硬核干货|如何利用逻辑回归模型，实现用户增长？

技术派是如何利用逻辑回归模型实现用户增长的

黄天文将用户增长分为三大流派，分别是 市场营销派 、 实验增长派 和 技术派 ，下面简单介绍下这三大流派：

1、市场营销派——做品牌和花钱买流量

市场营销派做不好，叫流量获取，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成本和质量。

2、实验增长派——提出增长假设，做实验

即，发现问题、提出想法、预期效果、测试、复盘，这5步称之为一个增长周期，不断循环这5步，致使数据达到增长目标。

3、技术派——就是大家常说的“增长黑客”，运用技术套利，实现低成本增 长。

市场营销和实验增长派在之前的文章里已经介绍过（详见本人之前的文章 《如何用更少的钱,带来更优质的量？ | 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一下。

真正做到know your customer（不是反洗钱的KYC哦），要像个“跟踪狂”一样，跟踪用户的关键行为，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、最终购买了某件商品。

从第一次启动APP到购买的整个过程，都是你监控的范围。 甚至能通过购买前的一些行为，来预测用户的购买概率，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，转化率高出一倍之多，随后每多使用一次，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为，来判断用户另外一种行为的概率。 纸牌屋的例子是通过用户的观看习惯，来推断新产品是否受欢迎。RJMetrics公司是通过购买前的某些行为，来判断用户是否购买产品。

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 ——这也是增长三部曲的最后一部。

虽然在当下，深度学习模型已经成为时尚，但逻辑回归仍然坚守在第一线，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违约的概率，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，觉得难度系数过高，所以 下 文提供了难易两条路线供大家参考。 第一条是“懒人”路线，第二条是“挑战”路线。

“懒人”路线就是按照下文的步骤，把需求提给技术，也就是建模的过程交给技术（别跟我说技术不会逻辑回归模型，只可能是你魅力不够~~），在技术的辅助下，将模型结果拿来用就OK，适合所有运营人士；

“挑战”路线则是自己建模分析，有时候人不逼一下自己怎幺能行呢！没准从此走上了用数据说话的道路，告别“数据神棍”。另外告诉大家一件事，数据运营比运营更来钱，运营的同学还在等什幺，赶紧往数据转吧哈哈哈~~

今天来跟大家分享的题目是， 如何运用逻辑回归模型促成交，提高GMV。

在做模型之前，确立自己的目标是什幺？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？根据用户行为，构建模型，找出下单用户画像。之后呢？我们要做两件事。第一，引导没有下单但已经具备下单潜质的用户（预下单用户）下单。第二，引导用户成为预下单用户。

一、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为list（变量）和最后是否下单（因变量）做一个模型，并告诉你模型的可行性和筛选后剩下的变量。如下图：

用户行为list图

最后告诉你这个模型O不OK就搞定，OK就进入下一环节，不OK再继续改善模型，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，快的一周，慢的一个月怎幺也玩明白了。

简单的说， 逻辑回归模型其实就是： 将历史用户在下单前或者未下单前的行为，放进模型中，模型会模拟出一个方程，之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概率高，哪些行为对用户下单影响较大，最后根据模型来做后续的策略。

下面我们就来简述一下建模过程。

（1）  数据预处理

如下图所示，红色的“是否下单”这一列是目标值，指的是历史用户最终是否下单；蓝色的各列是用户下单前的行为。

下图可以这样解读，每一行就代表着用户从进入平台到下单（未下单）的全路径行为。

样本数据图

如上图所示，模型中分为两种变量，一种是连续变量，比如“浏览页面数”，是按照自然数统计的；另外一种是哑变量，比如“是否下单”，1代表下单，0代表未下单。

到此为止样本数据都已经处理完成，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，还要看一下模型拟合优度，说白了就是模型能不能用。如下图

模型评估

这里只看步骤二红框里的几个数字就可以。

第一个是-2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。第二个就是卡方&显着性（Sig），卡方一般小于100，Sig<=0.05即可，说明模型当中的变量（用户行为）对下单有显着影响。

看完这3个数，就证明模型拟合优度OK，可以使用。当然除了统计学外，也可以通过AUC值作为模型的评价标准。

二、结果解读

劳烦技术大神或算法大神把下单用户的行为告诉你，并且把倍数关系告诉你，如下图：

倍数关系图

上图的“是否注册”为2.909，表示注册的用户，其下单的概率是未注册用户的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，下单的概率越小。

至此第二阶段就已经完成了，开始进入第三阶段，模型应用篇。

将上面（一）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是显着程度，Exp（B）代表概率。

模型采用的是向后Wald法，筛选变量，步骤1中，模型发现是否“完成任务”对下单影响不显着，所以在步骤2时，剔除掉此变量，留下的变量都是Sig<0.05的显着变量。

通过B值构建逻辑回归模型：

1.069是否注册+0.93浏览新闻视频数+0.06APP停留时长+0.076主页停留时长+0.052启动次数+0.004浏览页面数+0.194看过页面A+0.767看过成交页-0.02生命周期-3.571

通过Sig我们可以知道：

当Sig<0.05时，该变量十分显着，经过筛选（步骤2），这些变量的Sig全部小于0.05，说明我们选取的行为对下单的影响是非常显着的。

通过EXP（B）我们可以得到的结论是：

有过该行为的用户是没有该行为用户下单率的倍数。以“是否注册”为例，在其他变量不变的情况下，注册用户的下单概率是非注册用户的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，是不是觉得有很多东西值得我们去做的，模型虽好但若不能落地等于没做，还是那句老话，不能将数据分析落地执行的业务需求都是耍流氓，所以我们这就开始讲解模型的应用场景。

三、模型的应用

这一步开始“懒人”路线和“挑战”路线就合并了，我也终于从“精神分裂模式”回归成一个人了，不论是运营还是数据运营都可以完成本章内容，这一章可千万别懒了。

下面列举几个应用场景，供大家参考。

应用场景一 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，在程序内可以将每一个用户的下单概率算出来，筛选出下单概率高的用户，自动触发短信、PUSH或者红包。

（2）半自动触达：

半自动指的是我们并不用上述模型计算概率的方法选择触达用户，而是将模型输出的行为（变量）倍数关系作为参考，手动去选择行为的阈值，这样做可能会比全自动化计算出来的用户多一点，在预算不吃紧的情况下可以用这种方式进行触达。如下图红框所示：

半自动阈值图

应用场景二 产品化即时弹窗

当用户满足上面提到的行为时，自动触发弹窗，引导用户下单。

这种方法其实要比场景一的转化率高很多，因为触达短信属于后置动作，用户在收到短信时，可能已经错过最好转化时机。而自动弹窗，会在用户意愿值最高时，及时提醒并转化。

这种产品化弹窗并不少见，比如腾讯的和平精英游戏，会在你获得胜利（吃鸡）时，弹出窗口，提醒你去应用商店给游戏打分。这样做不仅能够提高用户评分率，还能保证好评率，是一种经典的产品运营方式。

应用场景三 产品化调整

通过模型我们知道提高下单转化的三个重点指标依次为 注册 、 看过页面A 和 看过成交页 。

那幺我们从产品层面，要做一些调整，比如通过强制注册或者调小注册页的跳过按钮来提高注册率；调整成交页的下单按钮的大小、位置和颜色；改变页面A的入口深度，让用户更容易进入该页等等；不要小看这些操作，比如下图，将注册页由表单形式改成分布式，注册率就能提升7%，如下图所示：

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，从而提高下单转化率，是一种“曲线救国”的方法。

四、模型的拓展

模型的拓展主要分为两个方面，自身优化和横向拓展。自身优化主要是针对下单模型如何进一步优化，提高准确度；横向拓展是将模型套用到其他业务上，不光下单可以使用该模型，用户留存、UGC互动行为等都可套用。

至此，整个逻辑回归模型流程已经介绍完毕，后续还有多种分析方法以及策略，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，就是根据用户的行为，去推断用户另一种行为的概率。 逻辑回归模型是一线机器学习工程师最爱模型，并非浪得虚名，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过程捋一捋：

模型流程图

（1）确定增长目标

（2）用户行为数据准备

（3）模型调试

（4）模型结果解读

（5）模型的应用（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，这也是用户增长三大流派中最难的一种，但也并非可遇不可求，相信自己，只要努力没有什幺事情是你搞不砸的，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一起交流学习，提出您宝贵的意见。