【实战篇】数据驱动业务增长：如何做转化意愿预测？

“数据驱动业务增长”是以业务线全链路海量数据的收集、存储、可视化、分析、挖掘作为核心支撑的，需要协同上下游参与且目标一致，最终将数据精准化、精细化为实现商业目的。本文围绕职业教育培训行业的商业模式展开了讲述，推荐对此感兴趣的伙伴阅读。

1、业务介绍：

本产品主要是挖掘孩子的综合素质，覆盖思维、英语、语文等能力，帮助孩子在认识世界、探索世界的同时，打好全方位的能力基础，陪伴孩子共同成长。

2、商业模式：

小课引流、进行4天左右的直播课程、最终转化成年课用户。

3、分析主题：

转化分析

4、现状痛点：

5、解决目标：

目前属于发掘的新业务，所以业务需要在招生分析的链路上，想要通过一系列的全面复盘和分析，核心提高转化率。

所有的分析思路都应该以场景作为切入点，以业务决策为终点，因此本次项目梳理了五个步骤：

1、挖掘业务含义：

用户旅程图：明确课程产品的核心价值是核心，同时根据价值匹配到该价值的目标人群。从用户角度出发，以用户调研和业务场景中发现用户在整个使用过程中的痛点和满意点，思考产品的增长点。

2、梳理用户行为特征：

1）路径拆解：

在用户旅程的大框架下，通过对用户行为数据的采集，监测获得的数据进行分析可以让更加详细、清楚地了解用户的行为习惯，将他们的目标、需求与商业宗旨相匹配。

2）用户行为：

根据用户旅程的体验中，可以把用户分为三个阶段，其中包含：获客、留存、转化，每个阶段的衡量反应出的分析目标和逻辑则不同。

3、拆分场景特征：

1）相关性分析：

主要用于研究用户行为事件的发生对转化的影响程度，针对这一行为特征进行相关性分析，确认导致该行为的影响因素和影响权重。

2）梳理特征（定义数据集）：

涉及到原始的数据源，我们需要在亚马逊中找到S3的存储桶，将数据源文件传输至此。

1、构建模型：

1）模型选择：

关键点在于模型的选择，转化预测本质是一个二分类的问题，预期是0-1的一个概率值，实战中选择的【xgboost】模型进行预测，通过和转化率强相关的因子和转化预测分层进行后续的营销策略。

2）模型优势：

2、数据分析：

1）特征相关性：

2）贡献排行：

根据相关性整理了分值排行，更能直观看到哪些影响因子的重要程度。

3）分析理论：

• 卡方检验：

  着重观察值与理论值的偏离程度，选择的考虑主要是基于特征的二分类问题和相互独立事件居多。

• 斯皮尔曼相关性分析：核心针对两个连续性变量且成线性关系，所以需验证其相关性。

4）地域分析：

从地域人群量级和转化率上来看，整体手中人群集中在二三线城市，所以在产品的投放和布局中，需针对等级进行策略规划。

5）竞品分析：

卡方校验非常显著，从此指标可以看出，用户安装了竞品，直接可以筛选到核心的种子用户，因为该用户对此有强烈的潜在需求。

6）留存分析：

这里的留存主要指用户来学习的次数，分析图表看，用户持续学习提现出对产品课程的认可性，非常有利于后续营销转化。

（仅举几个栗子分析）

3、模型调优：

1）持续训练：

防止数据量稀疏和数据量较小，所以需要加大数据源的量级，加强预测能力，防止结果的偶然性。

2）模型调优：

• 调整不合理指标，防止特征穿越（比如浏览产品详情页，这种标签穿越特别严重，其实在模型中做预测是不太可取，反而可以成为营销策略的用户标签）

• 对模型进行合理的剪枝规则，增强模型可解释性（针对特别明细标签，进行归因和聚合）

数据分析也好、数据挖掘也罢，只是实现商业目标的手段，真正想赋能业务并且驱动业务，一定要从实际场景触发，找到切入点。

1、策略一：提效

2、策略二：抓手