统计数据挖掘闻所未闻是两个工作岗位，更是一类通用型且重要的观念。我们经常会碰到各种统计数据挖掘情景。
上架前，老板娘会说：做两个统计数据挖掘？评估结果下预期。上架中，机能整体表现的不平庸，老板娘会说：统计数据下坠了，做个统计数据挖掘看看咋？上架中，机能整体表现的好，老板娘会说：做的极好，做个统计数据报告统一请示呵呵。OMG，你看，不会统计数据挖掘，举步维艰！
总之网络上有十分多统计数据挖掘的绝学和讲义，我大概归纳了呵呵，大体有三类：
一类是偏策尔纳形式的；比如怎样用spss作主成份预测，专精矮小上，怎样应用勒？完全没有天数系统学习有木有！
一类是偏虚无的，告诉你统计数据挖掘，首先要如前所述统计数据考察，然后统计数据校正巴拉巴拉的，给你一类规矩都懂，依然过不好这毕生的错觉。
因为他们从业人员统计数据商品多年，统计数据商品的两个基本工作就是把预测推论抽象化成统计数据商品，协助销售业务进行统计数据洞悉；他们也大小不一做过十分多的统计数据挖掘，我就在想：是否可以如前所述他们的经验，归纳出两套标准的统计数据挖掘方法论，协助行业内的爸爸妈妈更明晰的知道该怎样做两个完备的统计数据挖掘？
总之，这次对他们的这套认识论也有一些人格要求：
很大要从实际起程的有种，要有两个事例横跨仍旧；很大要有可F83E43Se的推论，并且是不虚无，夸夸其谈的有种。责任编辑将之外卖网络流量重新分配预测作为事例，深入细致传授怎样完备的做两个统计数据挖掘。
一、表述意义
统计数据挖掘的其本质是化解某两个销售业务难题。
化解销售业务难题的大前提，很大要想确切三件事情：
理解难题：想确切那个难题究竟是什么表述难题：用统计数据回收出那个难题我见过太多爸爸妈妈做统计数据挖掘的时候，根本就没搞明白为甚么要预测？要预测的那个难题究竟是甚么？
所以，在预测之前，很大会花天数了解那个统计数据挖掘究竟化解了甚么难题。
那个难题，在表述确切后，需要和销售业务方、leader去反反复复沟通交流，直到对那个难题确切的达成一致一致意见。
之外卖网络流量重新分配总括：
1. 理解甚么是网络流量重新分配？
从市场收回到外卖销售业务来看，网络流量重新分配其实和布局市场的其本质是一样的：通过更有效的分发商品、更合理的摆放商家，让用户与商户进行更有效率的交易。
那么，怎样更有效的分发商品？怎样更合理的摆放商家呢？
需要通过两套分发机制去实现，而分发机制必须依赖于分发渠道去实施。
具体来说，分发渠道可以看做我们线上商品的网络流量渠道。该有哪些网络流量渠道，网络流量渠道里该摆放哪些商家，是我们考虑的重点。
网络流量渠道作为分发渠道，起到连接商家与用户的作用，同时也是对用户需求及商家供给进行配对。
如下：
用户群体1：渠道1商家1、商家2、商家3用户群体2：渠道2商家4、商家5、商家6用户群体3：渠道3商家7、商家8、商家9网络流量渠道是为分发机制服务的通道，每两个网络流量渠道必定有不同分发机制的含义。比如：搜索入口，以搜索关键词为分发机制，建立用户需求与商家供给的匹配。
综上所述：站在平台看网络流量重新分配是一件甚么样的事情？
以网络流量渠道作为媒介，通过资源配置实现用户与商户进行更有效率的交易，平台需要做两件事情：
分对人（匹配需求）：把合理的网络流量渠道重新分配给需要的用户群体，即为现在进行的精准化营销，千人千面。配对货（匹配供给）：每两个网络流量渠道里重新分配满足那个用户需求的商家。2. 用统计数据表述网络流量重新分配
首先，思考怎样去表述网络流量？
其次，思考我们用甚么指标去有效的衡量网络流量：用DAU衡量？用页面去重UV衡量？还是用甚么去衡量？
从销售业务的角度来看，我要统计一天内产生了多少的网络流量，代表我要统计有多少次用户使用过我的商品。
每日网络流量，其本质上为每日会话数=每日用户数*日均用户使用频次。
最后，思考我们该从哪些角度去衡量网络流量？
回收来看，如下表：
二、梳理预测框架
知道了统计数据挖掘的难题是甚么后，需要我们去如前所述那个难题，梳理两个统计数据挖掘框架。在那个预测框架里，我们需要明确预测内容的统计数据范围以及要预测哪些难题。
1. 明确统计数据范围
统计数据范围一般分为空间范围与天数范围；具体如下：
2. 规划预测框架
如前所述表述难题环节中对难题的理解，用详细的统计数据回收难题，并把这些难题进行归类形成框架。
如前所述外卖网络流量重新分配为例，框架截取如下：
三、规范统计数据内容
有了统计数据挖掘框架后，需要对统计数据挖掘框架里的统计数据进行详细表述规范，确保每一项统计数据的统计口径是准确无误的。
统计数据内容主要分为：
1. 指标维度表述
详细表述统计数据挖掘框架中的每两个指标含义，形成指标字典。
那个指标字典的作用，一方面作为需求文档，是与统计数据开发评审的依据；另一方面，是一份释义说明，作为预测报告中指标说明的出口。
如前所述外卖网络流量重新分配为例，截取部分指标说明如下：
2. 指标维度矩阵设计
需要把指标维度用两个矩阵的方式呈现出来，如果该指标在该维度上有关联，则打勾。
指标维度矩阵的作用是明确指标与维度的关系，也可以协助我们复验所有指标与维度的关联是否可以满足我们的预测需求，避免后期造成如下badcase：我想从地域的角度观测交易金额指标，却发现取出的统计数据中，交易金额不支持地域维度的下钻。
如前所述外卖网络流量重新分配为例，截取部分指标维度矩阵如下：
四、规范预测方法
接下来如前所述预测框架，明确每两个预测难题，需要采用甚么样的预测方法进行预测；详情写出预测的标题、度量内容、可视化方法、预测方法，并按统计数据挖掘报告（以PPT为例）展示的顺序组织。
如前所述外卖网络流量重新分配为例，截取部分如下：
那我们究竟该选取甚么样的可视化方法去呈现我们的报告呢？这里参照国外大神的经验，归纳了两个万能图表，供大家参考：
完成预测方法的规划后，我们就可以形成两个统计数据挖掘的提纲，那个统计数据挖掘提纲是十分重要的：
确切的阐明我们需要预测的难题。这些难题并不是凭空想象的，而是如前所述表述难题环节、搭建预测框架环节的逻辑推导得出。确切的知道预测难题中需要的统计数据内容。有两个完备的画面感，明确统计数据挖掘最终呈现的样式。以PPT展示形式为例，甚至可以知道那个报告有多少页，每一页都有哪些内容。
五、输出预测报告
这样，我们如前所述以上的准备，就可以按部就班的去输出我们的预测报告了。
我在这里的建议是，很大要把任何两个统计数据挖掘当成他们的作品一样，高标准高要求的进行产出。这样，不仅可以锻炼我们的撰写报告能力，也可以更好的让销售业务方对你形成专精可信赖的印象。
如前所述外卖网络流量重新分配为例，截取预测报告如下：
备注：以上所有具体统计数据均经过虚构处理，请勿作为行业参考。
六、归纳
如上之外卖网络流量重新分配为例，详细介绍了统计数据挖掘的全流程。
最后，对统计数据挖掘的认识论归纳如下：
统计数据挖掘是每位商品爸爸妈妈日常离不开的一项工作任务，期望这篇文章，可以协助大家更系统的思考我们做统计数据挖掘的目的和流程，如果有好的建议可以留言交流。
作者：罗大大
