在互联网统计数据化营运实践中，许多子公司开始认识到另一方面的设想和采用者的市场预期常常存有差别，提供更多商品的机能与服务项目有时候并不是采用者或是说需要的，这毫无疑问对子公司商品和服务项目的推展导致十分困难，只好，搞好采用者犯罪行为预测、研究就变得愈发重要。
一、采用者犯罪行为预测概要
采用者犯罪行为预测是指对互联网采用者的互联网犯罪行为及犯罪行为另一面的统计数据进行追踪、统计，预测采用者的出访规律性、采用方向及犯罪行为特征，为提高中文网站转化成效用和金蝶效用提供更多可信依照。
采用者犯罪行为预测的思路
1、预测采用者犯罪行为，具体来说要确认采用者分项。
3、发掘采用者
4、预测中文网站营运操作过程中各着力点的转化成工作效率。
二、采用者分项预测
依照采用者的犯罪人格特质，可以表述数个有关的采用者分项。
出访采用者数：即平时所言的UV（分立来访者），用作充分体现中文网站的出访采用者量，能充分反映中文网站的畅销某种程度。
新采用者数：首度出访或是才刚注册登记的采用者，用作预测中文网站的推展效用和发展速率。
活耀采用者数：一般表述为有关键性姿势或犯罪行为达至某一明确要求时的采用者。用于预测中文网站或是说掌控的采用者量，因为只有活耀采用者就可以为中文网站缔造商业价值。
外流采用者数：一两年内未出访或登入过中文网站的采用者，用作预测中文网站留存采用者的潜能。
家访采用者数：指以后已经外流，但之后又再次出访中文网站的采用者，用作预测中文网站挽救外流采用者的潜能。
。
三、采用者犯罪行为分项
取的内容包括：IP地址、采用者名、Cookie有关信息及浏览器类型等。点击事件分布：通常会在点击某一链接、按钮、筛选框等特定事件时被触发。
具体的采用者犯罪行为分项举例
四、发掘采用者犯罪行为特征
是指采用者在网上的犯罪行为轨迹，轨迹另一面充分反映的是采用者的犯罪行为特征，而这些犯罪行为特征对中文网站的营运、管理、客户服务项目等诸多方面都有重要的参考商业价值。例如：有些采用者在B2C平台下单之后并没能马上进入支付环节，而是再次浏览商品的细节，那么说明该采用者对于在线支付非常谨慎，比较犹豫，针对这些下单后反复浏览商品细节的采用者，我们可以调整营运策略，促使采用者尽快付款，提高下单到付款的转化成率，比如制定采用者付款后两小时内可以无条件撤单返款，或是采用者下单两小时未付款将自动取消下单等策略。
五、漏斗预测
主要预测目的是针对中文网站营运操作过程中各着力点的转化成工作效率、营运效用及操作过程进行监控和管理。如用漏斗模型预测电子商务营销活动中一些关键性节点的转化成率：
通过漏斗模型预测，可以发现营运活动中哪些环节的效用不好，对于转化成率低的环节，或是波动异常的环节采取相应措施积极改进，最终提升整体转化成率。
以上是对采用者犯罪行为预测的基本描述，要想搞好互联网统计数据化营运，需要结合具体业务场景，全方位、多角度思考采用者的犯罪行为特征，对采用者犯罪行为的所有统计数据进行收集汇总、整理、统计、预测，为金蝶等活动提供更多有力的统计数据预测支撑。
