干货 | 用户增长双核心之模型篇
The following article is from 增长策略每日谈 Author 思辩
在前文《To B视角看用户增长流程》中，作者提到了用户增长的全流程，接下来要聊一下用户增长的两个核心：模型和策略。这两者是一个有机的整体，需要协同发挥最大的业务效果，本篇主要讲一下作者对模型的一些认识。
这基本上是一个毋庸置疑的问题，但是也不绝对。还是和场景、客群数量有关。
笔者在做某业务时，之前由于样本问题，笔者发现的模型人群有所偏移。在这个时候，就算减少人群包的投放数量，尽可能的选取高分段投放，也会发现成本有点失控，其实这个时候是作为业务基础的模型出了问题，最终导致成本的不可控。所以，模型是业务的基本盘，没有模型，相当于盲投，会对业务产生直接影响。所以，笔者认为模型是业务的基石，必不可少。模型出现问题，直接影响业务的开展。因此必须将模型调整好，才能保证业务的正常进行。
但是在下面两个情况下，没有模型在一定程度上也可以开展的业务：
1、公司有大量的有效标签，且标签覆盖度和准确率非常高，这时候用这些标签筛选出的人群，相对而言画像很明确，对业务效果的可解释性也很高。一般公司很少有这个数据基础，其实就算有这个数据基础，基于这个筛选条件挑选出来的人群有限。业务本身不光是要从成本考虑，更多是对业务规模的考虑，这时候可以前筛策略人群结合模型一起为业务服务。
2、在一些场景中，发现模型的排序性对成本影响很小，按照模型Top取数取到极低分值，都能在成本范围之内。这个时候，可以模型0分以上都进行投放测试，甚至可以取模型覆盖不到的人群，取较小的人群包进行投放实验。
这一块笔者不谈具体的模型优化算法，主要谈样本的质量和数量。模型效果的好坏基本取决于公司的数据基础以及相关场景的样本。不同的算法确实模型效果会有差异，但是失去有效的样本，就是无根之木了。
样本的质量和数量和样本的比例有关，这部分很少会遇到问题。关键的问题在于如何定义正负样本。在不同的场景中，正负样本的定义决定了样本的质量，从而根本上影响模型的效果。
以下面场景为例，作者仅作为举例，定义了一些场景的正负样本，主要涉及正负样本的定义、比例、量级、包含的标签以及模型的预测核心目标以及优化目标：
促完件
正样本：完件或者授信，其中完件为必填项；
负样本：注册未完件；
标签：是否完件、是否授信、营销日期（完件前最后一次营销）、注册日期；
正负样本比例1:1～1:10之间，完件正样本至少5万，授信正样本至少3万；
算法选择：分类模型或者排序模型；
预测核心目标：完件；
优化目标：完件-授信率；
保险场景建模
正样本：购买成功；
负样本：未购买；
标签：营销日期、是否购买；
比例：正负样本比例1:1～1:10之间；
数量：正样本至少10万；
算法选择：分类模型；
预测核心目标：购买成功；
优化目标：营销-购买成功率；
模型和策略的配合
笔者在实操中发现，同一模型采用何种策略和以下几个有关：
1、目标客群分析：根据转化人群，如果发现年龄、地域之间有很大的差异，就需要分开取数；一般来说，运营商之间的差异较大；
2、自有数据体系：例如我们推测在某一部分机型上UV异常，如果有数据覆盖度和准确率够，也可以做一个对比测试：即同一批客群，排除这部分机型和包含这部分机型做对比，看对成本有何影响；在信贷场景，也可以在模型上叠加一些多头指标， 看区分度如何。
策略本身只是最大程度发挥模型的区分度。如果不区分策略，统一提取高分段人群， 由于各个细分客群的转化效果在每个分数段的表现不一，在业务中的表现就是分数不能下沉，或者效果不稳定。其实其根本原因还是对模型没有充分的利用。
模型和话术的配合
和笔者在前面讲到，模型是一个基本盘，策略和话术是使得模型能发挥最大的作用。在模型和策略明确之后，那各个人群包的画像也相对固定。
但是话术优化会有一定的周期和成本，所以需要根据业务规模看是否需要对话术做专门优化。
例如年轻人群是否需要专门的话术优化，如果某些大省占比总投放量很大，是不是话术的说法以及关键词匹配要做专门的适配。
模型是把人群的兴趣度做了高低的排序，那话术的作用就是最大程度的转化人群对产品的兴趣。所以对于不同地区和不同年龄段人群的说法，如果有相应的话术配合，可以起到相形益彰的作用。
下一篇会讲用户增长双核心之策略篇，敬请期待 。
思辩，同盾用户分析部高级产品专家；
玄机，同盾用户分析部数据挖掘专家；