一、式子回收
所谓式子回收法是特别针对某一分项，用式子一层层降解该分项的负面影响因素。
总括：预测某产品的营业额较高的原因，用式子法降解
二、对照预测
对照法是用三组或三组以上的统计数据展开比较，是最通用型的方式。
他们知道孤立无援的统计数据没有意义，有对照才有差别。比如说在时间层次上的同比和同比、增幅、定基比，与竞争者的对照、类型之间的对照、特征和特性对照等。对照法可以辨认出统计数据变化趋势，采用频密，时常和其它方式配搭采用。
下图的AB子公司营业额对照，虽然A子公司营业额整体上涨且低于B子公司，但是B子公司的增长速度十分迅速，低于A子公司，即使中后期增长速度下降了，最终的营业额还是迎头赶上。
三、A/Btest
A/Btest，是将Web或App介面或销售业务流程的两个或数个版，在同一天层次，分别让类似于来访者聊天室来出访，搜集各聊天室的采用者新体验统计数据和销售业务统计数据，最终预测评估结果出最好版正式采用。A/Btest的销售业务流程如下表所示：
（1）现况预测并建立假定：预测销售业务统计数据，确认当前最关键性的改良点，作出强化改良的假定，提出强化提议；比如说他们辨认出采用者的转换率相对较低，他们假定原因在于推展的降落网页带来的转换率太低，上面就要想办法来展开改良了
（2）预设最终目标，Veyre：增设主要最终目标，用以来衡量各强化版的好坏；增设远距最终目标，用以评估结果强化版对其它方面的负面影响。
（3）结构设计与开发：制做2个或数个强化版的结构设计蓝本并完成技术实现。
（4）重新分配网络流量：确认每一圣戈当斯区试验版的阻塞比例，如上所述阶段，强化方案的网络流量增设可以较小，根据情况逐渐增加网络流量。
（5）采集并预测统计数据：搜集实验统计数据，展开有效性和效果判断：统计显著性达到95%或以上并且维持一段时间，实验可以结束；如果在95%以下，则可能需要延长试验时间；如果很长时间统计显著性不能达到95%甚至90%，则需要决定是否中止试验。
（6）最终：根据试验结果确认发布新版、调整阻塞比例继续试验或者在试验效果未达成的情况下继续强化迭代计划重新开发上线试验。
销售业务流程图如下表所示：
四、象限预测
通过对两种及以上层次的划分，运用坐标的方式表达出想要的价值。由价值直接转变为策略，从而展开一些落地的推动。象限法是一种策略驱动的思维，常与产品预测、市场预测、客户管理、商品管理等。比如说，右图是一个广告点击的四象限分布，X轴从左到右表示从低到高，Y轴从下到上表示从低到高。
高点击率高转化的广告，说明人群相对精准，是一个高效率的广告。高点击率低转化的广告，说明点击进来的人大多被广告吸引了，转化低说明广告内容特别针对的人群和产品实际受众有些不符。高转化低点击的广告，说明广告内容特别针对的人群和产品实际受众符合程度较高，但需要强化广告内容，吸引更多人点击。低点击率低转化的广告，可以放弃了。还有经典的RFM模型，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个层次分成八个象限。
象限法的优势：
（1）找到问题的共性原因通过象限预测法，将有相同特征的事件展开归因预测，总结其中的共性原因。例如上面广告的案例中，第一象限的事件可以提炼出有效的推展渠道与推展策略，第三和第四象限可以排除一些无效的推展渠道；
（2）建立分组强化策略
特别针对投放的象限预测法可以特别针对不同象限建立强化策略，例如RFM客户管理模型中按照象限将客户分为重点发展客户、重点保持客户、一般发展客户、一般保持客户等不同类型。给重点发展客户倾斜更多的资源，比如说VIP服务、个性化服务、附加销售等。给潜力客户销售价值更高的产品，或一些优惠措施来吸引他们回归。五、帕累托预测
帕累托法则，源于经典的二八法则。比如说在个人财富上可以说世界上20%的人掌握着80%的财富。而在统计数据预测中，则可以理解为20%的统计数据产生了80%的效果需要围绕这20%的统计数据展开挖掘。往往在采用二八法则的时候和排名有关系，排在前20%的才算是有效统计数据。二八法是抓重点预测，适用于任何行业。找到重点，辨认出其特征，然后可以思考如何让其余的80%向这20%转化，提高效果。
一般地，会用在产品分类上，去测量并构建ABC模型。比如说某零售企业有500个SKU以及这些SKU对应的营业额，那么哪些SKU是重要的呢，这是在销售业务运营中分清主次的问题。
常见的做法是将产品SKU作为层次，并将对应的营业额作为基础度量分项，将这些营业额分项从大到小排列，并计算截止当前产品SKU的营业额累计合计占总营业额的百分比。
百分比在 70%（含）以内，划分为 A 类。百分比在 70~90%（含）以内，划分为 B 类。百分比在 90~100%（含）以内，划分为 C 类。以上百分比也可以根据自己的实际情况调整。
ABC预测模型，不光可以用以划分产品和营业额，还可以划分客户及客户交易额等。比如说给企业贡献80%利润的客户是哪些，占比多少。假定有20%，那么在资源有限的情况下，就知道要重点维护这20%类客户。
六、漏斗预测
漏斗法即是漏斗图，有点像倒金字塔，是一个销售业务流程化的思考方式，常见于像新采用者的开发、购物转换率这些有变化和一定销售业务流程的预测中。
统计数据分项来量化每一个步骤的表现。所以整个漏斗模型是先将整个购买销售业务流程拆分成一个个步骤，然后用转换率来来衡量每一个步骤的表现，最终通过异常的统计数据分项找出有问题的环节，从而解决问题，强化该步骤，最终达到提升整体购买转换率的目的。
整体漏斗模型的核心思想其实可以归为降解和量化。比如说预测电商的转化，他们要做的是监控每一层级上的采用者转化，寻找每一层级的可强化点。对于没有按照销售业务流程操作的采用者，专门绘制他们的转化模型，缩短路径提升采用者新体验。
从上面这幅AARRR模型图中，能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。通过回收和量化整个采用者生命周期各环节，可以展开统计数据的横向和纵向对照，从而辨认出对应的问题，最终展开不断的强化迭代。
七、路径预测
采用者路径预测追踪采用者从某一开始事件直到结束事件的行为路径，即对采用者流向展开监测，可以用以来衡量网站强化的效果或营销推展的效果，以及了解采用者行为偏好，其最终目的是达成销售业务最终目标，引导采用者更高效地完成产品的最优路径，最终促使采用者付费。如何展开采用者行为路径预测？
（1）计算采用者采用网站或APP时的每一第一步，然后依次计算每一步的流向和转化，通过统计数据，真实地再现采用者从打开APP到离开的整个过程。
（2）查看采用者在采用产品时的路径分布情况。例如：在出访了某个电商产品首页的采用者后，有多大比例的采用者展开了搜索，有多大比例的采用者出访了分类页，有多大比例的采用者直接出访的商品详情页。
（3）展开路径强化预测。例如：哪条路径是采用者最多出访的；走到哪一步时，采用者最容易流失。
（4）通过路径识别采用者行为特征。例如：预测采用者是用完即走的最终目标导向型，还是无目的浏览型。
、购买型采用者，并对每类采用者展开不同出访任务的路径预测，比如说意向型的采用者，他展开不同车型的比较都有哪些路径，存在什么问题。还有一种方式是利用算法，基于采用者所有出访路径展开聚类预测，依据出访路径的相似性对采用者展开分类，再对每类采用者展开预测。以电商为例，买家从登录网站／APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在采用者真实的选购过程是一个交缠反复的过程，例如提交订单后，采用者可能会返回首页继续搜索商品，也可能去取消订单，每一个路径背后都有不同的动机。与其它预测模型配合展开深入预测后，能为找到快速采用者动机，从而引领采用者走向最优路径或者期望中的路径。
采用者行为路径图示例：
八、留存预测
采用者留存指的是新会员/采用者在经过一定时间之后，仍然具有出访、登录、采用或转化等特定特性和行为，留存采用者占当时新采用者的比例是留存率。留存率按照不同的周期分为三类，以登录行为认定的留存为例：
第一种 日留存，日留存又可以细分为以下几种：
（1）次日留存率：（当天新增的采用者中，第2天还登录的采用者数）/第一天新增总采用者数
（2）第3日留存率：（第一天新增采用者中，第3天还有登录的采用者数）/第一天新增总采用者数
（3）第7日留存率：（第一天新增采用者中，第7天还有登录的采用者数）/第一天新增总采用者数
（4）第14日留存率：（第一天新增采用者中，第14天还有登录的采用者数）/第一天新增总采用者数
（5）第30日留存率：（第一天新增采用者中，第30天还有登录的采用者数）/第一天新增总采用者数第二种 周留存，以周度为单位的留存率，指的是每一周相对于第一个周的新增采用者中，仍然还有登录的采用者数。
第三种 月留存，以月度为单位的留存率，指的是每一月相对于第一个周的新增采用者中，仍然还有登录的采用者数。留存率是特别针对新采用者的，其结果是一个矩阵式半面报告（只有一半有统计数据），每一统计数据记录行是日期、列为对应的不同时间周期下的留存率。正常情况下，留存率会随着时间周期的推移而逐渐降低。上面以月留存为例生成的月采用者留存曲线：
九、聚类预测
聚类预测属于探索性的统计数据预测方式。通常，他们利用聚类预测将看似无序的对象展开分组、归类，以达到更好地理解研究对象的目的。聚类结果要求组内对象相似性较高，组间对象相似性较高。在采用者研究中，很多问题可以借助聚类预测来解决，比如说，网站的信息分类问题、网页的点击行为关联性问题以及采用者分类问题等等。其中，采用者分类是最常见的情况。
常见的聚类方式有不少，比如说K均值（K-Means），谱聚类（Spectral Clustering），层次聚类（Hierarchical Clustering）。以最为常见的K-means为例，如右图：
可以看到，统计数据可以被分到红蓝绿三个不同的簇（cluster）中，每一簇应有其特有的性质。显然，聚类预测是一种无监督学习，是在缺乏标签的前提下的一种分类模型。当他们对统计数据展开聚类后并得到簇后，一般会单独对每一簇展开深入预测，从而得到更加细致的结果。
————————————————
联科统计数据 IT服务管理解决计划覆盖安全、网管、系统监控等整个运维支撑体系，北京联科数信科技有限子公司（简称“联科统计数据”）是中国领先的统计数据技术提供商，销售业务涵盖统计数据服务、统计数据预测和统计数据应用等领域。
总部设在北京，在上海、贵州、杭州、南京、武汉、广州、深圳、成都、西安等数个城市设有办事机构，在全国主要的省会城市和计划单列市常驻技术专家和销售顾问，可为客户提供7*24小时支持。
随着统计数据技术时代的来临，统计数据已成为企业的核心资产和创新驱动力，联科统计数据凭借多年积累的实践经验，获得采用者及合作伙伴的良好商誉。联科统计数据专业数据服务，只为给更多大统计数据预测师提供高薪offer!
科统计数据】，欢迎主动与他们联系~
最终，祝大家工作顺利，事业有成，如果还有其它问题想了解，可以私信小联哦~
