在统计数据挖掘夏令营给他们传授统计数据挖掘事例的时候，发现许多初学者阿宝在做统计数据挖掘时，领到统计数据不知道是不是预测、从什么层次预测，脑海中里没有明晰的预测路子。
对统计数据挖掘路子的培育是两个急速练累积的操作过程，刚入行的阿宝能先指涉许多常用的统计数据挖掘方式或数学模型，掌控此基础的预测路子。责任编辑给他们传授8个常用的统计数据挖掘方式，协助他们加速上手统计数据挖掘，化解前述工作难题。
方式论树预测法就是把两个繁杂的难题回收成二个小难题，像树叶那样进行。
方式论Shahdol预测难题最常采用的方式众所周知，不仅是在统计数据挖掘应用领域，在现实生活中也是两个较好的化解难题的方式，协助他们厘清路子，防止进行多次重复和毫无关系的思索。
比如，他们需要对站外发送到达率底的难题进行预测，能依照方式论树预测法将难题回收外Android和ios送抵率低两个子难题，接着在继续向上分拆，隐蔽地积极探索难题另一面的每两个其原因，将难题季曼岭，以自然法则方式论为蛛丝马迹，在广度与广度上找寻难题的其原因。
PEST预测法主要用在金融国泰君安中。从在政治上（P）、经济（E）、社会（S）、控制技术（T）这个五个视角，对金融行业进行较为预测。
比如说，他们就以预测大统计数据金融行业为例，用PEST来预测呵呵大统计数据金融行业的发展前景：
多层次回收法就是把繁杂难题依照层次回收成简单难题，观察统计数据异动，发现难题的其原因。
多层次回收法的应用场景主要有两个：一是对单一指标的构成或比例进行回收预测，比如说让你对某个课程网站的
第二个就是对销售业务流程进行回收预测，最常用的就是电商网站的用户转化流程预测，他们能从渠道、地区等层次来对用户的注册、下单、支付数据进行回收，进一步定位难题的其原因。
比如说下图，他们从渠道层次分拆用户注册、下单、支付的统计数据，发现百度这个渠道的注册流量很大，但是下单转化率却很低，这种情况他们能适当减少百度的广告投放力度，加大其他渠道。
对比预测法是最此基础预测方式众所周知，基本上人人都会用了，俗话说“没有对比没有伤害嘛”
在采用对比预测法的操作过程中，他们要搞清楚三点：比什么？是不是比？和谁比？
比什么，一般就是拿数值进行对比，绝对值或者是比例值。
是不是比，一般有同比和环比两种方式，同比是与当前时间范围上层时间范围的前一范围中同样位置统计数据对比，比如说年同比：今日vs去年今日。环比是与当前时间范围相邻的上两个时间范围对比，比如说日环比：今天vs昨天
和谁比？能和自己比，也能和金融行业或者竞品比。比如说从时间层次，那去年的销售额统计数据和今年的相比，发现下滑5%，说明公司今年销售情况相比去年不太好，接着再和金融行业整体统计数据相比，发现金融行业整体销售下滑20%，公司销售下滑比例远小于金融行业整体销售下滑比例，说明今年公司的销售情况还不错。
假设检验预测法顾名思义就是先提出假设，接着通过证据证明假设是否成立，接着得出结论
比如说，发现某一天的用户活跃率下降了5%，根据这个难题，他们能从这三个视角提出假设，活跃率下降可能是用户渠道出了难题，或者产品出难题，又或者竞品当天搞了什么大型活动，对他们冲击较为大？…带着这些难题，他们去找运营部、产品部、市场部查看统计数据，分别求证，看看是否他们的推断成立，如果都不成立，那排除以上假设后，再从其他视角找寻其原因
AARRR数学模型在《增长黑客》中提出来的，AARRR对应了产品运营中最重要的5个环节：，通常会用在流量监控、活动营销效果监控、app运营、商品活动预测、产品转化预测上，通过预测各个环节的转化率，从而优化产品的运营
RFM预测法是衡量客户价值的两个重要方式，通过计算R、F、M值，来判定客户价值的高低，把企业的主要运营精力放在最有价值的客户上。
Recency（R）是最近一次购买日期距离现在的天数，理论上越是在近期发生购买行为，就越有可能复购。
Frequency（F）指的是最近一段时间内购买的次数，最常购买的消费者，忠诚度也就较高。
Monetary value（M）是最近一段时间内购买的金额。
计算出R、F、M的值后，再依照他们与均值较为后的高低能将客户分成8类，接着对不同价值的客户采取对应的营销策略。
杜邦预测法是两个经典的财务预测方式，把企业的盈利水平、经营效率和风险承受能力综合在一起评价企业经营业绩。它的核心路子就是把净资产收益率ROE层层分解，深入了解企业经营业绩
以上就是我今天的分享，希望能给他们许多协助，关于统计数据挖掘思维的掌控，需要急速实战练，累积经验，提升统计数据敏感度，对各式各样统计数据挖掘方式烂熟于心后，领到难题就自然而然知道如何下手预测了。
