- 博客(85)
- 收藏
- 关注
RSS订阅原创 倾向得分匹配PSM-外呼增量效果评估
干预时间：2026-01-01触达前特征（X）：2025-12-01 ~ 2025-12-31（干预前30天）结果变量（Y）：2026-02-01 ~ 2026-02-03（干预后3天）观察窗口：干预后 3 天干预组（T）：当月被电销重点跟进 ≥1 次对照组（C）：当月未被电销重点跟进结果变量 Y：30 日内是否成交协变量 X：均为干预前已存在的特征：VIP会员等级、近30天咨询次数、历史客单价、历史活跃天数、风控评分用户接电话后：80% 转化发生在 72 小时内，7 天后基本回归自然水平。
2026-07-16 15:14:56
513
原创 新版本发布灰度上线的因果效应评估（DID-Excel版）
因此，本项目基于双重差分法（DID），在满足平行趋势假设的前提下，剥离城市固定效应与时间趋势，系统评估「猜你喜欢」瀑布流对用户浏览行为、转化效率及交易成交的净因果效应，为后续全量上线、推荐策略调优及首页流量分配机制优化提供量化决策依据。为提升首页流量分发效率与个性化推荐转化能力，某电商平台对 App 首页进行结构性改版，新增「猜你喜欢」瀑布流模块，通过算法实时捕捉用户兴趣，实现“千人千面”的商品曝光。CTR（点击率）、人均停留时长（秒）、GMV per user（人均成交金额）
2026-07-13 14:53:17
422
原创 运营策略因果效应评估（未随机分流-DID）
为提升低客单价用户（Low AOV Users）的下单转化意愿，平台于 2024-05-01 在广州试点下调免运费门槛：由原先“订单满 ¥99 包邮”调整为“订单满 ¥79 包邮”。因此，本项目采用 双重差分法（DID），在满足平行趋势假设的前提下，剥离时间趋势与地区固定效应的影响，从订单量、客单价（AOV）、订单结构、单均履约成本及净利润等维度，系统评估免运费门槛下调的真实因果效应，为后续全国推广或差异化包邮策略提供量化决策依据。客单价下降 ¥3.3（用户更多购买低客单价商品）履约成本 / 订单数。
2026-07-06 18:04:15
214
原创 用户留存曲线分析
曲线后期是否出现平缓尾巴：有平尾 → 存在核心忠实用户 ，一直跌到 0 → 工具型 / 一次用完即走。判断是否能承受更高的获客成本CAC，是否需要推订阅/会员制来拉长生命周期。什么时候发 Push / 短信 / 企微 / 优惠券。曲线斜率最陡的区间 = 用户大规模流失时间点。针对哪一天的新用户做 激活 / 召回活动。LTV ≈ ARPU * 预期存活天数。
2026-07-02 17:51:12
260
原创 漏斗分析-新用户激活流程转化漏斗
现有数据仅能监控“注册成功人数”，无法清晰识别用户在注册页浏览 → 点击注册 → 提交表单 → 注册成功 → 首次核心行为这一关键路径上的具体流失环节。为解决上述问题，本项目基于用户注册数据与行为埋点日志，构建近实时新用户激活转化漏斗模型，明确各环节转化率、识别高流失节点，并结合渠道与平台维度进行多维拆解，为优化注册流程、调整渠道投放策略、提升新用户质量提供量化依据。同时，不同渠道、不同平台的新用户转化表现差异显著，部分渠道虽注册量大，但激活率较低，导致营销预算被低效消耗。搭建新用户激活全链路漏斗模型。
2026-07-01 14:18:19
184
原创 渠道质量分析
D7 留存 ≈ 用户是否“留下来”是 LTV 的底座，而次留（D1）波动大，容易受推送 / 节假日影响。在相同预算的情况下，SEO / 应用商店可能带来 高留存、高付费 用户，网盟 / 低质 DSP 可能只带来 秒装秒卸、薅羊毛、假量。有些渠道 CAC 看似便宜，但 LTV（生命周期价值）极低 → 真实亏损；一句话总结→ 留存（尤其 D7 留存）+ 变现价值（LTV/CAC），辅以激活率来判断人群匹配度。LTV = 平均每用户付费金额（ARPU） × 用户平均生命周期（或 观察窗口留存）
2026-06-29 17:56:25
410
原创 Aha Moment关键行为分析
因此需要通过历史数据，识别「注册后 7 天内完成何种行为、多少次，可使 D30 留存率显著跃升」，从而定义产品的 Aha Moment，为设计新用户引导提供参考。都不能作为计算Aha Moment的行为，因为Aha Moment是原因，不是结果，不能用“付费”来解释“留存”。Aha Moment（顿悟时刻） 的定义是：用户在早期完成的某个关键行为，能显著预测他长期留存。Aha Moment好行为：完成的用户留存高，未完成的用户流失率明显高，行为渗透率 20%–70%，要可干预的可以设计用户引导的。
2026-06-26 15:02:15
247
原创 裂变活动 K 因子测算
K = 人均发出邀请数 × 邀请转化率 = 成功带来的新用户数 / 发起邀请的用户数K 因子表示平均每个参与裂变的老用户，能为平台带来多少个完成转化的有效新用户，是衡量裂变活动是否具有自发增长能力的核心指标。K因子能解释拉新活动是否能被用户自发传播，以及传播效率有多高。K 值业务含义K = 0.3每 10 个发起邀请的老用户，只带来 3 个有效新用户K = 0.8接近自增长，但仍需外部投放补量K = 1.01 个用户带来 1 个新用户，理论上可维持不衰减K = 1.5。
2026-06-23 14:20:03
243
原创 路径分析项目(SQL版)
文章摘要：为优化内容社区产品的用户路径分析，公司构建了页面流向模型，追踪首页Feed、详情页等核心节点的流转关系。通过SQL处理用户行为日志，建立包含11个关键页面（如首页、搜索、发布等）的分组映射表，分析页面间跳转路径及流失情况。模型适用于三大场景：1）新用户留存分析冷启动路径；2）创作者生态评估发布流程转化；3）互动运营考察评论引流效果。该方法解决了原有数据体系无法量化完整用户路径的问题，为推荐策略和漏斗优化提供数据支持。（149字）
2026-06-18 13:38:08
186
原创 用户分群-RFM模型(SQL版)
为了实现精细化用户运营，需要建立一套可量化、可执行的用户分层体系，对不同价值的用户提供差异化服务与营销策略。他们追求尊贵感，如果给“满减券”反而掉价，提供“VIP专线”或大客户运营是为了提高服务体验，“新品优先体验”则满足了身份的象征。新手任务是为了引导用户熟悉平台功能，发现平台的核心用户价值，完成从“访客”到“活跃用户”的转化。很久没来也没花过什么钱，属于边缘用户，对这部分用户投入高昂的营销费用是比较浪费的，如果召回的的成本是比较低的Push或短信，可以试一试。⑤ RFM 打分（1–5分）
2026-06-15 18:05:03
238
原创 评分卡模型：分箱、WOE编码与IV
分箱这一步的核心目的是：将连续型的数据转化为适合逻辑回归的、稳定的、可解释的离散形式，并为后续的 WOE 编码和 IV 筛选奠定基础。没有分箱，整个评分卡流程就无法进行下去。分箱起到的作用有：1. 将连续变量离散化，适应逻辑回归的线性假设通过分箱，我们将连续变量划分为若干区间（箱），然后在每个箱内计算 WOE 值。这样，每个箱的 WOE 值与该箱的对数几率天然呈线性，从而满足逻辑回归的建模前提。2. 处理异常值、极端值和缺失值原始数据中可能存在离群点（如极端高收入、超长收听时长）。
2026-06-13 12:05:14
236
原创 ABTest：用户付费转化率
业务解释：我们有 95% 的把握认为，7 天试用期比 3 天试用期的转付费转化率高 0.53 到 2.19 个百分点，区间下限大于 0，结果稳健。验证 7 天免费试用期相比 3 天试用期，能否将免费用户转付费转化率提升 15% 以上，同时保持退款率不显著上升。2×p(1−p)(实际上是 p(1−p)+p(1−p)，假设两组方差相同)，通常较大（偏保守，更安全）7 天试用期转付费转化率 9.60%，相对 3 天提升 16.5%，超过业务预期的 15% 提升目标;
2026-06-03 17:52:08
374
1
原创 ABTest均值指标：短视频-人均停留时长
摘要：实验通过A/B测试对比新旧推荐算法对用户停留时长的影响。旧版为热门排序算法，新版采用协同过滤算法，旨在提升个性化推荐效果。实验周期14天，每组样本量超1万。结果显示，新版算法用户日均停留时长49.18分钟，较旧版提升10.3%（p值≈2.2×10⁻²⁷），达到预期目标。Welch's t检验证实差异极显著，95%置信区间[3.76,5.42]分钟，证明协同过滤算法显著提升用户粘性。辅助指标（完播率等）和护栏指标（崩溃率等）未出现异常，结果稳健可行。
2026-06-02 20:30:00
408
原创 用产品经理思维做项目
②找用户量挺大的，但产品做得不怎么样的产品，比如苹果商店榜单下载量大但评分低的应用，这种机会在于商业逻辑验证成功，但他的解决方案还解决得不够好，可以做一个跟它差不多的产品。比如一个用户的成本是1元，获取1000个用户的获客成本是1000元，客单价10元，付费率10%才回本：10元客单价*1000人*10%付费率=1000元，假如付费率在20%则能保证盈利说明商业逻辑跑得通，验证成功；大公司通过投放的办法，花钱找到精准的用户。商业逻辑：低买高卖，获取用户的成本是多少，每一个用户能挣多少钱，客单价、付费率。
2026-05-30 23:22:01
77
原创 ABTest 检验方法汇总
本文总结了ABTest中常用指标的检验方法：（1）比例指标（如转化率）采用卡方检验或Z检验（两组）及卡方检验+Bonferroni校正（多组比较）；（2）均值指标（如客单价）使用t检验（两组）或ANOVA+TukeyHSD（多组）；（3）计数型指标（如登录次数）采用泊松回归。通过新用户引导等案例说明不同场景下的方法选择，强调大样本时卡方值与Z²的等价性。
2026-05-29 19:37:53
274
1
原创 AB测试：新用户引导
所以在APP新用户引入之初，就引导用户去发现产品的价值，有助于提升新用户的留存。备择假设H1：分步引导 / 视频引导的 7 日核心激活率显著高于传统弹窗引导（预期提升 15%）核心依据：分步引导能显著提升 7 日核心激活率 17.1%，且次要指标（7 日留存率从 18% 提升至 26.2%）无负面影响。实验目标：对比3种不同引导方式（弹窗引导、分步引导、视频引导），找到最优方案，进而提升新用户留存率。分步引导组（B 组）的激活率显著高于对照组（A 组）（p=0.0018<0.0167）
2026-05-29 11:28:54
252
原创 业务分析-2A3R用户增长模型
AARRR模型是数据分析的核心框架，围绕获客、激活、留存、变现和裂变五个阶段展开。在获客阶段分析渠道质量和成本；激活阶段关注注册转化率和核心行为完成情况；留存阶段追踪不同周期的用户留存曲线；变现阶段分析付费用户画像和收益指标；裂变阶段评估推荐效果和K因子。每个阶段都有对应的关键指标计算公式，如CAC、ROI、ARPU等，帮助业务实现数据驱动的精细化运营。
2026-05-14 12:01:26
93
原创 安装jupyter notebook
本文介绍了Python 3.14.2的安装及Jupyter Notebook配置步骤：首先从官网下载安装包并完成安装；接着配置清华镜像源提升下载速度；然后通过pip安装Jupyter；最后启动Jupyter Notebook。整个过程包含下载、安装、配置环境和使用四个主要环节，提供了从零开始搭建Python开发环境的完整指南。
2026-04-07 14:29:05
66
原创 ABTest如何计算最小样本量-工具篇
计算样本量有4个要输入的参数：①一类错误概率，②二类错误概率 （一般是取固定取值），③指标初始比例，④最小可检测效果
2024-04-25 22:47:02
4527
1
原创 [皮尔逊相关系数corrwith]使用案例：电影推荐系统
用corrwith()函数计算物品间的皮尔逊相关系数，基于物品的协同过滤算法，制作简单的电影推荐系统。
2023-06-23 21:52:56
876
2
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人