)計(ji)算(suan)(suan)概率的(de)(de)(de)(de)方(fang)法選(xuan)擇觸達(da)(da)用戶，而是將模型(xing)輸出(chu)的(de)(de)(de)(de)行(xing)(xing)為（變量）倍數關系作(zuo)為參(can)考，手動(dong)去選(xuan)擇行(xing)(xing)為的(de)(de)(de)(de)閾值(zhi)，這樣(yang)做可能(neng)會比(bi)全自動(dong)化計(ji)算(suan)(suan)出(chu)來的(de)(de)(de)(de)用戶多一點，在預算(suan)(suan)不(bu)吃緊的(de)(de)(de)(de)情況(kuang)下可以(yi)用這種方(fang)式進行(xing)(xing)觸達(da)(da)。如下圖紅框(kuang)所示：
半自動閾值圖
應用場景二 產品化即時彈窗
當(dang)用戶滿足(zu)上(shang)面提到的行為時(shi)，自動觸發彈窗(chuang)，引(yin)導用戶下單。
這種(zhong)方法其實要(yao)比場景一的轉(zhuan)化(hua)率高很多，因為觸(chu)達短(duan)信屬于后置(zhi)動(dong)作，用戶(hu)在(zai)收(shou)到短(duan)信時，可能(neng)已經錯過(guo)最(zui)好(hao)轉(zhuan)化(hua)時機。而自動(dong)彈窗(chuang)，會(hui)在(zai)用戶(hu)意(yi)愿值最(zui)高時，及時提醒(xing)并轉(zhuan)化(hua)。
這種產(chan)品化彈(dan)窗(chuang)并不少見，比如騰訊(xun)的和平精英游戲，會在你獲得勝利（吃雞(ji)）時(shi)，彈(dan)出窗(chuang)口(kou)，提醒你去應用商店給游戲打分。這樣做不僅能夠提高用戶評分率(lv)，還(huan)能保證(zheng)好(hao)評率(lv)，是一種經(jing)典的產(chan)品運營方式。
應用場景三 產品化調整
通過模型我們知道提高下單轉化的三個重點指標依次為注冊、看過頁面A和看過成交頁。
那(nei)么我們從產品層(ceng)面，要做一些(xie)調整，比如(ru)通(tong)過(guo)強制注冊(ce)或者調小(xiao)注冊(ce)頁(ye)的跳過(guo)按(an)鈕來提(ti)高注冊(ce)率；調整成(cheng)交頁(ye)的下(xia)(xia)單按(an)鈕的大小(xiao)、位置和顏色；改變頁(ye)面A的入口深度，讓用戶更容易進(jin)入該頁(ye)等(deng)等(deng)；不要小(xiao)看這些(xie)操作(zuo)，比如(ru)下(xia)(xia)圖(tu)，將注冊(ce)頁(ye)由表單形式改成(cheng)分布式，注冊(ce)率就能提(ti)升7%，如(ru)下(xia)(xia)圖(tu)所(suo)示：
產(chan)品改動提升注冊率圖
總(zong)而(er)言之(zhi)，我們(men)通過改動(dong)產品，帶動(dong)重點指標(biao)增(zeng)長，從而(er)提高下單轉化率，是一種“曲線(xian)救國”的方法(fa)。
模型(xing)的拓展(zhan)(zhan)主要分為兩(liang)個方面，自身(shen)優(you)化(hua)和橫向(xiang)拓展(zhan)(zhan)。自身(shen)優(you)化(hua)主要是(shi)針對(dui)下單(dan)模型(xing)如何進一步優(you)化(hua)，提高準確度；橫向(xiang)拓展(zhan)(zhan)是(shi)將模型(xing)套用(yong)到其他業務上，不光下單(dan)可以使用(yong)該(gai)模型(xing)，用(yong)戶留存、UGC互(hu)動行為等(deng)都可套用(yong)。
至此(ci)，整個邏輯(ji)回歸模型(xing)流程(cheng)已經介紹完畢，后續還有多(duo)種分析方(fang)法(fa)以(yi)及(ji)策略，在這里(li)只是拋磚引(yin)玉，就不多(duo)贅述(shu)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，就是根據用戶的行為，去推斷用戶另一種行為的概率。邏輯回歸(gui)模型(xing)(xing)是一線機器學習工程(cheng)師最(zui)愛模型(xing)(xing)，并(bing)非浪得虛名，熟練掌握此模型(xing)(xing)會對業務(wu)有非常大的幫(bang)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
（2）用(yong)戶行為數(shu)據(ju)準備(bei)
（3）模型調試(shi)
（4）模型結(jie)果解(jie)讀
（5）模(mo)型(xing)的應用（產品(pin)層(ceng)、技術(shu)層(ceng)、運營層(ceng)）
今天給大(da)家(jia)介紹的技術(shu)派用戶(hu)(hu)增長之邏輯回(hui)歸模型就(jiu)到(dao)這(zhe)里了，這(zhe)也(ye)是用戶(hu)(hu)增長三(san)大(da)流派中(zhong)最難(nan)的一種，但(dan)也(ye)并非可遇不可求，相(xiang)信自己(ji)。
