统计数据这类是有准入门槛的，许多人读书的这时候就怕上课时，更千万别说繁杂的方法论了。
因此，那时的科学普及，他们不牵涉逻辑学、语言学、软件工程、演算法基本原理，也不牵涉繁杂的销售业务方法论、自然法则推测方法论…
咱最终目标多于两个：天下人都看不懂最合适。
下列是我归纳的9种此基础统计数据挖掘方式，他们详尽瞧瞧。
一、单分项方式
1、持续性预测方式
最此基础的预测方式，能从两个分项已经开始，这是“持续性预测方式”。
简而言之“持续性预测方式”，操作方式上比较单纯，就是把两个分项的检视天数变长，看它与否有周期性变动趋势。
此种方式预测单纯，但十分新颖。即使初学者时常即使要学看周期性变动，引起段子。
诸如：
“我发现昨天分项大跌”——昨天是周末，本来就该跌（自然周期性变动）
“我发现A产品卖得很好”——A产品刚上市，它就该卖得好（产品生命周期性）
许多这时候，他们看的分项是总体分项，而总体分项是由若干部分组成的，比如：
总公司-分公司A、分公司B、分公司C
总销售-商品A、商品B、商品C
因此看到两个总体分项以后，能根据它的组成部分，对总体做拆解，了解各部分组成，是为结构预测方式（预测总体的内部结构）。
2、结构预测方式
结构预测方式顾名思义，通过结构预测，找到问题发生点。
结构预测方式在许多时候都好用，比如问：“为什么业绩下滑呀！”
答：“即使XX区域没有做好！”通过看结构，能很快找到责任人。
3、分层预测方式
除了单纯地看结构，人们也喜欢做排名，区分个高中低，这是分层预测方式。
许多同学会把分层和结构搞混，大家只要记得下列两句：
结构是客观存在的，问清楚即可
分层是主观的，要定个高低出来
这三种方式，是此基础中的此基础。一来，它们都是在预测两个分项；二来，它们都是基于事实陈述，不需要啥计算。
当他们初到一个公司，初接触两个新统计数据，都能用这三种方式，建立此基础认知。
二、多分项方式
1、从两个分项到2个分项
矩阵预测方式
当分项从两个增加到2个的这时候，最合适的方式是矩阵预测方式。
矩阵预测方式，通过两个分项的交叉，构造预测矩阵，利用平均值切出四个象限，从而发现问题。
矩阵预测方式的最大优势，在于：直观易懂，能很容易从两个分项的交叉对比中发现问题。
特别是当这两个分项是投入/成本分项的这时候，成本高+收入低，成本低+收入与高两个类别，能直接为销售业务指示出改进方向，因此极大避免了：“不知道如何评价好坏”的问题。
许多咨询公司都喜欢用此种方式，类似KANO模型或者波士顿矩阵，本质是找到了两个很好的评价分项，通过两分项交叉构造矩阵，对销售业务分类。分类的区分效果很好，就广为流传了。
2、从2个分项到多个分项
当预测分项变得更多的这时候，最重要的工作，是弄清楚：到底这些分项是什么关系。
典型的关系有两种。
第一种：并列关系。
几个分项相互独立，且是上一级分项的组成部分。
比如他们常说的：业绩=客户数*消费率*客单价
在这个公式里：
a.一级分项：业绩
b.二级分项：客户数、消费率、客单价
c.客户数、消费率、客单价相互独立
此时，客户数、消费率、客单价是并列的三个分项，并且都是业绩的子分项。
第二种：串行关系。
几个分项相互关联，有前后顺序关系。
比如他们常说的：新注册用户数=广告浏览人数*落地页转化率*注册页转化率。
a.一级分项：新注册用户数
b.二级分项：广告浏览人数、落地页转化率、注册页转化率
c.用户要先看到广告，再点击广告进入落地页，再完成注册
此时，广告页、落地页、注册页的分项相互关联，用户要一步步走。
这两种关系，分别对应两种此基础预测方法：
并列关系：分项拆解法，通过拆解两个一级分项，从二级分项里发现问题。 漏斗预测方式：通过检视一串流程，了解其流程转化率，发现转化率短点。1）分项拆解法
分项拆解法，一般在经营预测中使用较多。
举个单纯的例子，两个小程序商城，上月销售业绩150万，本月120万。如果只看结果，除了少了30万以外啥也不知道。但进行分项拆解以后，就能发现许多东西。
拆解以后能明显看出：本月虽然注册用户人数增加了，但消费率大幅度降低，因此收入少了。后续能进一步思考：如何提高消费率。
2）漏斗预测方式
漏斗预测方式，则在互联网产品/推广/运营预测中使用较多，即使互联网产品能记录较多用户统计数据，因此能呈现整个用户转化流程，从而进行预测。
举个单纯例子，在网上看到两个商品广告，他们很感兴趣，点击进入购买。需要经历广告页→详情页→购物车→支付几个步骤，每多两个步骤，就会有一些用户流失，如同漏斗一样。
此时能用两个转化漏斗，形象地表示此种关系（如下图）。
有了转化漏斗以后，就能进一步基于漏斗预测，从而指导销售业务改善：
a.哪个环节漏掉的用户最多，需要改善？
b.不同的商品，漏斗形态如何，哪个更适合推广？
c.新的产品改版后，与否减少了漏掉的用户数量？
3）相关预测方式
当然，还有一些分项，可能不是直接的并行/串行关系，但在工作中，也很想知道他们有没有关系，比如：
a.广告投入与销售业绩
b.下雨刮风和门店人流
c.用户点击和消费行为
此时，需要掌握相关预测方式。注意：分项之间可能天生存在相关关系。
常见的天生相关，有三种形态：
a.在结构预测方式中，整体分项与部分分项之间关系
b.在分项拆解法中，主分项与子分项之间的关系
c.在漏斗预测方式中，前后步骤分项之间的关系
这三种情况，称为：直接相关。
直接相关不需要统计数据计算，通过分项梳理就能看清楚关系。
相关预测方式，更多是利用散点图/相关系数，找到潜在的相关关系（如下图）。
但要注意：相关不等于自然法则，到底如何解读相关系数，需要结合具体销售业务含义，不能胡乱下结论哦~
三、综合性预测方式（从分项到销售业务方法论）
1、标签预测方式
以上所有方式，都是基于统计数据分项计算，但实际销售业务中，许多关系并不能直接用统计数据分项表示。
比如：
● 是不是社区店比步行街店，生意更好？
● 是不是私域流量比公域流量，转化更佳？
● 是不是刮风下雨比晴空万里，销售更好？
社区店/私域流量/刮风下雨，很难用两个统计数据分项来衡量。但这些因素，又确实会对企业经营产生影响，该怎么预测呢？这就需要采用：标签预测方式。
举个单纯的例子，南方某省，8月份时常下暴雨。大家都觉得：下雨会影响门店业绩。那么怎么预测呢？按照五步法，能针对该省份门店，做预测如下图：
那么能得出结论：下雨对业绩影响不大，这就做完了。
注意，上边的小例子里，标签做的很粗糙，多于单纯粗暴的下雨/没下雨两类。除了下雨以外，还可能有台风、冰雹、高温等等情况。因此，做标签的精细程度，决定了标签预测的准确度。而能否选取到合适的标签，则考验的是预测人员对销售业务的理解程度。
到这里，一共介绍了八种此基础方式。在实际工作中，一般都是多种方式综合使用的。即使销售业务提的问题会很繁杂，很有可能牵涉多个分项，多个标签。此时千头万绪，要理清思路，就得祭出第九种方式：MECE法。
2、MECE法
MECE是（Mutually Exclusive Collectively Exhaustive）的缩写，指的是“相互独立，完全穷尽”的分类原则。
通过MECE方式对问题进行分类，能做到清晰准确，从而容易找到答案。
MECE法是此基础预测和高级预测的分水岭，也是从此基础提升到高级的通道。
所有繁杂的问题，都需要经过认真的梳理和分解，才能成为两个个能解决的小问题。简而言之的销售业务预测模型，其实是对销售业务问题的MECE分解。
由于篇幅关系，有关统计数据挖掘方法论的部分他们就暂时讲到这里啦～
如果你还想尝试下此基础的统计数据挖掘实操内容，能查看以往内容
以上内容由@伙伴云 整理汇总，欢迎大家前来交流哟～
想要免费体验的话，能戳下方尝试
