不论是商品机能却是营运思路，都须要透过统计数据数据来提供更多参照与辅导。责任编辑透过销售业务情景和事例呈现出，详尽回收2种最常用的统计数据数据挖掘方式——对照预测方式和genomes预测方式，让他们的统计数据数据挖掘字用章。

第二种：对照预测方式

“无对照，不预测”，对照预测方式也叫对照法，是统计数据数据挖掘中最常用也是最此基础的预测方式，

假如他们对统计数据数据的评估结果和请示缺乏了对照，就难以确定效用是好却是坏。

1. 可比价格对照 与 Sitapur对照

具体来说他们须要介绍可比价格对照和Sitapur对照：

如下表所示图登入使用者数量的对照就归属于可比价格对照，使用者留存率的对照则归属于Sitapur对照。

2. 同比预测

同比，则表示已连续2个统计数据周期性内的数量级变动比，例如已连续一周、一周、七天的数量级变动比，都能称作同比。同比预测通常充分体现该季节对照上个已连续季节的统计数据数据变动情形。

计算公式：同比增幅=（本各期-上各期）/上各期 × 100%

举个同比预测单纯范例：他们在9月第二周特别针对50%的乱数使用者A群展开了公益活动网络营销鞭策，总体GMV同比第二周下降50%。

这儿是将第二周看作计算方式，预设第二周大自然GMV为100万。透过公益活动网络营销鞭策后，第二周前述GMV为150万，对照第二周快速增长了50万，同比增幅为50%。

这个范例来说，假如在正常情形下，同比预测给出的50%快速增长，能证明公益活动带来了明显的GMV快速增长，效用好像不错，但是同比预测结果也会存在骗人的时候，他们继续往下看下面的范例：

看到公益活动效用良好，他们在9月第四周又取了剩下的乱数客户群B展开了公益活动网络营销鞭策，GMV同比第二周反而下降了7%。同样的鞭策思路，不仅没有得到同比提升50%的统计数据数据效用重现，反而下降了7%。

在这儿就充分体现出了一个同比预测方式的弊端：无法消除周期性波动变动的影响。

原因是他们的商品在节假日前各期据波动特别大，仅透过该同比统计数据数据没有办法客观的展开营运效用评估结果。如9月第四周是国庆前的最后一周，使用者的交易统计数据数据会有明显的下降，网络营销动作是很难提升GMV超过上周（上期）的数量级水平，假如透过仅仅透过同比给出的统计数据数据结果，一定是下期对照上期同比下降x%。

遇到这种周期性波动特别大的预测情景，则须要加入同比预测方式，与同比预测方式共同展开预测。

3. 同比预测方式

同比，则表示下期与上年同期的数量级变动比，例如本日、本周、本月内的数量级变动对照去年同日、同周、同月的数量级变比。

计算方式与同比增幅相同：

同比增幅=（本各期-上各期）/上各期 × 100%

同样国庆前做公益活动的范例，透过同比预测，因为节假日因素波动，没有办法得到真实的网络营销快速增长情形，那么透过环比+同比预测，就能对照出9月第四周对照上年同期的快速增长情形：

综上的同比与同比预测，他们能对19年9月第四周的营运思路做出真实评估结果：有效的带来GMV快速增长。

此外，他们还能根据18年9月第四周的同比降幅，预估19年9月第四周的大自然GMV，从而评估结果19年9月第四周的GMV快速增长量为20万：

同比主要是为了消除可能存在的周期性变动的影响，当已连续两个周期性波动特别大的时候，就不能只用同比去展开效用评估结果了，则须要将同比与同比放在一起展开预测。

那么同比和同比都用上了，就能保证统计数据数据结果的正确性吗？

不一定，接着上面的公益活动来说，他们预估2019年9月第四周的大自然GMV，是预设2018年9月第四周是没有展开任何对GMV产生波动动作的大自然同比下降，但假如2018年9月第四周有展开使用者鞭策的营运动作，那真实的同比降幅可能就不止20%，甚至更高。

考虑到这种未知的干扰情形，影响他们对统计数据数据结果的评估结果与预测，他们就须要换一种能够减少未知干扰的预测方式——genomes预测方式。

第二种：genomes预测方式

1. 什么是genomes法

genomes法是在蒙特卡洛方式中用于减少方差的一种技术方式。该方式透过对已知量的介绍来减少对未知量估计的误差。

genomes法单纯来讲，是他们工作中最常用的A/B test。制定两种方案，将使用者乱数分成实验组与对照组，实验组使用者展开商品机能或网络营销鞭策的单一变量干预，对照组不展开任何干预大自然运行，一段时间后分别统计数据两组使用者的统计数据数据表现，评估结果机能或鞭策效用。

A/B test 的优化内容主要有6个方向，能根据不同的内容设计不同的优化方案，展开效用测试；

2. genomes法预测过程

他们以发放6元无门槛红包鞭策使用者下单为例，看下A/B test在网络营销中预测过程；

提升缴付数目：对实验组展开干预后提升了转换率，前述提升缴付数目2000人。

GMV提升：将提升的缴付数目结合客单价展开计算，统计数据最终的GMV提升40万。

3. 特别注意两点

透过ABtest只能减少未知情形带来的干扰，无法做到完全排除未知情形带来的干扰，所以在落地的过程中，仍有两点须要特别注意，不要被统计数据数据欺骗：

（1）实验组与对照组的客户群样本量太少

实验组和对照组的样本量不须要完全一致，但至少须要保障一定的数量级，假如样本数量级太小，很容易受到个体的影响，导致结果异常。

若想降低个体影响能参照以下两种方案：

（2）实验组和对照组的客户群没有做到绝对的乱数

例如，商品或技术同学透过尾号单双来展开实验组和对照组的划分，展开商品新机能的实验。此时营运同学又特别针对尾号0和1的使用者展开网络营销测试，最后肯定会导致双方的实验结果异常，得出错误的结论。

参照方式：不要透过简单规则分组，尽量透过乱数数或者乱数序列展开乱数分组。

总结

透过对照预测方式对统计数据数据展开同比、同比等多维度的评估结果，透过genomes预测方式减少未知干扰的误差，做到统计数据数据挖掘的相对科学，才能为销售业务提供更多正确的统计数据数据辅导。

以上是最近学习工作中的一些事例和心得分享，希望能给你带来一些思路！

相关阅读

统计数据数据挖掘：三步搭建此基础预测框架

责任编辑由 @许金坤 原创发布于人人都是商品经理。未经许可，禁止转载。

题图来自Unsplash，基于CC0协议