用途：面向用户增长与营销优化的分析技能，提供从效果评估到机器学习建模的增长分析流程，帮助识别高增量用户并优化预算分配。
主要能力：裂变策略转化率分析与统计显著性检验（如卡方检验）；RFM用户分群与行为画像；基于XGBoost的Uplift建模与增量分数计算；Qini曲线效果评估；ROI计算、预算分配优化与LTV预测；策略协同、疲劳效应监测及自动化建议。
使用方式：以Python调用，先加载数据，再按需调用分析方法。 数据准备：analyzer = GrowthModelAnalyzer()；data = analyzer.load_data('growth_data.csv') 策略效果评估：results = analyzer.analyze_campaign_effectiveness(data, campaign_col='裂变类型', conversion_col='是否转化') 用户细分：segments = analyzer.rfm_segmentation(data, user_col='用户码', recency_col='R值', frequency_col='曾助力', monetary_col='M值') Uplift建模：uplift_model = UpliftModeler()；model_results = uplift_model.build_model(data, treatment_col='裂变类型', outcome_col='是否转化') Qini曲线：qini_results = uplift_model.analyze_qini_curve(test_data, model_predictions) ROI优化：roi_analyzer = ROIAnalyzer()；optimization_results = roi_analyzer.optimize_budget_allocation(campaign_data, budget_constraints) 示例命令：python examples/growth_analysis_example.py；python quick_test.py；python examples/uplift_modeling_example.py；python examples/qini_curve_example.py
数据要求：用户标识符、营销策略标识、转化结果、R/F/M行为数据及人口统计学信息（如城市、设备类型）。
技术依赖：pandas、numpy、scikit-learn、xgboost、matplotlib、seaborn、plotly、scipy、statsmodels。
适用场景：裂变策略对比与优化、高价值用户挖掘与精准营销、营销预算分配、用户增长响应预测。
限制：需保证数据质量与完整性；应定期验证模型以防漂移；结果需结合业务理解解释；须关注用户隐私与数据安全合规。收费、价格与具体平台支持暂未提供。