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】