| 编者按 2019月底已经开始我已经开始碰触统计数字挖掘，从末期的统计数字挖掘阿宝，到那时渐渐进阶很多实战经验，想把我这儿教给的统计数字挖掘的形式以最简单的形式说明给和彼时的我那样阿宝的全校师生，附注将分成【统计数字挖掘的象征意义】【此基础评价分项构筑】【统计数字挖掘的形式】三大组件展开如是说
统计数字挖掘的象征意义
统计数字挖掘是指用适度的系统预测形式对搜集来的大批统计数字展开预测，抽取管用重要信息和逐步形成推论而对统计数字予以详尽科学研究和归纳归纳的操作过程。
统计数字挖掘是当前民营企业管理工作操作过程中不容小视的关键支点，民营企业须要有完备、真实、有效率的统计数字展开支撑力，才能对今后金融行业的金融行业发展趋势展开有效率的预估，进而采行积极主动的应付举措，制订较好的发展战略。
而对网络公司的莫尔穆瓦龙县/营运策画同学而言统计数字挖掘着实主观间接的来衡量商品思路营运公益活动与否获得成功的关键分项。
此基础评价分项构筑
标，这些分项很大是和商品密切相关因此有指导意义的统计统计数字。
1.追加：追加用户数量是用以来衡量平台推展效用的关键分项
来来衡量商品的“健康度”
2.活跃：活跃用户数量是来衡量商品用户规模的关键分项
活跃用户数量根据不同的统计周期可分成日活跃（DAU）周活跃（WAU）月活跃（MAU），每个商品须要根据自己商品特性来定义活跃用户，大部分商品会定义为统计周期内有打开过应用，还有一些会定义为统计周期内有操作过商品的核心功能。
3.留存率：用户留存率是来衡量用户粘性的关键分项
（留存率=留存用户/追加用户*100%）次日、3日、7日、30日即可，并须要注意观察留存率的衰减程度。且在在告别了人口红利期后，现阶段留存率变成了一个对商品而言非常关键的分项。
4.收益：商品的终极目标
1.增值服务变现（VIP/付费功能）2.广告变现。
统计数字挖掘的形式
一、基于用户：了解用户此基础重要信息和行为爱好
我们首先须要了解我们的用户是什么人？他们喜欢做什么事？这样有助于在项目内的大家达成共识，更加清晰的明白我们到底是在为一群什么样的人提供服务，而在遇到问题时也可以从人入手来思考问题产生的原因。
我们可以通过商品搜集到关于用户的此基础重要信息，比如他们的性别、年龄、职业收入、城市线级等等一系列的此基础重要信息，这些重要信息就构成了我们商品的用户画像。
例如：我们最大的用户占比他们的特征抽取为：女性/20-30岁/一线城市/大学生/民营企业白领。
那么我们的应用可以在品牌风格上更女性化。
追加思路则在广告投放上可以侧重于校园以及一些公共交通设备，以吸引更多相似群体的用户。
每年寒暑假或年中长假活跃突增有可能是基于学生/白领的假期，所以有更多的时间消耗在APP上。
而用户的行为爱好则是他们在使用我们商品的时候更倾向的操作，用的更多的功能，看的更多的内容，以及他们对其他APP的爱好和我们之间的重合度有多高？
例如：新闻资讯类商品发现大部分用户都很爱看本地新闻，因此对比普适性的新闻而言爱看本地新闻的用户留存率比较高。
那么我们在新用户进入时就可以想办法引导用户展开地区的授权，然后为他推荐当地的新闻内容，有助于提升新用户的留存率。
二、基于商品：预测商品使用行为和路径
我们在知道了我们的用户是什么人以及他们喜欢做什么事情之后，就可以具体的来预测他们在商品使用时候的一些行为和路径，以更好的为我们的进一步针对不同用户的精细化营运做准备
基于商品的使用行为和路径预测，我们一般有三种常用的预测工具：漏斗预测/事件预测/留存预测
漏斗预测
漏斗预测是一套流程预测，它能科学反映用户行为状态以及从起点到终点各阶段用户转化率情况。对业务流程相对规范、周期较长、环节较多的流程预测，漏斗预测能直观地发现和说明转化环节的问题所在。
科学的构筑漏斗预测模型对商品有以下价值：
1.聚焦用户整体体验流程的各关键节点，通过不同层级的转情况，迅速定位流失环节，找到可优化的短板，提升用户体验或优化整体路径
2.通过同漏斗预测模型不同用户属性则可以观察各流程步骤转化率的差异对比，了解转化率最高的用户群体，预测漏斗合理性，并针对转化率异常环节展开调整。
事件预测
事件指的是用户操作商品的某个行为，事件预测是对用户行为事件的分项展开统计、维度细分、筛选等预测操作，如用户注册、浏览商品详情页、获得成功投资、提现等，通过科学研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因、交互影响等。
事件分成两大类别：元事件（未经过任何处理的原始埋点事件）/虚拟事件（基于元事件通过算法计算出来的事件，如APP启动事件的次数/APP元素点击的次数）
而事件预测最有价值的点在于从各种维度去预测事件的分项统计数字投入成本。
留存预测
留存预测是一种用以预测用户参与情况/活跃程度的预测模型，考察展开初始行为的用户中，有多少人会展开后续行为。这是用以来衡量商品对用户价值高低的关键形式。
留存预测模型的构筑对商品有以下价值：
1.留存率反映的实际上是一种转化率，随着统计数字的变化进而判断商品对客户的吸引力。
2.宏观上把握用户生命周期长度以及定位商品可改善之处。
3.通过预测曲线找到留存最高的功能点或者行为点，例如社交类商品
归纳
【统计数字挖掘的象征意义】
统计数字挖掘是主观间接的来衡量商品思路/营运公益活动等行为是否获得成功的关键分项
【商品此基础评价分项构筑】
追加
日活/月活
留存
付费（有涉及相关的APP）
【统计数字挖掘的形式】
一、基于用户（了解用户此基础重要信息和行为爱好）
用户此基础重要信息/用户行为偏好
二、基于商品（预测商品使用行为和路径）
常用的预测工具：漏斗预测/事件预测/留存预测
