黄天文将用户增长分为3大流派，分别是市场营销派、实验增长派和技术派，下面简单介绍下这3大流派：
1、 市场营销派——做品牌和花钱买流量市场营销派做不好，叫流量获得，这活谁都能干，只要给钱就有量；做的好才叫用户增长，通过对渠道精细化运营来调控获客本钱和质量。2、实验增长派——提出增长假定，做实验即，发现问题、提出想法、预期效果、测试、复盘，这5步称之为1个增长周期，不断循环这5步，导致数据到达增长目标。3、技术派——就是大家常说的“增长黑客”，应用技术套利，实现低本钱增长。市场营销和实验增长派在之前的文章里已介绍过（详见本人之前的文章《如何用更少的钱,带来更优良的量？| 渠道质量评估模型》和《没有护城河的流量池，用户来得快，流失更快》），所以今天就来个技术派跟大家分享1下。真正做到know your customer（不是反洗钱的KYC哦），要像个“跟踪狂”1样，跟踪用户的关键行动，这个用户看了首页、又看了视频页、看了13篇文章、分享了1篇文章、点击下单按钮了、终究购买了某件商品。从第1次启动APP到购买的全部进程，都是你监控的范围。乃至能通过购买前的1些行动，来预测用户的购买几率，从而推动成交量的增长。其实技术派的例子也是屡见不鲜：如网飞（Netflix）通过分析客户观看的电影和节目，发现凯文史派西参演的电影和政治题材的电视剧都非常受用户欢迎，所以才有的网飞制作电视剧《纸牌屋》；商务智能公司RJMetrics的团队发现，在使用其免费产品期间，用过软件编辑图表的用户与没用过此功能的用户相比，转化率高出1倍之多，随后每多使用1次，其购买的可能性就会提高。通过以上几个例子，大家可以知道，大体逻辑就是基于用户的行动，来判断用户另外1种行动的几率。纸牌屋的例子是通过用户的观看习惯，来推断新产品是不是受欢迎。RJMetrics公司是通过购买前的某些行动，来判断用户是不是购买产品。因此，我们就引出今天的主题：技术派是如何利用逻辑回归模型实现用户增长的——这也是增长3部曲的最后1部。虽然在当下，深度学习模型已成为时尚，但逻辑回归依然坚守在第1线，靠的就是其高时效性与高准确度性。许多银行和金融平台利用此模型预测借款人背约的几率，在金融领域都能站住脚，足以看出逻辑回归的江湖地位。很多运营同学听到逻辑回归模型都会大惊失色，觉得难度系数太高，所以下文提供了难易两条线路供大家参考。第1条是“懒人”线路，第2条是“挑战”线路。“懒人”线路就是依照下文的步骤，把需求提给技术，也就是建模的进程交给技术（别跟我说技术不会逻辑回归模型，只多是你魅力不够~~），在技术的辅助下，将模型结果拿来用就OK，合适所有运营人士；“挑战”线路则是自己建模分析，有时候人不逼1下自己怎样能行呢！没准从此走上了用数听说话的道路，告别“数据神棍”。另外告知大家1件事，数据运营比运营更来钱，运营的同学还在等甚么，赶快往数据转吧哈哈哈~~今天来跟大家分享的题目是，如何应用逻辑回归模型促进交，提高GMV。在做模型之前，确立自己的目标是甚么？那就是让用户下单，重点放在没有下单的用户身上。如何去做？根据用户行动，构建模型，找出下单用户画像。以后呢？我们要做两件事。第1，引导没有下单但已具有下单潜质的用户（预下单用户）下单。第2，引导用户成为预下单用户。
模型搭建
选出你认为对下单有影响的变量，然后给到技术，让技术算法大神根据这些行动list（变量）和最后是不是下单（因变量）做1个模型，并告知你模型的可行性和挑选后剩下的变量。以下图：
用户行动list图最后告知你这个模型O不OK就弄定，OK就进入下1环节，不OK再继续改良模型，直到模型成功为止。
有想挑战的同学，推荐的建模工具有SPSS和python，如果是初学者的话，建议使用SPSS，操作简单，不需要编程能力，网上有大量的逻辑回归模型的教学视频，快的1周，慢的1个月怎样也玩明白了。简单的说，逻辑回归模型其实就是：将历史用户在下单前或未下单前的行动，放进模型中，模型会摹拟出1个方程，以后我们根据方程套用到新的用户身上，来判断哪些用户下单的几率高，哪些行动对用户下单影响较大，最后根据模型来做后续的策略。下面我们就来简述1下建模进程。（1） 数据预处理
以下图所示，红色的“是不是下单”这1列是目标值，指的是历史用户终究是不是下单；蓝色的各列是用户下单前的行动。下图可以这样解读，每行就代表着用户从进入平台到下单（未下单）的全路径行动。
样本数据图如上图所示，模型中分为两种变量，1种是连续变量，比如“阅读页面数”，是依照自然数统计的；另外1种是哑变量，比如“是不是下单”，1代表下单，0代表未下单。到此为止样本数据都已处理完成，接下来就把这些数据导入到模型中，模型会给出相应的反馈结果。（2） 检验模型不是把数据扔进模型后就完事了，还要看1下模型拟合优度，说白了就是模型能不能用。以下图
模型评估这里只看步骤2红框里的几个数字就能够。第1个是⑵对数似然值，这个值越低越好，在100以下就算可以接受，1000以下嘛也将将可以。第2个就是卡方&显著性（Sig），卡方1般小于100，Sig<=0.05便可，说明模型当中的变量（用户行动）对下单有显著影响。看完这3个数，就证明模型拟合优度OK，可使用。固然除统计学外，也能够通过AUC值作为模型的评价标准。
结果解读
劳烦技术大神或算法大神把下单用户的行动告知你，并且把倍数关系告知你，以下图：
倍数关系图 上图的“是不是注册”为2.909，表示注册的用户，其下单的几率是未注册用户的2.909倍，换而言之，注册比不注册下单率高了近3倍。再看 “生命周期”，生命周期长与生命周期短的比值0.998，说明生命周期越长，下单的几率越小。至此第2阶段就已完成了，开始进入第3阶段，模型利用篇。
将上面（1）中的数据输入到模型中，待模型通过检验后，反馈给我们的数据，就是今天的重点。
模型方程变量图上图的B代表逻辑回归的系数，SE为标准误，Wald是Wald卡方值，df为自由度，Sig是显著程度，Exp（B）代表几率。模型采取的是向后Wald法，挑选变量，步骤1中，模型发现是不是“完成任务”对下单影响不显著，所以在步骤2时，剔除掉此变量，留下的变量都是Sig<0.05的显著变量。 通过B值构建逻辑回归模型：
1.069是不是注册+0.93阅读新闻视频数+0.06APP停留时长+0.076主页停留时长+0.052启动次数+0.004阅读页面数+0.194看过页面A+0.767看过成交页-0.02生命周期⑶.571
通过Sig我们可以知道：当Sig<0.05时，该变量10分显著，经过挑选（步骤2），这些变量的Sig全部小于0.05，说明我们选取的行动对下单的影响是非常显著的。通过EXP（B）我们可以得到的结论是：有过该行动的用户是没有该行动用户下单率的倍数。以“是不是注册”为例，在其他变量不变的情况下，注册用户的下单几率是非注册用户的2.909倍。看过页面A的用户是没看过页面A用户的1.214倍。模型结果解读后，是否是觉得有很多东西值得我们去做的，模型虽好但如果不能落地等于没做，还是那句老话，不能将数据分析落地履行的业务需求都是耍流氓，所以我们这就开始讲授模型的利用场景。
模型的利用
这1步开始“懒人”线路和“挑战”线路就合并了，我也终究从“精神分裂模式”回归成1个人了，不论是运营还是数据运营都可以完本钱章内容，这1章可千万别懒了。下面罗列几个利用场景，供大家参考。利用场景1 模型触达用户触达可以分为两种，全自动触达和半自动触达：（1）全自动触达：通过上述回归模型，在程序内可以将每个用户的下单几率算出来，挑选出下单几率高的用户，自动触发短信、PUSH或红包。（2）半自动触达：
半自动指的是我们其实不用上述模型计算几率的方法选择触达用户，而是将模型输出的行动（变量）倍数关系作为参考，手动去选择行动的阈值，这样做可能会比全自动化计算出来的用户多1点，在预算不吃紧的情况下可以用这类方式进行触达。以下图红框所示：
半自动阈值图利用场景2 产品化即时弹窗当用户满足上面提到的行动时，自动触发弹窗，引导用户下单。这类方法其实要比场景1的转化率高很多，由于触达短信属于后置动作，用户在收到短信时，可能已错过最好转化时机。而自动弹窗，会在用户意愿值最高时，及时提示并转化。这类产品化弹窗其实不少见，比如腾讯的和平精英游戏，会在你取得成功（吃鸡）时，弹出窗口，提示你去利用商店给游戏打分。这样做不但能够提高用户评分率，还能保证好评率，是1种经典的产品运营方式。利用场景3 产品化调剂通过模型我们知道提高低单转化的3个重点指标顺次为注册、看过页面A和看过成交页。那末我们从产品层面，要做1些调剂，比如通过强迫注册或调小注册页的跳过按钮来提高注册率；调剂成交页的下单按钮的大小、位置和色彩；改变页面A的入口深度，让用户更容易进入该页等等；不要小视这些操作，比以下图，将注册页由表单情势改成份布式，注册率就可以提升7%，以下图所示：
产品改动提升注册率图
总而言之，我们通过改动产品，带动重点指标增长，从而提高低单转化率，是1种“曲线救国”的方法。
模型的拓展模型的拓展主要分为两个方面，本身优化和横向拓展。本身优化主要是针对下单模型如何进1步优化，提高准确度；横向拓展是将模型套用到其他业务上，不光下单可使用该模型，用户保存、UGC互动行动等都可套用。至此，全部逻辑回归模型流程已介绍终了，后续还有多种分析方法和策略，在这里只是抛砖引玉，就不多赘述了。今天讲的逻辑回归模型可能有些硬核，其实模型原理很简单，就是根据用户的行动，去推断用户另外一种行动的几率。逻辑回归模型是1线机器学习工程师最爱模型，并不是浪得虚名，熟练掌握此模型会对业务有非常大的帮助。最后，我们就把今天分析的进程捋1捋：
模型流程图
（1）肯定增长目标
（2）用户行动数据准备
（3）模型调试
（4）模型结果解读
（5）模型的利用（产品层、技术层、运营层）今天给大家介绍的技术派用户增长之逻辑回归模型就到这里了，这也是用户增长3大流派中最难的1种，但也并不是可遇不可求，相信自己，只要努力没有甚么事情是你弄不砸的，玩笑玩笑哈哈~~写在后面：希望这篇文章可以帮助广大的运营人士，也能够让用户了解平台运营方式，同时欢迎同行与爱好者1起交换学习，提出您宝贵的意见。
作者【姜頔】
