人(用户)的行为活动的周期性,包括和人相关的自然节律
e.g. 夜间23:00-早上6:00基本是在休息,所以app的活跃比白天低;
e.g. 一日三餐的用餐时间相对固定,上下班时间相对固定;
e.g. 工作日上班,节假日休息;
e.g. 夏天会买短袖/裤/裙、风扇/空调等降温设备、遮阳伞/防晒霜等遮阳设备等,冬天买秋衣/裤、暖宝宝/电热扇/暖气片等保暖设备;
e.g. 在特定的年龄段有相应的主要活动,比如上学、工作、婚育、养老等;
社会活动的周期性,包括行业特殊日期或活动
e.g. 节日,五一、国庆、春节、七夕(或者5.20)、双11等;
e.g. 学校的暑假、寒假以及春秋季开学,电商平台会促销学习用品;
e.g. 定期举行的具有较大影响力的公开集会或者活动,比如广交会、世界杯、NBA赛事等;
产品上的周期性
e.g. 唯品会的早10晚8上新、固定时段的大促活动等;
e.g. 产品发布会,比如苹果/华为/小米手机发布会等;
e.g. 会员日(用户养成习惯会在当日消费),比如信用卡的周末活动等;
e.g. 还款日,发工资日;
从自变量出发
e.g. 跨群体稳定性,可以保持变量X1不动,改变其他自变量,看X1->Y的关系是否稳定,即看具有同一特征的不同人群在指标Y上的表现,如果模式在跨群体上表现稳定,那么就验证了X1和Y的关系模式是OK的,如果在其他群体上没有验证X1和Y的关系,那么说明可能是该群体的其他特征影响了X1,真正的影响因素还要继续深挖;
e.g. 细分群体稳定性,比如现在发现某类用户的属性X1和关键指标Y有强相关,将该类用户按某个维度或者变量并列拆分为几组(2-3组即可,每组的样本量要足够),然后看不同细分组上X1和Y的关系是否稳定,如果模式稳定,X1和Y的关系则可能是有效的,如果模式不稳定,则说明分组的变量可能是影响Y的因素;
从因变量出发
e.g. 找到具有相同特征Y的群体(也可以从历史数据中抽样),反过来看其对应X1和Y的关系,比如;
e.g.找到具有“非Y”特征的群体,看对立样本中X1的分布是否和原样本存在差异。如果不存在差异,说明X1可能是无效的影响因素,如果存在显著差异,则说明X1可能是有效的因素。比如成功的人和失败的人都具有的共性因素,这些因素不是“成功”的必要因素;