第177章 转正答辩：不展示PPT (2 / 4)

        “首先，我定义了一组‘价值用户’的行为特征。”他调出一张图表，上面列出他设定的行为指标和阈值，“这并非完美标准，但比单一的‘活跃’或‘留存’更综合。模型会根据用户注册后的行为，计算一个‘潜在价值评分’。”

        他开始运行查询。大屏幕上，代码滚动，数据表刷新。他展示了如何从广告点击日志关联到用户注册表，再关联到长达30天的用户行为明细。“这是从‘暑期拉新冲刺’项目中随机抽样的一万个用户追踪链路，已做匿名化处理。”

        接着，他展示了模型的计算过程：如何将行为映射为评分，如何划分用户价值分层。图表清晰地显示出，按照传统“注册即转化”的标准，这一万用户都是“成功转化”。但按照他的价值评分，只有约18%的用户进入“中高价值”区间，其余82%分布在“低价值”和“疑似无效”区域。

        会议室里响起低低的议论声。18%的比例令人不安。

        “这只是一个抽样。”古民说，“接下来看整体项目。”他切换到一个聚合仪表板，展示了按照不同广告渠道、不同代理方归因后的用户价值分布热力图。色彩梯度鲜明地揭示出巨大差异：某些渠道带来的用户，高价值比例接近30%；而另一些渠道，这个比例不足5%，但其注册成本却显著低于前者。

        “如果我们引入‘有效用户获取成本’这个概念，”古民调出另一组计算，“即用渠道总花费除以该渠道带来的‘中高价值用户数’，我们会看到完全不同的排序。”一张对比图出现，左边是按照传统“单用户注册成本”从低到高排列的渠道列表，右边是按照“有效用户获取成本”排列的列表。排位发生了剧烈变化。几个在左边榜单靠前（显得“性价比高”）的渠道，在右边榜单跌至末尾，其“有效成本”是表面“注册成本”的十倍甚至更高。

        “这意味着，”古民的声音依旧平稳，但每个字都清晰有力，“我们可能将相当一部分预算，花费在了那些只能带来‘注册’这个动作，但几乎无法带来后续真实价值的渠道上。这些预算的效率极低。”

        负责渠道采购和投放的负责人脸色变得不太自然。一位资深数据分析专家提问：“你的价值用户定义是否过于严格？有些用户可能是慢热型，或者被其他因素影响。另外，渠道之间的差异性，比如目标人群不同，是否会导致价值评估的偏差？”

        “问题很好。”古民似乎早有准备，“关于价值定义，模型支持调整阈值和权重。我们可以放宽标准，比如将‘完成一次任意订单’即视为有价值，或者缩短观察期。”他快速调整了几个参数，重新运行。结果比例有所变化，高价值用户比例上升到25%，但不同渠道之间的巨大效率差异依然存在，相对排名基本稳定。“关于渠道差异，模型可以控制基本的人群属性，如地域、基础设备类型等。但核心行为模式的差异，如注册后是否有探索行为、是否使用核心功能、是否产生非补贴交易，这些是评估用户与平台真实关联度的关键，应超越简单的人口学标签。”

        另一位评审，产品线的负责人问：“这个模型能实时运行吗？还是只能事后分析？”

  The content is not finished, continue reading on the next page