撰稿编者按：做为一位使用者营运，须要具备一定的统计信息处理的能力，就可以更快地独当一面先期的工作，制做更为有效的营运策略，实现良好的转化成效果。作者以使用者营运情景为例，聊聊使用者营运应当怎样做统计数据挖掘，期望对你有所帮助。

嗨喽，我们好：

我是玥，距离那次撰文已经过去了三四个半月了，最近玥被各式各样统计数据煎熬得非常头秃。总之，我变秃了也（没有）变弱了。在这过程中，也称得上历经了营运人处理统计数据的各式各样苦与痛，因此想趁他们前几日的历经来和我们简单地深入探讨下营运人该怎样展开统计数据挖掘。

可能许多人一听到统计数据挖掘就郁闷（我也是，头秃），与生俱来不擅于和统计数据关系密切。本想著大学毕业之后非但不用碰触各式各样位数相关的小东西了，却居然走入了营运成功之路，和数据更是曲终人散，想离开也没用。因此，今天就来和我们聊聊营运人该怎样去展开统计数据挖掘才是最高效率的，就可以更快heard业务服务。

一般而言，使用者营运和产品营运对于统计数据挖掘的需求比较高，毕竟许多设想和路子须要从统计数据中得到一些推论，进而先期更快地去执行和实施他们的设想，同时也须要根据过往的统计数据源较好地去展开统计数据估计。文本营运虽然也须要统计数据挖掘，但是相对而言，更为倚靠感性和经验，文本这种小东西极难去直接地定量评估结果。总之，能搞好统计数据挖掘，其实可为文本的生产和递送加不少分。

因此上边我和我们聊的更多的是针对使用者营运的情景，做为使用者营运，该怎样去展开统计数据挖掘。

一、统计数据挖掘预测的是甚么？

统计数据挖掘预测的到底是甚么？在不同的情景下，统计数据挖掘可能会略有不同。一般而言，做为使用者营运的统计数据挖掘，可能会分为以下三种：

1. 群体追寻类预测

这两类预测更为著重使用者的特征预测，期望能从某两类群体的优点中找到共通点，进而更快地理解这些使用者。我们常用的xx群体使用者肖像预测、活动群体预测等。

这两类预测的核心使用者就是某些使用者的局限性，进而更快地指定使用者营运的策略。比如，我们想针对会员使用者的续费去展开预测，就会针对性地去看到期续费使用者和到期没有续费使用者之间的差别，看看中间是哪些因素在影响着使用者的续费，使用者更倾向于在甚么时间节点甚么情景下去完成续费这个动作，进而先期通过策略更大化地影响未续费的使用者。

群体流失预警也是同样的道理，通过流失使用者在平台上的最后一次行为去预测流失使用者在平台上预流失前的行为特征（总之这类使用者预测可能须要通过建模等一系列操作），进而通过营运策略更快地影响这批使用者。

2. 策略/活动效果预测

这两类的预测就比较偏向于纯位数类的预测了。上了甚么样的策略，策略曝光了多少群体，这些群体的转化成效果怎么样，比原来提升了多少。

这两类预测的关键是须要明确口径和取位数段，甚么时间段在哪张统计数据表里去取甚么样的字段。

总之，这两类预测一般会和群体预测结合起来一起去看，人不同的使用者对于策略的不同反应程度。总之，如果只须要一个最终的统计数据结果，那么只取数也完全足够了。

3. 某类特殊情景的追寻

我们他们在使用产品的过程中，可能会发现某两类特殊情景还存在一定的营运空间。因此针对这两类的特殊情景，我们就须要去看这两类特殊情景覆盖的群体有多少，这两类群体的特点是甚么。最好是结合先期想给这部分使用者制定的策略结合来看，看看这个策略的空间有多大。

二、营运人怎样提统计数据挖掘的需求？

一般而言，在有些公司，简单的统计数据需求可能会由营运同学他们取数（一般是1-2个表的连接，简单的取数需求可能会由营运他们展开）。但是一般而言，涉及以上3类比较复杂的统计数据挖掘需求，就须要营运提需求提到统计数据挖掘的同学那里去处理。那么问题来了，怎样就可以提出更为有效的统计数据挖掘需求呢？

1. 统计数据挖掘需求的三要素

一个有效的统计数据挖掘需求一定离不开这3要素：预测的目的、取数的口径、取数的维度和字段。

预测的目的是便于统计数据挖掘的同学给业务同学提供更为有效的建议和路子。比如，针对会员使用者，我们想去看这一批使用者给业务线带来了多少订单、GMV和收益，有多少是开通会员这个动作带来的增量。因此在这过程中，我们可能会通过会员使用者开通前后的对比或相似使用者去展开对比，去看看哪两类的对比的变量仅只有开通会员这一个动作，通过控制变量的办法去研究变量对于结果的最终影响。

取数的口径是须要明确，去取甚么时间段的什么样的统计数据才做为合理和科学。

取数的维度和字段，有些字段可能是通用的，不用告诉数分的同学他们也知道，但是有些字段可能是业务特有的，须要明确地告知数分的同学。取数的时候，须要明确告知数分同学，我们想甚么维度的甚么样的预测。比如想会员使用者在最近半年业务线的消费情况：包含订单、收入和收益，在这过程中，就须要明确消费情况到底是甚么，须要去取哪些字段。

一般而言，我们提统计数据挖掘需求的时候，就可以在心里有个大概的预期，通过这个维度能得出甚么样的推论，我想甚么样的推论，这个维度的预测能够满足我对于目的的追寻和预测吗？在提数分需求的时候，就预想推论，能够有效避免最终拿到统计数据不知道怎样去展开预测的情况出现。

三、营运人该怎样去展开统计数据挖掘？

来到最关键的一步了，做为一个使用者营运，应该怎样去展开统计数据挖掘？拿到了数分同学给的一堆统计数据，怎样就可以得出统计数据挖掘的推论。

推论非常考验人，须要用简短的一两句话去概括最终的推论，推论一定是可证伪/有深度的推论，不是单纯地罗列位数（历经了教训，我又学到了！）。比如购买使用者数XX人，购买金额XX万，较上月下跌x%……”，但这些都仅仅是现象陈述，这里的深度问题是为甚么会下跌，原因是甚么？是商品的问题，还是群体的问题，还是营运指定的营运策略的问题，深挖位数背后的原因才是关键。这样的统计数据挖掘就可以得出真正有价值且能够运用到业务情景的有效推论。

总之，得出统计数据挖掘的推论不是一日练成的，须要日积月累。但是这里有一个我目前他们在用的小窍门和我们分享下：看到统计数据表象后，多问他们几个为甚么，为甚么会出现这样的统计数据现象，群体之间的差异是甚么，是由于群体的优点造成的吗，还是甚么原因导致的呢？

在处理统计数据的时候，我们一般会通过同比、环比以及分组比等方式去看不同时期，不同群体之间的差异。横向看不同时期的差异，纵向看不同群体的前后变化情况，纵向和横向交叉看，最终得出有效的推论。

比如还是去看开通会员这个动作对于使用者的消费情况是否有提升，推论是有提升，提升了多少，其中甚么样的群体提升最为明显，原因可能是甚么。这就是一个比较完整的统计数据挖掘的推论，回答了问题，并且给出了有效的位数推论，再从里边细节去看，群体之间的差异是甚么样的。

总之，在得到推论之前，我们须要对统计数据展开一定的提取和处理，这里就涉及到了比较基础的问题：怎样用excel展开统计数据的处理和提取。一般而言，可能会用到以下5种常用的统计数据挖掘方法：

1. 对比预测法

横向和纵向对比，选好参照物，展开对比预测。须要明确选取的参考物是否具有一定的意义。指标的口径、计算方法和计量单位必须一致对比的对象须要具有一定的可比性，和对象之间的相似之处越多就，就越具有可比性 。

2. 分组预测法

根据统计数据挖掘对象的特征，按照一定的标志/指标，把统计数据挖掘对象划分为不同的部分和类型来展开研究，以揭示其内在的联合和规律性。分组的核心目的还是便于对比。分组预测法的关键在于确定组数和组距。

组距=最大值-最小值/组数 能vlookup函数分组，然后用统计数据透视求和，能快速得到统计数据分组的最终结果。

3. 结构预测法

预测总体内各个部分和总体之间展开对比的预测方法，即总体内占各个部分占总体的比例，属于相对指标。

4. 平均预测法

利用计算平均数来反应总体在一定时间，地点情况下某一数量特征的一般水平。一般用算术平均数。对于所有统计数据指标都可以依据不同的分组用单位数来展开平均，展开对比和预测。

5. 矩阵关联预测法

根据事物的两个重要的属性做为预测的证据，展开分类关联预测。 对于不同的预测情景用不同的预测方法展开预测，营运常用的就是对比预测法、分组预测法以及平均预测法，许多情景下统计数据分析的方法是交叉使用的。

另外，附赠给我们一个处理统计数据的妙招，一定要学会统计数据透视表和vlookup函数和巧妙使用，学会了这两个大招，基本上日常营运在处理统计数据的过程中就能高效率不少。

四、关于统计数据挖掘的本质

最后，想简单地和我们来聊下统计数据挖掘对本质是甚么？

在我看来，统计数据挖掘一定是为业务服务的，脱离业务本身去谈统计数据挖掘是没有价值的。想通过统计数据挖掘解决业务的甚么样的问题，群体预测，进而更快地制定先期的营运策略？或者想从统计数据现象得到一定的统计数据洞察，进而更快地制定先期的策略。

本质上，还是通过统计数据更快地给业务提供更有效的依据和证据，毕竟统计数据是不会骗人的。

一个完整的统计数据挖掘的闭环一定是：统计数据洞察需求-用统计数据验证自己的猜想-用策略去影响使用者-效果的统计数据挖掘结果-再次展开迭代优化。

统计数据挖掘是营运人的痛，但是也是营运人必须的，如果能够学会统计数据挖掘的思维和核心，那么可能才会去制定更为有效的策略和活动，就可以更快地搞好运营的工作。

#专栏作家#

本文原创发布于人人都是产品经理，未经许可，禁止转载

题图来自Unsplash，基于CC0协议