一、什么是统计数据挖掘

统计数据挖掘的核心理念是是借助统计数据辨认出难题，功能定位其原因，找寻化解计划或明确提出提议的观念，因此预测辅助工具并不是最重要的，也不须要一已经开始求学Python、食腐等；对非职业专业人士而言，其实用Excel就能满足用户绝大部分日常生活政治理念。

统计数据挖掘3基本要素：统计数据、统计/预测方式、推论。

1）没精确、多样的统计数据，难以展开预测；

2）没正确的方式、辅助工具，极难对统计数据展开研磨、找寻当中的规律性；

3）没逐步形成结论，则相等于没结论，Monpazier，统计数据商业价值打折扣；

二、统计数据挖掘应用领域事例

举两个统计数据挖掘在商品组织工作中“辨认出难题-预设假定其原因-校正其原因-化解难题”的范例；

【预测操作过程】

第二步：回收分项

净利润额=总销售额-总退费额-总成本

总退费额=退费客户数平均退费金额=（总购买客户数退费率）* 平均退费金额

通过回收，可以辨认出总购买客户数、退费率、平均退费金额都是影响总退费额的因素，为了进一步明确其原因，须要辅助统计数据挖掘手段。

第二步：辨认出难题——如何辨认出难题？

拉取最近一年的退费明细订单统计数据，汇总研磨处置后，辨认出难题：【缴纳定金后退费】金额占总退费金额比例不到5%，而【缴清全款后退费】占比高达95%。

明显后者退费占比异常偏高，因此我选择继续下钻预测【缴清全款后退费】的统计数据，并尝试罗列出明显规律性：

1）学生完课率越高，退费率越低；完课率与退费率呈现负有关；

2）未上课退费、已上课退费分别占比 70%、30%比例；

3）已上课退费中，按已上课次-平均退费金额展开分布统计，辨认出两者呈现负有关，已上课次越多，退费订单数越少，且退费金额越少。

第三步：明确核心理念难题——什么是最核心理念的难题？

从第二步来看，未上课退费、已上课退费均有可优化的空间，并且一些维度之间存在正向或负向的影响关系，为了让逻辑看起来更清晰，我尝试建立各个维度之间的关系（有关关系or因果关系?），来协助决策明确核心理念难题。

蓝色为已知统计数据维度，绿色为引入的统计数据维度。

【学生满意度和兴趣度】虽然是源头，但此分项难以量化、没统一固定标准、统计数据不方便实时收集，因此不符合分项的要求；而【上课次数】与退费虽然是负有关关系，单并不具备因果关系，用上课次数来衡量退费也明显是不合适的；相比之下，【退费率】是两个好的分项，把【退费率】做为第一关键分项（OMTM原则）；又因为【未上课退费占比明显异常偏高】，因此把“降低未上课退费率（目前占比70%，正常约30%）”做为核心理念要化解的难题。

第四步：探究核心理念难题的其原因——哪些因素有可能造成此其原因？

明确难题后，须要从结构化的角度拆分可能会造成难题的其原因。从用户、竞品、商品或服务3个层面，和紧密结合了商品A的付款-上课销售业务流程，绘制图如下：

这一步是以教育行业为例，其它行业可以根据自己的销售业务场景来穷举，重点是要全面，分项之间尽量独立。

可能看到这头都大了，这么多的其原因，哪个因素是核心理念其原因？为了找寻核心理念其原因，我把每个因素展开“假定—校正—推论”，预测结论如下图（灰色为排除项，红色为高度有关项）； 最终确定了两个重点其原因：

这一步的重点是难题-假定-统计数据校正-推论方式，每两个分项的细节可以先不用看~

第五步：校正假定——如何校正假定，如何证明？

找寻主要其原因后，还须要证明该假定成立，因此我设立对照组，分别按照不同门店的退费金额，按服务质量好-差、成功排班速度快-慢，来展开对照统计数据挖掘，为了尽量排除干扰因素，选择了同一区域、人员结构类似的门店展开统计数据归类，经过排查，已能证明该因素确实是核心理念影响因素。

第六步：确定化解计划

虽然找寻了主要其原因，但还须要挖掘深层次的其原因，继续重复上面预测的操作过程，接下来针对难题展开计划设计，提供对应的功能，并建议制定销售业务规章制度，以达到期望效果；在此操作过程中，值得注意的是并不是所有难题都可以通过商品功能化解，尤其是涉及流程调整、监管，是非常须要销售业务部门的支持、协助的；商品除了要产出计划，还须要组织会议，协调资源，推进达成共识，正式立项。

展开到这里，基本上能很完整的确定化解计划，并且整个操作过程均有多样的统计数据支撑，可行性非常高，甚至可以预见几乎不会有上线误差。

最终： 我取得的成果

1、源统计数据会对统计数据挖掘结论产生直接影响，在预测时，选取统计数据要尽可能覆盖全面、精准度高；此外要特别留意异常统计数据，一定要剔除因设备、软件、个人等其原因导致的异常统计数据，这些统计数据一不留神会导致预测结论与实际客观情况大相径庭；

2、统计数据不是唯一的参考标准，虽然统计数据是客观的，但预测统计数据的人是主观的，同一份统计数据不同的人可能有不同见解；看统计数据的同时，须要紧密结合个人对商品的一些既往经验，或者辅助用户访谈、问卷调研、A/Btest等方式展开综合全面的预测；

3、在结构化假定其原因时，维度要尽可能的齐全，可以从用户、竞品、商品服务3个角度思考，并且对照着销售业务流程，来尽可能罗列有关影响因素；

4、当维度较多时，比较好的方式是将统计数据分组，观测每组统计数据是否有异常；比如按渠道入口分组，看是否某个获客渠道的统计数据异常，或按用户的地域/购买时间/下单频率等等分组。

三、方式论

我已经开始以为统计数据挖掘是预测师才须要掌握的，并且觉得比较难；但随着组织工作上思考加深，辨认出方方面面都可以用到统计数据挖掘观念，因此萌生了加深学习的想法；这里推荐给大家【道术器用】四层次法，从观念、方式、辅助工具、实践四个方向对照自己掌握的技能，逐步多样自己的统计数据挖掘技能树，快速查漏补缺。同时这个方式也非常有助于思考深度的锻炼，可以应用领域到各个课程学习上。

紧密结合实际场景和需求，可以采用多种预测方式组合预测，下面是一些预测方式论：

不而已预测难题时可以用到统计数据挖掘思路，在职场汇报、简历编写、甚至购买基金，都可以找寻统计数据挖掘的影子，可以尝试以下应用领域场景。

以上，就是我今天的分享啦，总结一下：统计数据挖掘代表了一种方式，一种辩证、推理、思辨的观念方式；不而已统计数据挖掘师、统计数据商品须要具备统计数据挖掘能力，每个人都可以应用领域这项能力给自己加分，把这项能力举一反三应用领域到生活和组织工作的各个场景中；用好这个“大招”，能更轻松地跑赢一部分人，更快地升职加薪，也能让自己的简历更突出。

责任编辑由 @PM_dog9527 原创发布于人人都是商品经理，未经许可，禁止转载。

题图来自Unsplash，基于CC0协议。

该文观点仅代表作者本人，人人都是商品经理平台仅提供信息存储空间服务。