数据分析方法论那么多，我推荐你只看这一个！

统计数据是两个绝对主观且能够透过可定量指标来评估结果商品的改进路径获得成功是否的工具，所以做为一名商品副经理，必须教养统计数据思想意识，掌握统计数据发掘认识论。在商品插值产业发展的过程中，透过统计数据驱动力以保证商品按照更好的路径发展。

做为商品路径的把控者，商品副经理每做出一次重大决策的时候，都应该避免“我觉得”此类的直觉拍脑袋的重大决策方式，而是以统计数据做为论点，因此统计数据发掘的准确度与专业度，往往决定了两个商品产业发展。下面简单来说下统计数据发掘的认识论。

一、统计数据发掘的路子

1.如前所述使用者路径

如前所述使用者路径的路子是预测使用者的操作方式犯罪行为，主要根据每人使用者在App或中文网站中的点选犯罪行为笔记，预测使用者在App或中文网站中各个组件的确权规律与特点，发掘使用者的出访或点击模式，从而实现一些某一的业务商业用途。

如App核心组件的抵达率提升、某一使用者社会群体的非主流路径抽取与下载特征刻划，App商品设计的强化与更新等。透过预测使用者的路径犯罪行为，他们能得出结论的众所周知路径，从而对众所周知路径展开前瞻性的强化。

另外对使用者路径预测是两个表述使用者肖像标签化的良好方法，比如对这款SNS类的B2Capp，他们能透过使用者的app使用操作方式统计数据来展开划分使用者，对两个热门话题主动预测制作回帖的创造被动型用户、热衷雅雷文章的聚润使用者、默默地看回帖不作意见反馈的浮潜型使用者。

2.如前所述商品结点

如前所述商品结点的路子是透过某两个关键性结点的转换率或统计数据占比的预测，比如对两个B2Capp，重新加入科季夫到付款获得成功的统计数据转化率预测，代金券的使用量预测，如前所述关键性结点的统计数据发掘可透过增加远距功能展开强化预测，比如缴付转换率的提高能重新加入第三阶段/有xx人同时在抢等等，使得尽早完成缴付。

二、统计数据发掘关键步骤

在做统计数据发掘之前，他们一定要清楚此次统计数据发掘针对的问题是什么，他们是为了搞清楚某一网页的抵达率呢？却是想知道使用者犯罪行为路径的整体转换率？却是想计算订货使用者的转换率？

针对统计数据发掘的问题，再对统计数据指标展开确定以及拆分，比如订货用户的转换率的表述为订货使用者/全体使用者，那么订货使用者转换率的指标就拆分为订货使用者及全体使用者，如果订货使用者的转换率表述为订货使用者/出访使用者，这个时候订货使用者转换率的指标就拆分为订货使用者及出访使用者。

统计数据指标的预测都是为了让商品或业务更好的产业发展服务的，他们了解到某一统计数据指标的变化趋势之后，对商品的实际意义是什么。在做统计数据发掘之前就应该要想明白，再如前所述这个目的，确定他们的预测范围。只有把范围确定清楚了，统计数据预测的结果才会更精准指导商品的改进和解决他们的实际问题。

1.收集

统计数据的收集方式一般有以下几种：

（2）客户端统计数据：一般用于对使用者下载路径的记录，可透过使用者犯罪行为及网页停留时长等指标预测app的易用型、网页抵达率等指标；

（3）服务端统计数据及历史笔记：服务器端所输出的统计数据更为准确深入，对一些精确度要求较高的统计数据，建议使用服务端笔记做为原始统计数据；

（4）业务统计数据库：主要使用者业务统计数据的统计，如销售额、订货数量等业务指标。

统计数据收集后，还需要对收集的统计数据展开预处理，对一些不符合标准的统计数据展开剔除。

2.预测

统计数据的收集只是前期工作，如果对统计数据展开预测，采用什么方法展开预测，才是统计数据发掘的核心技术体现。

下面列举几种统计数据发掘的方法：

（1）AHP层次预测法

层次预测法，简称AHP，是指将与重大决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上展开定性和定量预测的重大决策方法。

以使用者的忠诚度预测为例，忠诚度是两个偏定性的指标，他们需要用定量的数值展开衡量。那么他们能用AGP层次预测法来预测，选取使用者使用频率、最近使用时间、平均使用时长及平均使用网页数四个能定量的值展开衡量，商品副经理对这四个值的权重展开表述，再对透过矩阵预测，最终能得到每个使用者的忠诚值，从而能展开定量比较及预测。

但AHP层次预测法会受人的直觉判断影响，不同的人的权重分配不同时，可能得到的结果会相差较大，该预测方法存在一定的不主观性。

（2）杜邦预测法

杜邦预测法的核心路子是把问题一层层分解，直到反映出最根本的问题为止。

以B2C行业为例，GMV（中文网站成交金额）是考核业绩最直观的指标，当GMV同比或环比出现下滑时候，需要找到影响GMV的因素并逐一拆解。GMV下降如果是因付款使用者减少所造成的，那么是访客数（流量）减少了，却是转换率下降了呢？如果是访客数减少了，那是因为自然流量减少了，却是因为营销流量不足？

用杜邦预测法会使他们清晰的找到影响结果的原因，特别对一些多个因素都会影响到的统计数据，是非常有效的预测方法。

（3）漏斗预测法

漏斗预测是一套流程式统计数据发掘

以B2C的购买犯罪行为为例，从使用者下载商品到完成交易能分为以下5个关键步骤：

透过漏斗预测，能得到下图：

他们能看到，科季夫之前的转换率都较高，但在下订货的流程中，转换率急剧降低至35.4%，这里可能就是需要改进的地方。确定出问题的关键性结点后，他们能对该结点的使用者犯罪行为展开详细预测，比如使用者的停留时间、确认订货网页的具体事件，做进一步的预测。

3.改进与跟踪

如前所述统计数据找到问题，并找到最优的解决方案，是统计数据发掘的目的；再透过后期的效果跟进及前后统计数据对比，验证方案的效果。

三、结语

统计数据发掘是商品副经理工作的重要组成部分，依据统计数据变化来调整商品是有效的工作方式。如何展开统计数据发掘，预测哪些统计数据，根据统计数据制定改进方案是每两个商品副经理都要熟练掌控的技能，因为几乎所有的问题，他们都能在统计数据中找到答案。

*本文

作者：why

关于 DataHunter

DataHunter是一家专业的统计数据可视化预测和商业智能服务提供商，为企业提供统计数据可视化工具、统计数据大屏展示工具，同时提供配套的敏捷BI统计数据运营技术服务。目前有探索式统计数据发掘平台 Data Analytics、统计数据可视化大屏展示工具Data MAX、统计数据中台Data Formula等多款核心商品。