开发者学堂课程【互联网技术实战营·数据智能专题：《企业用户增长经验分享》】学习笔记，与课程紧密联系，让用户快速学习知识。
课程地址：https://developer.aliyun.com/learning/course/915/detail/14474
《企业用户增长经验分享》
目录：
一、用户增长的定义和难点
二、案例
一、用户增长的定义和难点
用户理解的算法和用户价值的建模
定义：利用一切资源让更多用户更高频率地使用核心产品功能
崛起缘由：流量成本高企/私域流量经营/精挑细作重视 ROI
核心:留存+LTV
古公司营收比例：买量+运营>>研发+运维
难点：
1、反馈的延后性：留存和 LTV 实验，都属于稍长期指标，不像广告 CTR 可以立刻上线获取反馈
2、用户增长很多实验需要业务部门（特别是运营部门）配合才可以进行。
如：公众号，由于互联网现在流量成本非常贵，同时都开始注重运营工作，注重私域流量。
现在没有流量红利，关注用户增长的关核心关注点：留存和 LTV。意味很多互联网公司估值，就是留存。
LTV 是营收额，LTV 意味着公司的营业收入市值、营业收入。对公司的营收占比比较，买量和运营的成本大于研发和运维。大概70%-80%左右的成本是在运营和买量。
反馈是延后的，比如：广告 CTR，两个小时左右看到结果，但要做留存实验。七日流程需等七天才能得到结果。
做相关的实验，成本会非常高昂。渠道：用增长领域需要很多业务部门和技术部门配合才可进行。还涉及到财务。因为运营也要花费。要意识到 CEO 签字的这件事情牵扯到公司大量不同的职能和钱直接挂钩，意味着和年终的绩效是挂钩的。
算法驱动的用户增长
多用户平台生命周期大概几个阶段。如：游戏和在线教育。有新用户阶段用活跃增长和活跃下降流失用户的阶段。针对用户，生命周期可运营单一。
如：买量时涉及渠道买量投放预测。在不同渠道上，怎么投放，什么时间段设置怎样的投放计划，用户买进来之后，涉及新用户的流失干预和流失预测。
如：新用户第一天，大概知道新用户七天里会在平台的花费，是非常有价值的。用户全生命周期管理时，涉及到用户的流失预警和用户促活工作。现在有很多方法：广告、短信。
同时，用户要管理，用户进来之后，需要知道用户能给平台能带来多少价值，还有流失用户召回。
新用户阶段、用户活跃增长阶段、用户活跃下降阶段、流失用户阶段。
老用户挽回后成本比新用户多五到十倍，多关注流失量。
用户增长的目标:用户总价值最大化=用户规模*单用户价值
转化和曝光都是用花费、补贴得来。补贴涉及到 IP 问题，补贴多少合适。
营销真正要捕捉的是营销。补贴营销敏感人群，自然转化的人群、反作用人群和无动于衷的人群不用补贴。
干预时：用户既不能被干预，又不能被干预。
二、案例
新用户付费阶段：可以知道用户的花费情况
营销增益建模：
Uplift model 的特征：反事实论，因果推断模型的通用性质。（用户不能既被干预，又不被干预） T=0和T=1其中必然有一项不知道
因果推断模型：用于预测/估计某种干预对个体状态/行为的因果效应
一般用差分建模方法
用户理解挖掘算法举例：
对用户需求分布向量做 t-SNE 可视化展示。
对用户生命周期进行探索：
对用户进行策略编排
PrefixSpan 的用户线进行挖掘算法：
用户分层-挖掘用户的关键序列 -PrefixSpan 的动线挖掘-基于因果发现的策略编排
大促中：
大部分是一次性的终身性任务，完成难度大
用户增长智能策略引擎：X-Engine
PAI 建模：
用户业务（图像分类、系统推荐、金融风控等）
预测技术架构（阅读类举例）
用户流失判定服务（在线）--训练（离线）--数据加工存储（离线）--底层基础数据
用户增长的理解：
分析只是手段，决策才是目的。历史的分析 vs. 预测未来：关注动作上的策略才真正能形成价值。
数据分析师艺术过程，模型训练的科学过程：同等条件下的可重复实验
营销建模——业务效果
CIA 假设：样本特征*和 T 独立
对于流失用户干预最好，中等用户效果最差
针对他们的不同进行不同的营销
多考虑用户的想法
用模型来判断该用户有没有价值
大促中渠道投放的难点（考验工程，花费大）
目标用户浓度：搭建引擎，快速接各个媒体，媒体人群的抽样估算
用户行为稀疏：如何对稀疏用户行为进行理解。端外多渠道的行为构建了序列特征，模型产出的特征
渠道差异性和不完整：用户对渠道的偏好不同，高质量媒体才回传展点数据。高质量媒体作为基础，其他媒体质量作为验证集和补充集
广告投放的竞争策略
广告投放：如何开展广告竞价（如何保持 ocpc 的合理问题）
出价策略：如何保持合理竞价出价（ecpc 接近于 ocpc 条件下的尽可能扩量）
CTR Calibration:稳定的 CTP 预估，不同 CTR 区间的买来流量的价值差异是不小的
Push 用户增长优化
择时优化：如何对稀疏行为用户进行理解
例：增长 push 每天发1-2条。用户如果长在使用手机时，点击进去的频率高。预测用户最想登端时间。这就是我们的一个基本假设，在用户最想登端的时间发送 push，点击率就高。若为未登端人群，因此预测用户的登端时间就可以转变成预测用户的首次登陆时间。
用户理解挖掘算法举例：
背景：人工经验来配置运营策略，为不同的人配置什么样的素材、理解你的用户
目标：人工运营经验、用户行为数据自动化生成
经典基本方法：基于主题模型 的用户兴趣挖掘（pLSA、LDA）（文档——主题——词）用户行为视为文档，行为序列中的每个 item 当成词
加入社交关系和语义信息：增强型主题模型
需要调节不同的媒体，过程花多少预算。应用的背景是：最好当天知道质量、渠道，买来的大概范围、质量高低，能节约成本。
这种情况下最好自己建模，但自己建模只能用自己的数据，需要外部数信息的一些输入，但无法从外部买到裸标签。可以通过服务外部，查询到一些潜在的数据、前瞻数据。
可以算出当天的数据质量到底是怎么样。有分值帮助评判，或者分值本身也可以用在后面的建模上。后面做付费、留存的相关的建模来评判渠道质量。建议用 AI 的方式形成接口服务。
