growth-model-analyzer

name	growth-model-analyzer
description	增长模型分析技能 - 提供全面的增长黑客分析工具，包括裂变策略评估、用户细分、Uplift建模、ROI优化等。支持多种增长场景的机器学习建模和智能决策建议。适用于用户增长、营销优化、产品迭代等增长分析场景。
allowed-tools	Read, Write, Bash, Glob, Grep

增长模型分析技能

技能概述

增长模型分析技能是一个全面的增长黑客工具包，基于《数据分析咖哥十话》第10话的增长模型理论，提供从基础效果评估到高级机器学习建模的完整增长分析解决方案。

该技能专注于通过数据驱动的方法，帮助企业理解和优化用户增长策略，实现可持续的商业增长。

核心功能

🎯 裂变策略效果评估

• 转化率分析: 计算和比较不同裂变策略的转化效果
• 统计显著性检验: 使用卡方检验等方法验证策略效果
• 效果可视化: 生成直观的策略对比图表和报告

👥 用户细分与个性化策略

• RFM用户分群: 基于近度、频度、金额的用户价值分析
• 行为画像分析: 深度分析用户行为模式和偏好
• 个性化推荐: 为不同用户群体推荐最优增长策略

🤖 智能Uplift建模

• XGBoost增长建模: 使用机器学习识别高增量价值用户
• 增量分数计算: 精确计算用户对营销策略的响应概率
• Qini曲线分析: 评估增长模型的预测效果和商业价值

💰 成本效益分析与ROI优化

• ROI计算: 全面的投资回报率分析
• 预算分配优化: 智能化的营销预算分配建议
• LTV预测: 用户生命周期价值预测和优化

📈 增长策略优化

• 协同效应分析: 识别策略间的协同和冲突效应
• 疲劳效应监测: 监控和预防用户对策略的疲劳
• 自动化建议: 基于数据驱动提供策略优化建议

工具使用指南

基础使用流程

1. 数据准备

   # 加载增长数据
   analyzer = GrowthModelAnalyzer()
   data = analyzer.load_data('growth_data.csv')
   

2. 策略效果评估

   # 评估裂变策略效果
   results = analyzer.analyze_campaign_effectiveness(
       data,
       campaign_col='裂变类型',
       conversion_col='是否转化'
   )
   

3. 用户细分分析

   # RFM用户分群
   segments = analyzer.rfm_segmentation(
       data,
       user_col='用户码',
       recency_col='R值',
       frequency_col='曾助力',
       monetary_col='M值'
   )
   

4. Uplift建模

   # 构建增长模型
   uplift_model = UpliftModeler()
   model_results = uplift_model.build_model(
       data,
       treatment_col='裂变类型',
       outcome_col='是否转化'
   )
   

高级分析功能

1. Qini曲线分析

   # 评估模型效果
   qini_results = uplift_model.analyze_qini_curve(
       test_data,
       model_predictions
   )
   

2. ROI优化

   # 营销ROI分析
   roi_analyzer = ROIAnalyzer()
   optimization_results = roi_analyzer.optimize_budget_allocation(
       campaign_data,
       budget_constraints
   )
   

最佳实践

数据要求

• 用户标识符 (用户码)
• 营销策略标识 (裂变类型)
• 转化结果 (是否转化)
• 用户行为数据 (R值、F值、M值)
• 人口统计学信息 (城市类型、设备类型)

模型选择指导

• 新用户获取: 优先使用Uplift建模识别高潜力用户
• 用户激活: 使用RFM分析定位低活跃度用户
• 用户留存: 采用行为分析预测流失风险
• 营收增长: 应用ROI分析优化预算分配

策略优化建议

• 定期更新模型以适应用户行为变化
• 结合定性分析完善数据洞察
• 建立A/B测试框架验证策略效果
• 关注长期用户价值而非短期转化

技术依赖

核心依赖

• pandas: 数据处理和分析
• numpy: 数值计算
• scikit-learn: 机器学习工具
• xgboost: 梯度提升框架

可视化依赖

• matplotlib: 基础图表绘制
• seaborn: 统计图表美化
• plotly: 交互式可视化

统计分析依赖

• scipy: 科学计算和统计分析
• statsmodels: 高级统计建模

使用场景示例

场景1: 裂变策略优化

当您需要评估不同裂变策略（如助力砍价、拼团狂买）的效果时，使用策略效果评估功能快速识别最优策略。

场景2: 用户价值挖掘

通过RFM分析和用户画像，深入了解高价值用户的特征，指导精准营销。

场景3: 增长预算分配

使用ROI优化功能，科学分配营销预算，最大化投资回报率。

场景4: 用户增长预测

利用Uplift建模预测用户对不同增长策略的响应，制定个性化增长方案。

示例命令

# 运行完整增长分析示例
python examples/growth_analysis_example.py

# 快速测试核心功能
python quick_test.py

# 运行Uplift建模示例
python examples/uplift_modeling_example.py

# 生成Qini曲线分析
python examples/qini_curve_example.py

技能特色

✅ 业界领先的增长建模方法 - 集成最新的增长黑客理论和实践 ✅ 完整的工具链 - 从数据清洗到策略部署的全流程支持 ✅ 机器学习驱动 - 智能化的用户洞察和策略优化 ✅ 商业价值导向 - 专注于ROI和业务增长的实用工具 ✅ 易于使用 - 简洁的API设计和丰富的使用示例 ✅ 可扩展架构 - 支持自定义模型和策略扩展

注意事项

• 确保数据质量和完整性，避免垃圾进垃圾出
• 定期验证模型效果，防止模型漂移
• 结合业务理解解释分析结果
• 关注用户隐私和数据安全合规要求

通过这个技能，您可以构建科学、高效、可衡量的用户增长体系，实现可持续的商业增长。