'硬核乾貨｜如何利用邏輯迴歸模型，實現用戶增長？'
作者：姜頔 來源：鳥哥筆記
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
有想挑戰的同學，推薦的建模工具有SPSS和python，如果是初學者的話，建議使用SPSS，操作簡單，不需要編程能力，網上有大量的邏輯迴歸模型的教學視頻，快的一週，慢的一個月怎麼也玩明白了。
簡單的說，邏輯迴歸模型其實就是：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，之後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，最後根據模型來做後續的策略。
下面我們就來簡述一下建模過程。
（1） 數據預處理
如下圖所示，紅色的“是否下單”這一列是目標值，指的是歷史用戶最終是否下單；藍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入平臺到下單（未下單）的全路徑行為。
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
有想挑戰的同學，推薦的建模工具有SPSS和python，如果是初學者的話，建議使用SPSS，操作簡單，不需要編程能力，網上有大量的邏輯迴歸模型的教學視頻，快的一週，慢的一個月怎麼也玩明白了。
簡單的說，邏輯迴歸模型其實就是：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，之後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，最後根據模型來做後續的策略。
下面我們就來簡述一下建模過程。
（1） 數據預處理
如下圖所示，紅色的“是否下單”這一列是目標值，指的是歷史用戶最終是否下單；藍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入平臺到下單（未下單）的全路徑行為。
樣本數據圖
如上圖所示，模型中分為兩種變量，一種是連續變量，比如“瀏覽頁面數”，是按照自然數統計的；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。
到此為止樣本數據都已經處理完成，接下來就把這些數據導入到模型中，模型會給出相應的反饋結果。
（2） 檢驗模型
不是把數據扔進模型後就完事了，還要看一下模型擬合優度，說白了就是模型能不能用。如下圖
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
有想挑戰的同學，推薦的建模工具有SPSS和python，如果是初學者的話，建議使用SPSS，操作簡單，不需要編程能力，網上有大量的邏輯迴歸模型的教學視頻，快的一週，慢的一個月怎麼也玩明白了。
簡單的說，邏輯迴歸模型其實就是：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，之後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，最後根據模型來做後續的策略。
下面我們就來簡述一下建模過程。
（1） 數據預處理
如下圖所示，紅色的“是否下單”這一列是目標值，指的是歷史用戶最終是否下單；藍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入平臺到下單（未下單）的全路徑行為。
樣本數據圖
如上圖所示，模型中分為兩種變量，一種是連續變量，比如“瀏覽頁面數”，是按照自然數統計的；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。
到此為止樣本數據都已經處理完成，接下來就把這些數據導入到模型中，模型會給出相應的反饋結果。
（2） 檢驗模型
不是把數據扔進模型後就完事了，還要看一下模型擬合優度，說白了就是模型能不能用。如下圖
模型評估
這裡只看步驟二紅框裡的幾個數字就可以。
第一個是-2對數擬然值，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），卡方一般小於100，Sig<=0.05即可，說明模型當中的變量（用戶行為）對下單有顯著影響。
看完這3個數，就證明模型擬合優度OK，可以使用。當然除了統計學外，也可以通過AUC值作為模型的評價標準。
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
有想挑戰的同學，推薦的建模工具有SPSS和python，如果是初學者的話，建議使用SPSS，操作簡單，不需要編程能力，網上有大量的邏輯迴歸模型的教學視頻，快的一週，慢的一個月怎麼也玩明白了。
簡單的說，邏輯迴歸模型其實就是：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，之後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，最後根據模型來做後續的策略。
下面我們就來簡述一下建模過程。
（1） 數據預處理
如下圖所示，紅色的“是否下單”這一列是目標值，指的是歷史用戶最終是否下單；藍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入平臺到下單（未下單）的全路徑行為。
樣本數據圖
如上圖所示，模型中分為兩種變量，一種是連續變量，比如“瀏覽頁面數”，是按照自然數統計的；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。
到此為止樣本數據都已經處理完成，接下來就把這些數據導入到模型中，模型會給出相應的反饋結果。
（2） 檢驗模型
不是把數據扔進模型後就完事了，還要看一下模型擬合優度，說白了就是模型能不能用。如下圖
模型評估
這裡只看步驟二紅框裡的幾個數字就可以。
第一個是-2對數擬然值，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），卡方一般小於100，Sig<=0.05即可，說明模型當中的變量（用戶行為）對下單有顯著影響。
看完這3個數，就證明模型擬合優度OK，可以使用。當然除了統計學外，也可以通過AUC值作為模型的評價標準。
結果解讀
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
有想挑戰的同學，推薦的建模工具有SPSS和python，如果是初學者的話，建議使用SPSS，操作簡單，不需要編程能力，網上有大量的邏輯迴歸模型的教學視頻，快的一週，慢的一個月怎麼也玩明白了。
簡單的說，邏輯迴歸模型其實就是：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，之後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，最後根據模型來做後續的策略。
下面我們就來簡述一下建模過程。
（1） 數據預處理
如下圖所示，紅色的“是否下單”這一列是目標值，指的是歷史用戶最終是否下單；藍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入平臺到下單（未下單）的全路徑行為。
樣本數據圖
如上圖所示，模型中分為兩種變量，一種是連續變量，比如“瀏覽頁面數”，是按照自然數統計的；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。
到此為止樣本數據都已經處理完成，接下來就把這些數據導入到模型中，模型會給出相應的反饋結果。
（2） 檢驗模型
不是把數據扔進模型後就完事了，還要看一下模型擬合優度，說白了就是模型能不能用。如下圖
模型評估
這裡只看步驟二紅框裡的幾個數字就可以。
第一個是-2對數擬然值，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），卡方一般小於100，Sig<=0.05即可，說明模型當中的變量（用戶行為）對下單有顯著影響。
看完這3個數，就證明模型擬合優度OK，可以使用。當然除了統計學外，也可以通過AUC值作為模型的評價標準。
結果解讀
勞煩技術大神或算法大神把下單用戶的行為告訴你，並且把倍數關係告訴你，如下圖：
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
有想挑戰的同學，推薦的建模工具有SPSS和python，如果是初學者的話，建議使用SPSS，操作簡單，不需要編程能力，網上有大量的邏輯迴歸模型的教學視頻，快的一週，慢的一個月怎麼也玩明白了。
簡單的說，邏輯迴歸模型其實就是：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，之後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，最後根據模型來做後續的策略。
下面我們就來簡述一下建模過程。
（1） 數據預處理
如下圖所示，紅色的“是否下單”這一列是目標值，指的是歷史用戶最終是否下單；藍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入平臺到下單（未下單）的全路徑行為。
樣本數據圖
如上圖所示，模型中分為兩種變量，一種是連續變量，比如“瀏覽頁面數”，是按照自然數統計的；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。
到此為止樣本數據都已經處理完成，接下來就把這些數據導入到模型中，模型會給出相應的反饋結果。
（2） 檢驗模型
不是把數據扔進模型後就完事了，還要看一下模型擬合優度，說白了就是模型能不能用。如下圖
模型評估
這裡只看步驟二紅框裡的幾個數字就可以。
第一個是-2對數擬然值，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），卡方一般小於100，Sig<=0.05即可，說明模型當中的變量（用戶行為）對下單有顯著影響。
看完這3個數，就證明模型擬合優度OK，可以使用。當然除了統計學外，也可以通過AUC值作為模型的評價標準。
結果解讀
勞煩技術大神或算法大神把下單用戶的行為告訴你，並且把倍數關係告訴你，如下圖：
倍數關係圖
上圖的“是否註冊”為2.909，表示註冊的用戶，其下單的概率是未註冊用戶的2.909倍，換而言之，註冊比不註冊下單率高了近3倍。
再看 “生命週期”，生命週期長與生命週期短的比值0.998，說明生命週期越長，下單的概率越小。
至此第二階段就已經完成了，開始進入第三階段，模型應用篇。
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
有想挑戰的同學，推薦的建模工具有SPSS和python，如果是初學者的話，建議使用SPSS，操作簡單，不需要編程能力，網上有大量的邏輯迴歸模型的教學視頻，快的一週，慢的一個月怎麼也玩明白了。
簡單的說，邏輯迴歸模型其實就是：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，之後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，最後根據模型來做後續的策略。
下面我們就來簡述一下建模過程。
（1） 數據預處理
如下圖所示，紅色的“是否下單”這一列是目標值，指的是歷史用戶最終是否下單；藍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入平臺到下單（未下單）的全路徑行為。
樣本數據圖
如上圖所示，模型中分為兩種變量，一種是連續變量，比如“瀏覽頁面數”，是按照自然數統計的；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。
到此為止樣本數據都已經處理完成，接下來就把這些數據導入到模型中，模型會給出相應的反饋結果。
（2） 檢驗模型
不是把數據扔進模型後就完事了，還要看一下模型擬合優度，說白了就是模型能不能用。如下圖
模型評估
這裡只看步驟二紅框裡的幾個數字就可以。
第一個是-2對數擬然值，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），卡方一般小於100，Sig<=0.05即可，說明模型當中的變量（用戶行為）對下單有顯著影響。
看完這3個數，就證明模型擬合優度OK，可以使用。當然除了統計學外，也可以通過AUC值作為模型的評價標準。
結果解讀
勞煩技術大神或算法大神把下單用戶的行為告訴你，並且把倍數關係告訴你，如下圖：
倍數關係圖
上圖的“是否註冊”為2.909，表示註冊的用戶，其下單的概率是未註冊用戶的2.909倍，換而言之，註冊比不註冊下單率高了近3倍。
再看 “生命週期”，生命週期長與生命週期短的比值0.998，說明生命週期越長，下單的概率越小。
至此第二階段就已經完成了，開始進入第三階段，模型應用篇。
將上面（一）中的數據輸入到模型中，待模型通過檢驗後，反饋給我們的數據，就是今天的重點。
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
有想挑戰的同學，推薦的建模工具有SPSS和python，如果是初學者的話，建議使用SPSS，操作簡單，不需要編程能力，網上有大量的邏輯迴歸模型的教學視頻，快的一週，慢的一個月怎麼也玩明白了。
簡單的說，邏輯迴歸模型其實就是：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，之後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，最後根據模型來做後續的策略。
下面我們就來簡述一下建模過程。
（1） 數據預處理
如下圖所示，紅色的“是否下單”這一列是目標值，指的是歷史用戶最終是否下單；藍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入平臺到下單（未下單）的全路徑行為。
樣本數據圖
如上圖所示，模型中分為兩種變量，一種是連續變量，比如“瀏覽頁面數”，是按照自然數統計的；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。
到此為止樣本數據都已經處理完成，接下來就把這些數據導入到模型中，模型會給出相應的反饋結果。
（2） 檢驗模型
不是把數據扔進模型後就完事了，還要看一下模型擬合優度，說白了就是模型能不能用。如下圖
模型評估
這裡只看步驟二紅框裡的幾個數字就可以。
第一個是-2對數擬然值，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），卡方一般小於100，Sig<=0.05即可，說明模型當中的變量（用戶行為）對下單有顯著影響。
看完這3個數，就證明模型擬合優度OK，可以使用。當然除了統計學外，也可以通過AUC值作為模型的評價標準。
結果解讀
勞煩技術大神或算法大神把下單用戶的行為告訴你，並且把倍數關係告訴你，如下圖：
倍數關係圖
上圖的“是否註冊”為2.909，表示註冊的用戶，其下單的概率是未註冊用戶的2.909倍，換而言之，註冊比不註冊下單率高了近3倍。
再看 “生命週期”，生命週期長與生命週期短的比值0.998，說明生命週期越長，下單的概率越小。
至此第二階段就已經完成了，開始進入第三階段，模型應用篇。
將上面（一）中的數據輸入到模型中，待模型通過檢驗後，反饋給我們的數據，就是今天的重點。
模型方程變量圖
上圖的B代表邏輯迴歸的係數，SE為標準誤，Wald是Wald卡方值，df為自由度，Sig是顯著程度，Exp（B）代表概率。
模型採用的是向後Wald法，篩選變量，步驟1中，模型發現是否“完成任務”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值構建邏輯迴歸模型：
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
有想挑戰的同學，推薦的建模工具有SPSS和python，如果是初學者的話，建議使用SPSS，操作簡單，不需要編程能力，網上有大量的邏輯迴歸模型的教學視頻，快的一週，慢的一個月怎麼也玩明白了。
簡單的說，邏輯迴歸模型其實就是：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，之後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，最後根據模型來做後續的策略。
下面我們就來簡述一下建模過程。
（1） 數據預處理
如下圖所示，紅色的“是否下單”這一列是目標值，指的是歷史用戶最終是否下單；藍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入平臺到下單（未下單）的全路徑行為。
樣本數據圖
如上圖所示，模型中分為兩種變量，一種是連續變量，比如“瀏覽頁面數”，是按照自然數統計的；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。
到此為止樣本數據都已經處理完成，接下來就把這些數據導入到模型中，模型會給出相應的反饋結果。
（2） 檢驗模型
不是把數據扔進模型後就完事了，還要看一下模型擬合優度，說白了就是模型能不能用。如下圖
模型評估
這裡只看步驟二紅框裡的幾個數字就可以。
第一個是-2對數擬然值，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），卡方一般小於100，Sig<=0.05即可，說明模型當中的變量（用戶行為）對下單有顯著影響。
看完這3個數，就證明模型擬合優度OK，可以使用。當然除了統計學外，也可以通過AUC值作為模型的評價標準。
結果解讀
勞煩技術大神或算法大神把下單用戶的行為告訴你，並且把倍數關係告訴你，如下圖：
倍數關係圖
上圖的“是否註冊”為2.909，表示註冊的用戶，其下單的概率是未註冊用戶的2.909倍，換而言之，註冊比不註冊下單率高了近3倍。
再看 “生命週期”，生命週期長與生命週期短的比值0.998，說明生命週期越長，下單的概率越小。
至此第二階段就已經完成了，開始進入第三階段，模型應用篇。
將上面（一）中的數據輸入到模型中，待模型通過檢驗後，反饋給我們的數據，就是今天的重點。
模型方程變量圖
上圖的B代表邏輯迴歸的係數，SE為標準誤，Wald是Wald卡方值，df為自由度，Sig是顯著程度，Exp（B）代表概率。
模型採用的是向後Wald法，篩選變量，步驟1中，模型發現是否“完成任務”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值構建邏輯迴歸模型：
1.069是否註冊+0.93瀏覽新聞視頻數+0.06APP停留時長+0.076主頁停留時長+0.052啟動次數+0.004瀏覽頁面數+0.194看過頁面A+0.767看過成交頁-0.02生命週期-3.571
通過Sig我們可以知道：
當Sig<0.05時，該變量十分顯著，經過篩選（步驟2），這些變量的Sig全部小於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）我們可以得到的結論是：
有過該行為的用戶是沒有該行為用戶下單率的倍數。以“是否註冊”為例，在其他變量不變的情況下，註冊用戶的下單概率是非註冊用戶的2.909倍。看過頁面A的用戶是沒看過頁面A用戶的1.214倍。
模型結果解讀後，是不是覺得有很多東西值得我們去做的，模型雖好但若不能落地等於沒做，還是那句老話，不能將數據分析落地執行的業務需求都是耍流氓，所以我們這就開始講解模型的應用場景。
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
有想挑戰的同學，推薦的建模工具有SPSS和python，如果是初學者的話，建議使用SPSS，操作簡單，不需要編程能力，網上有大量的邏輯迴歸模型的教學視頻，快的一週，慢的一個月怎麼也玩明白了。
簡單的說，邏輯迴歸模型其實就是：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，之後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，最後根據模型來做後續的策略。
下面我們就來簡述一下建模過程。
（1） 數據預處理
如下圖所示，紅色的“是否下單”這一列是目標值，指的是歷史用戶最終是否下單；藍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入平臺到下單（未下單）的全路徑行為。
樣本數據圖
如上圖所示，模型中分為兩種變量，一種是連續變量，比如“瀏覽頁面數”，是按照自然數統計的；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。
到此為止樣本數據都已經處理完成，接下來就把這些數據導入到模型中，模型會給出相應的反饋結果。
（2） 檢驗模型
不是把數據扔進模型後就完事了，還要看一下模型擬合優度，說白了就是模型能不能用。如下圖
模型評估
這裡只看步驟二紅框裡的幾個數字就可以。
第一個是-2對數擬然值，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），卡方一般小於100，Sig<=0.05即可，說明模型當中的變量（用戶行為）對下單有顯著影響。
看完這3個數，就證明模型擬合優度OK，可以使用。當然除了統計學外，也可以通過AUC值作為模型的評價標準。
結果解讀
勞煩技術大神或算法大神把下單用戶的行為告訴你，並且把倍數關係告訴你，如下圖：
倍數關係圖
上圖的“是否註冊”為2.909，表示註冊的用戶，其下單的概率是未註冊用戶的2.909倍，換而言之，註冊比不註冊下單率高了近3倍。
再看 “生命週期”，生命週期長與生命週期短的比值0.998，說明生命週期越長，下單的概率越小。
至此第二階段就已經完成了，開始進入第三階段，模型應用篇。
將上面（一）中的數據輸入到模型中，待模型通過檢驗後，反饋給我們的數據，就是今天的重點。
模型方程變量圖
上圖的B代表邏輯迴歸的係數，SE為標準誤，Wald是Wald卡方值，df為自由度，Sig是顯著程度，Exp（B）代表概率。
模型採用的是向後Wald法，篩選變量，步驟1中，模型發現是否“完成任務”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值構建邏輯迴歸模型：
1.069是否註冊+0.93瀏覽新聞視頻數+0.06APP停留時長+0.076主頁停留時長+0.052啟動次數+0.004瀏覽頁面數+0.194看過頁面A+0.767看過成交頁-0.02生命週期-3.571
通過Sig我們可以知道：
當Sig<0.05時，該變量十分顯著，經過篩選（步驟2），這些變量的Sig全部小於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）我們可以得到的結論是：
有過該行為的用戶是沒有該行為用戶下單率的倍數。以“是否註冊”為例，在其他變量不變的情況下，註冊用戶的下單概率是非註冊用戶的2.909倍。看過頁面A的用戶是沒看過頁面A用戶的1.214倍。
模型結果解讀後，是不是覺得有很多東西值得我們去做的，模型雖好但若不能落地等於沒做，還是那句老話，不能將數據分析落地執行的業務需求都是耍流氓，所以我們這就開始講解模型的應用場景。
模型的應用
這一步開始“懶人”路線和“挑戰”路線就合併了，我也終於從“精神分裂模式”迴歸成一個人了，不論是運營還是數據運營都可以完成本章內容，這一章可千萬別懶了。
下面列舉幾個應用場景，供大家參考。
應用場景一 模型觸達用戶
觸達可以分為兩種，全自動觸達和半自動觸達：
（1）全自動觸達：
通過上述迴歸模型，在程序內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，自動觸發短信、PUSH或者紅包。
（2）半自動觸達：
半自動指的是我們並不用上述模型計算概率的方法選擇觸達用戶，而是將模型輸出的行為（變量）倍數關係作為參考，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，在預算不吃緊的情況下可以用這種方式進行觸達。如下圖紅框所示：
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
有想挑戰的同學，推薦的建模工具有SPSS和python，如果是初學者的話，建議使用SPSS，操作簡單，不需要編程能力，網上有大量的邏輯迴歸模型的教學視頻，快的一週，慢的一個月怎麼也玩明白了。
簡單的說，邏輯迴歸模型其實就是：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，之後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，最後根據模型來做後續的策略。
下面我們就來簡述一下建模過程。
（1） 數據預處理
如下圖所示，紅色的“是否下單”這一列是目標值，指的是歷史用戶最終是否下單；藍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入平臺到下單（未下單）的全路徑行為。
樣本數據圖
如上圖所示，模型中分為兩種變量，一種是連續變量，比如“瀏覽頁面數”，是按照自然數統計的；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。
到此為止樣本數據都已經處理完成，接下來就把這些數據導入到模型中，模型會給出相應的反饋結果。
（2） 檢驗模型
不是把數據扔進模型後就完事了，還要看一下模型擬合優度，說白了就是模型能不能用。如下圖
模型評估
這裡只看步驟二紅框裡的幾個數字就可以。
第一個是-2對數擬然值，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），卡方一般小於100，Sig<=0.05即可，說明模型當中的變量（用戶行為）對下單有顯著影響。
看完這3個數，就證明模型擬合優度OK，可以使用。當然除了統計學外，也可以通過AUC值作為模型的評價標準。
結果解讀
勞煩技術大神或算法大神把下單用戶的行為告訴你，並且把倍數關係告訴你，如下圖：
倍數關係圖
上圖的“是否註冊”為2.909，表示註冊的用戶，其下單的概率是未註冊用戶的2.909倍，換而言之，註冊比不註冊下單率高了近3倍。
再看 “生命週期”，生命週期長與生命週期短的比值0.998，說明生命週期越長，下單的概率越小。
至此第二階段就已經完成了，開始進入第三階段，模型應用篇。
將上面（一）中的數據輸入到模型中，待模型通過檢驗後，反饋給我們的數據，就是今天的重點。
模型方程變量圖
上圖的B代表邏輯迴歸的係數，SE為標準誤，Wald是Wald卡方值，df為自由度，Sig是顯著程度，Exp（B）代表概率。
模型採用的是向後Wald法，篩選變量，步驟1中，模型發現是否“完成任務”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值構建邏輯迴歸模型：
1.069是否註冊+0.93瀏覽新聞視頻數+0.06APP停留時長+0.076主頁停留時長+0.052啟動次數+0.004瀏覽頁面數+0.194看過頁面A+0.767看過成交頁-0.02生命週期-3.571
通過Sig我們可以知道：
當Sig<0.05時，該變量十分顯著，經過篩選（步驟2），這些變量的Sig全部小於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）我們可以得到的結論是：
有過該行為的用戶是沒有該行為用戶下單率的倍數。以“是否註冊”為例，在其他變量不變的情況下，註冊用戶的下單概率是非註冊用戶的2.909倍。看過頁面A的用戶是沒看過頁面A用戶的1.214倍。
模型結果解讀後，是不是覺得有很多東西值得我們去做的，模型雖好但若不能落地等於沒做，還是那句老話，不能將數據分析落地執行的業務需求都是耍流氓，所以我們這就開始講解模型的應用場景。
模型的應用
這一步開始“懶人”路線和“挑戰”路線就合併了，我也終於從“精神分裂模式”迴歸成一個人了，不論是運營還是數據運營都可以完成本章內容，這一章可千萬別懶了。
下面列舉幾個應用場景，供大家參考。
應用場景一 模型觸達用戶
觸達可以分為兩種，全自動觸達和半自動觸達：
（1）全自動觸達：
通過上述迴歸模型，在程序內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，自動觸發短信、PUSH或者紅包。
（2）半自動觸達：
半自動指的是我們並不用上述模型計算概率的方法選擇觸達用戶，而是將模型輸出的行為（變量）倍數關係作為參考，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，在預算不吃緊的情況下可以用這種方式進行觸達。如下圖紅框所示：
半自動閾值圖
應用場景二 產品化即時彈窗
當用戶滿足上面提到的行為時，自動觸發彈窗，引導用戶下單。
這種方法其實要比場景一的轉化率高很多，因為觸達短信屬於後置動作，用戶在收到短信時，可能已經錯過最好轉化時機。而自動彈窗，會在用戶意願值最高時，及時提醒並轉化。
這種產品化彈窗並不少見，比如騰訊的和平精英遊戲，會在你獲得勝利（吃雞）時，彈出窗口，提醒你去應用商店給遊戲打分。這樣做不僅能夠提高用戶評分率，還能保證好評率，是一種經典的產品運營方式。
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註冊、看過頁面A和看過成交頁。
那麼我們從產品層面，要做一些調整，比如通過強制註冊或者調小注冊頁的跳過按鈕來提高註冊率；調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，讓用戶更容易進入該頁等等；不要小看這些操作，比如下圖，將註冊頁由表單形式改成分佈式，註冊率就能提升7%，如下圖所示：
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
有想挑戰的同學，推薦的建模工具有SPSS和python，如果是初學者的話，建議使用SPSS，操作簡單，不需要編程能力，網上有大量的邏輯迴歸模型的教學視頻，快的一週，慢的一個月怎麼也玩明白了。
簡單的說，邏輯迴歸模型其實就是：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，之後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，最後根據模型來做後續的策略。
下面我們就來簡述一下建模過程。
（1） 數據預處理
如下圖所示，紅色的“是否下單”這一列是目標值，指的是歷史用戶最終是否下單；藍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入平臺到下單（未下單）的全路徑行為。
樣本數據圖
如上圖所示，模型中分為兩種變量，一種是連續變量，比如“瀏覽頁面數”，是按照自然數統計的；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。
到此為止樣本數據都已經處理完成，接下來就把這些數據導入到模型中，模型會給出相應的反饋結果。
（2） 檢驗模型
不是把數據扔進模型後就完事了，還要看一下模型擬合優度，說白了就是模型能不能用。如下圖
模型評估
這裡只看步驟二紅框裡的幾個數字就可以。
第一個是-2對數擬然值，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），卡方一般小於100，Sig<=0.05即可，說明模型當中的變量（用戶行為）對下單有顯著影響。
看完這3個數，就證明模型擬合優度OK，可以使用。當然除了統計學外，也可以通過AUC值作為模型的評價標準。
結果解讀
勞煩技術大神或算法大神把下單用戶的行為告訴你，並且把倍數關係告訴你，如下圖：
倍數關係圖
上圖的“是否註冊”為2.909，表示註冊的用戶，其下單的概率是未註冊用戶的2.909倍，換而言之，註冊比不註冊下單率高了近3倍。
再看 “生命週期”，生命週期長與生命週期短的比值0.998，說明生命週期越長，下單的概率越小。
至此第二階段就已經完成了，開始進入第三階段，模型應用篇。
將上面（一）中的數據輸入到模型中，待模型通過檢驗後，反饋給我們的數據，就是今天的重點。
模型方程變量圖
上圖的B代表邏輯迴歸的係數，SE為標準誤，Wald是Wald卡方值，df為自由度，Sig是顯著程度，Exp（B）代表概率。
模型採用的是向後Wald法，篩選變量，步驟1中，模型發現是否“完成任務”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值構建邏輯迴歸模型：
1.069是否註冊+0.93瀏覽新聞視頻數+0.06APP停留時長+0.076主頁停留時長+0.052啟動次數+0.004瀏覽頁面數+0.194看過頁面A+0.767看過成交頁-0.02生命週期-3.571
通過Sig我們可以知道：
當Sig<0.05時，該變量十分顯著，經過篩選（步驟2），這些變量的Sig全部小於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）我們可以得到的結論是：
有過該行為的用戶是沒有該行為用戶下單率的倍數。以“是否註冊”為例，在其他變量不變的情況下，註冊用戶的下單概率是非註冊用戶的2.909倍。看過頁面A的用戶是沒看過頁面A用戶的1.214倍。
模型結果解讀後，是不是覺得有很多東西值得我們去做的，模型雖好但若不能落地等於沒做，還是那句老話，不能將數據分析落地執行的業務需求都是耍流氓，所以我們這就開始講解模型的應用場景。
模型的應用
這一步開始“懶人”路線和“挑戰”路線就合併了，我也終於從“精神分裂模式”迴歸成一個人了，不論是運營還是數據運營都可以完成本章內容，這一章可千萬別懶了。
下面列舉幾個應用場景，供大家參考。
應用場景一 模型觸達用戶
觸達可以分為兩種，全自動觸達和半自動觸達：
（1）全自動觸達：
通過上述迴歸模型，在程序內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，自動觸發短信、PUSH或者紅包。
（2）半自動觸達：
半自動指的是我們並不用上述模型計算概率的方法選擇觸達用戶，而是將模型輸出的行為（變量）倍數關係作為參考，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，在預算不吃緊的情況下可以用這種方式進行觸達。如下圖紅框所示：
半自動閾值圖
應用場景二 產品化即時彈窗
當用戶滿足上面提到的行為時，自動觸發彈窗，引導用戶下單。
這種方法其實要比場景一的轉化率高很多，因為觸達短信屬於後置動作，用戶在收到短信時，可能已經錯過最好轉化時機。而自動彈窗，會在用戶意願值最高時，及時提醒並轉化。
這種產品化彈窗並不少見，比如騰訊的和平精英遊戲，會在你獲得勝利（吃雞）時，彈出窗口，提醒你去應用商店給遊戲打分。這樣做不僅能夠提高用戶評分率，還能保證好評率，是一種經典的產品運營方式。
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註冊、看過頁面A和看過成交頁。
那麼我們從產品層面，要做一些調整，比如通過強制註冊或者調小注冊頁的跳過按鈕來提高註冊率；調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，讓用戶更容易進入該頁等等；不要小看這些操作，比如下圖，將註冊頁由表單形式改成分佈式，註冊率就能提升7%，如下圖所示：
產品改動提升註冊率圖
總而言之，我們通過改動產品，帶動重點指標增長，從而提高下單轉化率，是一種“曲線救國”的方法。
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
有想挑戰的同學，推薦的建模工具有SPSS和python，如果是初學者的話，建議使用SPSS，操作簡單，不需要編程能力，網上有大量的邏輯迴歸模型的教學視頻，快的一週，慢的一個月怎麼也玩明白了。
簡單的說，邏輯迴歸模型其實就是：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，之後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，最後根據模型來做後續的策略。
下面我們就來簡述一下建模過程。
（1） 數據預處理
如下圖所示，紅色的“是否下單”這一列是目標值，指的是歷史用戶最終是否下單；藍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入平臺到下單（未下單）的全路徑行為。
樣本數據圖
如上圖所示，模型中分為兩種變量，一種是連續變量，比如“瀏覽頁面數”，是按照自然數統計的；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。
到此為止樣本數據都已經處理完成，接下來就把這些數據導入到模型中，模型會給出相應的反饋結果。
（2） 檢驗模型
不是把數據扔進模型後就完事了，還要看一下模型擬合優度，說白了就是模型能不能用。如下圖
模型評估
這裡只看步驟二紅框裡的幾個數字就可以。
第一個是-2對數擬然值，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），卡方一般小於100，Sig<=0.05即可，說明模型當中的變量（用戶行為）對下單有顯著影響。
看完這3個數，就證明模型擬合優度OK，可以使用。當然除了統計學外，也可以通過AUC值作為模型的評價標準。
結果解讀
勞煩技術大神或算法大神把下單用戶的行為告訴你，並且把倍數關係告訴你，如下圖：
倍數關係圖
上圖的“是否註冊”為2.909，表示註冊的用戶，其下單的概率是未註冊用戶的2.909倍，換而言之，註冊比不註冊下單率高了近3倍。
再看 “生命週期”，生命週期長與生命週期短的比值0.998，說明生命週期越長，下單的概率越小。
至此第二階段就已經完成了，開始進入第三階段，模型應用篇。
將上面（一）中的數據輸入到模型中，待模型通過檢驗後，反饋給我們的數據，就是今天的重點。
模型方程變量圖
上圖的B代表邏輯迴歸的係數，SE為標準誤，Wald是Wald卡方值，df為自由度，Sig是顯著程度，Exp（B）代表概率。
模型採用的是向後Wald法，篩選變量，步驟1中，模型發現是否“完成任務”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值構建邏輯迴歸模型：
1.069是否註冊+0.93瀏覽新聞視頻數+0.06APP停留時長+0.076主頁停留時長+0.052啟動次數+0.004瀏覽頁面數+0.194看過頁面A+0.767看過成交頁-0.02生命週期-3.571
通過Sig我們可以知道：
當Sig<0.05時，該變量十分顯著，經過篩選（步驟2），這些變量的Sig全部小於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）我們可以得到的結論是：
有過該行為的用戶是沒有該行為用戶下單率的倍數。以“是否註冊”為例，在其他變量不變的情況下，註冊用戶的下單概率是非註冊用戶的2.909倍。看過頁面A的用戶是沒看過頁面A用戶的1.214倍。
模型結果解讀後，是不是覺得有很多東西值得我們去做的，模型雖好但若不能落地等於沒做，還是那句老話，不能將數據分析落地執行的業務需求都是耍流氓，所以我們這就開始講解模型的應用場景。
模型的應用
這一步開始“懶人”路線和“挑戰”路線就合併了，我也終於從“精神分裂模式”迴歸成一個人了，不論是運營還是數據運營都可以完成本章內容，這一章可千萬別懶了。
下面列舉幾個應用場景，供大家參考。
應用場景一 模型觸達用戶
觸達可以分為兩種，全自動觸達和半自動觸達：
（1）全自動觸達：
通過上述迴歸模型，在程序內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，自動觸發短信、PUSH或者紅包。
（2）半自動觸達：
半自動指的是我們並不用上述模型計算概率的方法選擇觸達用戶，而是將模型輸出的行為（變量）倍數關係作為參考，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，在預算不吃緊的情況下可以用這種方式進行觸達。如下圖紅框所示：
半自動閾值圖
應用場景二 產品化即時彈窗
當用戶滿足上面提到的行為時，自動觸發彈窗，引導用戶下單。
這種方法其實要比場景一的轉化率高很多，因為觸達短信屬於後置動作，用戶在收到短信時，可能已經錯過最好轉化時機。而自動彈窗，會在用戶意願值最高時，及時提醒並轉化。
這種產品化彈窗並不少見，比如騰訊的和平精英遊戲，會在你獲得勝利（吃雞）時，彈出窗口，提醒你去應用商店給遊戲打分。這樣做不僅能夠提高用戶評分率，還能保證好評率，是一種經典的產品運營方式。
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註冊、看過頁面A和看過成交頁。
那麼我們從產品層面，要做一些調整，比如通過強制註冊或者調小注冊頁的跳過按鈕來提高註冊率；調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，讓用戶更容易進入該頁等等；不要小看這些操作，比如下圖，將註冊頁由表單形式改成分佈式，註冊率就能提升7%，如下圖所示：
產品改動提升註冊率圖
總而言之，我們通過改動產品，帶動重點指標增長，從而提高下單轉化率，是一種“曲線救國”的方法。
模型的拓展
模型的拓展主要分為兩個方面，自身優化和橫向拓展。自身優化主要是針對下單模型如何進一步優化，提高準確度；橫向拓展是將模型套用到其他業務上，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，整個邏輯迴歸模型流程已經介紹完畢，後續還有多種分析方法以及策略，在這裡只是拋磚引玉，就不多贅述了。
今天講的邏輯迴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。邏輯迴歸模型是一線機器學習工程師最愛模型，並非浪得虛名，熟練掌握此模型會對業務有非常大的幫助。
最後，我們就把今天分析的過程捋一捋：
作者：姜頔 來源：鳥哥筆記
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
市場營銷派做不好，叫流量獲取，這活誰都能幹，只要給錢就有量；做的好才叫用戶增長，通過對渠道精細化運營來調控獲客成本和質量。
2、實驗增長派——提出增長假設，做實驗
即，發現問題、提出想法、預期效果、測試、覆盤，這5步稱之為一個增長週期，不斷循環這5步，致使數據達到增長目標。
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。
市場營銷和實驗增長派在之前的文章裡已經介紹過（詳見本人之前的文章《如何用更少的錢,帶來更優質的量？| 渠道質量評估模型》和《沒有護城河的流量池，用戶來得快，流失更快》），所以今天就來個技術派跟大家分享一下。
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，都是你監控的範圍。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。
其實技術派的例子也是屢見不鮮：
如網飛（Netflix）通過分析客戶觀看的電影和節目，發現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，所以才有的網飛製作電視劇《紙牌屋》；
商務智能公司RJMetrics的團隊發現，在使用其免費產品期間，用過軟件編輯圖表的用戶與沒用過此功能的用戶相比，轉化率高出一倍之多，隨後每多使用一次，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，大體邏輯就是基於用戶的行為，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慣，來推斷新產品是否受歡迎。RJMetrics公司是通過購買前的某些行為，來判斷用戶是否購買產品。
因此，我們就引出今天的主題：技術派是如何利用邏輯迴歸模型實現用戶增長的——這也是增長三部曲的最後一部。
雖然在當下，深度學習模型已經成為時尚，但邏輯迴歸仍然堅守在第一線，靠的就是其高時效性與高準確度性。許多銀行和金融平臺利用此模型預測借款人違約的概率，在金融領域都能站住腳，足以看出邏輯迴歸的江湖地位。
很多運營同學聽到邏輯迴歸模型都會大驚失色，覺得難度係數過高，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”路線就是按照下文的步驟，把需求提給技術，也就是建模的過程交給技術（別跟我說技術不會邏輯迴歸模型，只可能是你魅力不夠~~），在技術的輔助下，將模型結果拿來用就OK，適合所有運營人士；
“挑戰”路線則是自己建模分析，有時候人不逼一下自己怎麼能行呢！沒準從此走上了用數據說話的道路，告別“數據神棍”。另外告訴大家一件事，數據運營比運營更來錢，運營的同學還在等什麼，趕緊往數據轉吧哈哈哈~~
今天來跟大家分享的題目是，如何運用邏輯迴歸模型促成交，提高GMV。
在做模型之前，確立自己的目標是什麼？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？根據用戶行為，構建模型，找出下單用戶畫像。之後呢？我們要做兩件事。第一，引導沒有下單但已經具備下單潛質的用戶（預下單用戶）下單。第二，引導用戶成為預下單用戶。
模型搭建
選出你認為對下單有影響的變量，然後給到技術，讓技術算法大神根據這些行為list（變量）和最後是否下單（因變量）做一個模型，並告訴你模型的可行性和篩選後剩下的變量。如下圖：
用戶行為list圖
最後告訴你這個模型O不OK就搞定，OK就進入下一環節，不OK再繼續改善模型，直到模型成功為止。
有想挑戰的同學，推薦的建模工具有SPSS和python，如果是初學者的話，建議使用SPSS，操作簡單，不需要編程能力，網上有大量的邏輯迴歸模型的教學視頻，快的一週，慢的一個月怎麼也玩明白了。
簡單的說，邏輯迴歸模型其實就是：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，之後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，最後根據模型來做後續的策略。
下面我們就來簡述一下建模過程。
（1） 數據預處理
如下圖所示，紅色的“是否下單”這一列是目標值，指的是歷史用戶最終是否下單；藍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入平臺到下單（未下單）的全路徑行為。
樣本數據圖
如上圖所示，模型中分為兩種變量，一種是連續變量，比如“瀏覽頁面數”，是按照自然數統計的；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。
到此為止樣本數據都已經處理完成，接下來就把這些數據導入到模型中，模型會給出相應的反饋結果。
（2） 檢驗模型
不是把數據扔進模型後就完事了，還要看一下模型擬合優度，說白了就是模型能不能用。如下圖
模型評估
這裡只看步驟二紅框裡的幾個數字就可以。
第一個是-2對數擬然值，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），卡方一般小於100，Sig<=0.05即可，說明模型當中的變量（用戶行為）對下單有顯著影響。
看完這3個數，就證明模型擬合優度OK，可以使用。當然除了統計學外，也可以通過AUC值作為模型的評價標準。
結果解讀
勞煩技術大神或算法大神把下單用戶的行為告訴你，並且把倍數關係告訴你，如下圖：
倍數關係圖
上圖的“是否註冊”為2.909，表示註冊的用戶，其下單的概率是未註冊用戶的2.909倍，換而言之，註冊比不註冊下單率高了近3倍。
再看 “生命週期”，生命週期長與生命週期短的比值0.998，說明生命週期越長，下單的概率越小。
至此第二階段就已經完成了，開始進入第三階段，模型應用篇。
將上面（一）中的數據輸入到模型中，待模型通過檢驗後，反饋給我們的數據，就是今天的重點。
模型方程變量圖
上圖的B代表邏輯迴歸的係數，SE為標準誤，Wald是Wald卡方值，df為自由度，Sig是顯著程度，Exp（B）代表概率。
模型採用的是向後Wald法，篩選變量，步驟1中，模型發現是否“完成任務”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值構建邏輯迴歸模型：
1.069是否註冊+0.93瀏覽新聞視頻數+0.06APP停留時長+0.076主頁停留時長+0.052啟動次數+0.004瀏覽頁面數+0.194看過頁面A+0.767看過成交頁-0.02生命週期-3.571
通過Sig我們可以知道：
當Sig<0.05時，該變量十分顯著，經過篩選（步驟2），這些變量的Sig全部小於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）我們可以得到的結論是：
有過該行為的用戶是沒有該行為用戶下單率的倍數。以“是否註冊”為例，在其他變量不變的情況下，註冊用戶的下單概率是非註冊用戶的2.909倍。看過頁面A的用戶是沒看過頁面A用戶的1.214倍。
模型結果解讀後，是不是覺得有很多東西值得我們去做的，模型雖好但若不能落地等於沒做，還是那句老話，不能將數據分析落地執行的業務需求都是耍流氓，所以我們這就開始講解模型的應用場景。
模型的應用
這一步開始“懶人”路線和“挑戰”路線就合併了，我也終於從“精神分裂模式”迴歸成一個人了，不論是運營還是數據運營都可以完成本章內容，這一章可千萬別懶了。
下面列舉幾個應用場景，供大家參考。
應用場景一 模型觸達用戶
觸達可以分為兩種，全自動觸達和半自動觸達：
（1）全自動觸達：
通過上述迴歸模型，在程序內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，自動觸發短信、PUSH或者紅包。
（2）半自動觸達：
半自動指的是我們並不用上述模型計算概率的方法選擇觸達用戶，而是將模型輸出的行為（變量）倍數關係作為參考，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，在預算不吃緊的情況下可以用這種方式進行觸達。如下圖紅框所示：
半自動閾值圖
應用場景二 產品化即時彈窗
當用戶滿足上面提到的行為時，自動觸發彈窗，引導用戶下單。
這種方法其實要比場景一的轉化率高很多，因為觸達短信屬於後置動作，用戶在收到短信時，可能已經錯過最好轉化時機。而自動彈窗，會在用戶意願值最高時，及時提醒並轉化。
這種產品化彈窗並不少見，比如騰訊的和平精英遊戲，會在你獲得勝利（吃雞）時，彈出窗口，提醒你去應用商店給遊戲打分。這樣做不僅能夠提高用戶評分率，還能保證好評率，是一種經典的產品運營方式。
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註冊、看過頁面A和看過成交頁。
那麼我們從產品層面，要做一些調整，比如通過強制註冊或者調小注冊頁的跳過按鈕來提高註冊率；調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，讓用戶更容易進入該頁等等；不要小看這些操作，比如下圖，將註冊頁由表單形式改成分佈式，註冊率就能提升7%，如下圖所示：
產品改動提升註冊率圖
總而言之，我們通過改動產品，帶動重點指標增長，從而提高下單轉化率，是一種“曲線救國”的方法。
模型的拓展
模型的拓展主要分為兩個方面，自身優化和橫向拓展。自身優化主要是針對下單模型如何進一步優化，提高準確度；橫向拓展是將模型套用到其他業務上，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，整個邏輯迴歸模型流程已經介紹完畢，後續還有多種分析方法以及策略，在這裡只是拋磚引玉，就不多贅述了。
今天講的邏輯迴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。邏輯迴歸模型是一線機器學習工程師最愛模型，並非浪得虛名，熟練掌握此模型會對業務有非常大的幫助。
最後，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）用戶行為數據準備
（3）模型調試
（4）模型結果解讀
（5）模型的應用（產品層、技術層、運營層）
今天給大家介紹的技術派用戶增長之邏輯迴歸模型就到這裡了，這也是用戶增長三大流派中最難的一種，但也並非可遇不可求，相信自己，只要努力沒有什麼事情是你搞不砸的，玩笑玩笑哈哈~~
寫在後面：希望這篇文章可以幫助廣大的運營人士，也能夠讓用戶瞭解平臺運營方式，同時歡迎同行與愛好者一起交流學習，提出您寶貴的意見。
相關推薦
