责任编辑本栏将与我们撷取统计数据挖掘组件的文本，展开讲诉5种常用的采用者犯罪行为统计数据挖掘方式，以及他们对这5种数学方式的许多观点。
前段时间，虽然子公司合作开发新货品，须要结构设计两个网络化营运的网络平台，主要就最终目标是：
搜集Immunol采用者统计数据；
统计数据挖掘；
采用者分群；
采用者肖像
因此，那时想依照他们写作过的统计数据资料，和市售已近的大统计数据采用者犯罪行为预测货品，并紧密结合他们的认知和设想，重路子轻控制技术的视角展开两个自学撷取，期望他们也有更多的斩获和深思。
责任编辑主要就阐释统计数据挖掘组件的文本，先期等他们科学研究好采用者肖像统计数据资料后再来撷取。
写在后面
网络历史背景下，采用者每晚单厢在日常生活采用的app上遗留下他们的犯罪行为，比如淘宝网上搜寻、下载、买回货品；抖音上珍藏、雅雷、文章音频之类，而每一货品另一面不但历史记录了采用者犯罪行为这种的动态动态统计数据，还历史记录了采用者许多说明符（个人隐私、或采用者特性）。
信息，这种可以更多维度的去认知采用者，也可以创造更多机会的营销触达；另一各方面，就是便于新货品的冷启动。
将Immunol的采用者统计数据搜集到网络平台，最重要的是如何处理和预测统计数据，使得统计数据能够驱动货品，达到子公司战略目的。数
具体有：
对结构设计团队，统计数据挖掘可以帮助他们如何提高采用者体验、功能增减和优化等；
对营运团队，统计数据挖掘可以帮助他们如何精准投放文案、活动、广告等；
对BD团队，可以帮助他们筛选推广渠道、把握最终目标客户等；
对子公司，深度认知业务、快速更进方案和洞察问题所在等。
更多……
下面进入统计数据挖掘组件的文本撷取，采用者犯罪行为统计数据挖掘方式常用的主要就有5种，我将从五个各方面紧密结合他们的认知来阐释。如下图所示：
01 事件预测
1. 定义/概念
事件预测是对采用者触发的犯罪行为事件展开多视角预测。
按照小学时代的日记写作方式认知，叙述一件事情重要的元素是时间、地点、人物、做了什么、怎么做的、为什么做、做了多少，也就等同于5W2H模型（when、where、who、why、what、how、how much）。
对事件分析普遍采集的统计数据展开归纳科学研究后，我发现可以用两个公式展开认知：
两个采用者犯罪行为事件=时间when+地点where+人物who（单个采用者、采用者群）+犯罪行为what（动作+动作对象）+工具how（设备、操作系统、语言等）+指标how much（统计事件的计量方式）。
2. 须要历史记录的统计数据
依照上述的公式，须要历史记录的统计数据如下：
3. 计量方式/统计指标
事件触发次数，比如点击【立即买回】按钮元素多少次；
事件触发人数，比如点击【珍藏】按钮人数；
事件触发金额，比如点击【支付】总金额、人均、次均；
事件触发的页面数，比如下载了货品多少个页面，才满足了他们的需求；
事件发生时长，比如下载货品列表页、详情页的时长，下载短音频时长等。
4. 预测视角
通过分层、分组、和过滤的方式展开预测，依照上述公式的元素总结分层、分组和过滤的维度。
1）时间
2）采用者
3）犯罪行为
其实在很多统计数据资料上都把犯罪行为和事件都当作一样的概念，但是我他们觉得犯罪行为是事件的两个元素。用《统计数据结构》课本上的知识，确切的来说：事件就是两个统计数据元素，犯罪行为是事件的两个项。因此我在责任编辑将把犯罪行为和事件划为2个概念，因此【事件特性】这个词我觉得用【犯罪行为特性】来表示更贴切。
我从采用者和货品两个视角对犯罪行为特性展开分类和归纳。其一，在上述的那个公式中，按照采用者视角下的采用者在屏幕前的动作和动作对象（这里我是紧密结合主谓宾结构来思考的，有了采用者（主语），犯罪行为的话应当包括动作（谓语），动作对象（宾语），这种就是完整的结构），然后我他们还依照采用者视角下采用者态度来对犯罪行为特性展开分类。其二，站在货品视角，或者是子公司视角，采用者犯罪行为中最关心的是，采用者的转化犯罪行为、买回犯罪行为、社交犯罪行为等。具体如下图所示：
4）工具
5）地点
6）事件结果
事件的结果分层、分组和过滤就是对统计指标展开划分。
5. 应用场景
虽然采用者犯罪行为是动态，因此在前端事件预测的结果会展示过去、动态那时、趋势未来。比如动态在线人数、动态交易额等；用曲线图展示事件的发展的趋势，以预测未来的变化方向；也能够统计事件总体情况。经过细化的分层，又能够对采用者展开精细化的分组，以便于精准的采用者营运。
经过对事件预测的总结，个人发现事件预测是所有数学方式的前提，捋清楚了事件预测的路子和各维度参数的含义，才能进一步的去了解其他的数学方式，特别是对采用者犯罪行为和采用者特性的认知，如何能够全量地展开分类和局部关键犯罪行为的概括。
02 分布预测
1. 定义/概念
分布预测主要就分析两种情况：
洞察采用者犯罪行为分布规律；
观察不同维度（渠道、地区等）采用者分布情况。
说到底分布预测就是事件预测中分层和分组的过程，是一种非连续性变量的统计数学方式，其目的就是为了展开层间和组间对比预测，以找到货品优化方向、甄别核心采用者群、动态调整营运策略。
2. 须要历史记录的统计数据
同事件预测
3. 计量方式/统计指标
犯罪行为次数、采用者数
4. 预测视角
分布预测的路子与事件预测的分层、分组预测的过程一致。但是分布预测更侧重对比预测，事件预测主要就是呈现层间和组间的统计数据信息。
5. 应用场景
对比预测，可以得出topN的列表，及时调整资源分配。
犯罪行为分布，可以对货品功能展开优化，以提升转化和留存。
的核心采用者群体，以优化营运策略。
03 留存预测
1. 定义/概念
一种用来预测采用者参与情况/活跃程度的预测模型，考察展开初始犯罪行为的采用者中，有多少人会展开先期犯罪行为，衡量货品对采用者价值高低的重要方式。
留存预测较其他的数学方式，更侧重于预测货品对采用者的意义，只有采用者觉得货品帮助他们解决了某些问题、满足了他们的需求、或者功能用起来更便捷的时候才会延用下去，否则采用者一定吝啬他们的时间和手机内存的。这也是验证采用者需求预测是否到位，货品结构设计是否合理的关键指标。
2. 须要历史记录的统计数据
除了同事件预测外，还须要历史记录货品功能信息。
3. 计量方式/统计指标
n日留存率、n日留存人数。
4. 预测视角
留存预测主要就从两个视角出发，采用者的留存情况和货品功能的留存情况。
5. 应用场景
留存预测应用于须要明确许多问题的场景。
采用者是否触达货品核心价值（关键事件，转化犯罪行为）？
遗留下来的是不是最终目标采用者？
采用者活跃程度、质量如何？
关键事件前后间隔时间是多少？
采用者生命周期和货品采用周期是什么样的？
货品是否满足了采用者需求？
采用者为什么遗留下来、或者没遗留下来？
……
最终为货品的迭代、货品的结构设计、营运策略、资源分配展开最佳的调整。
04 漏斗预测
1. 定义/概念
首先我想通过他们结构设计的漏斗预测举两个例子，这个例子是关于【搜寻买回】的漏斗。如下图所示。
从图中可看出，漏斗预测是对多个犯罪行为展开预测，并且这些犯罪行为不但有先后次序的，而且是两个完整的复杂事件，对漏斗的每一犯罪行为我们都很关心（不只是开始和结束的犯罪行为，还有中间的过程，这点似乎是对留存预测的两个细节补充）。
漏斗预测是须要先预设好漏斗步骤和窗口期，总的来说是结构设计好的转化漏斗和转化周期，一般情况是对核心事件的转化犯罪行为的两个衡量方式。两个转化漏斗预测，可以得到许多的信息，如图右边的【统计数据细节】所示。
须要注意的一点就是，漏斗预测没有强顺序，中间可以重复步骤内的犯罪行为，也可以穿插步骤外的犯罪行为，只要在窗口期内完成漏斗步骤内的犯罪行为即可。比如：窗口期为1天，漏斗步骤为“A->B->C->D->E”，在采用者触发A->B ，又回到A，再回到B或F，那么只会历史记录A->B一次，而F犯罪行为不在漏斗步骤内，则不参与统计。
2. 需要历史记录的统计数据
同事件预测。
3. 计量方式/统计指标
漏斗转化率、转化人数、转化次数；
漏斗流失率、流失人数、未转化次数。
4. 预测视角
1）单
个漏斗预测对预先设置好的漏斗步骤展开预测，漏斗步骤涉及多个犯罪行为，每两个犯罪行为单厢对转化产生重要影响，此方式是对两个转化事件展开有顺序的犯罪行为
分层，我们可以从总体来观察漏斗的统计数据变化，也可以切分犯罪行为层展开单个或几个犯罪行为来观察漏斗内哪些环节出现了问题。
2）多个漏斗预测，就可以展开对比科学研究。
如下图所示：一各方面是我他们更细化了漏斗步骤内的犯罪行为，对犯罪行为做了两个过滤、或者增加两个副级犯罪行为。比如：买回货品的转化漏斗“搜寻->下载货品列表页->点击货品->下载货品详情页->加入购物车->生成订单->支付订单->支付成功”，可以对搜寻这个犯罪行为展开过滤和增加，过滤的维度可以是“搜寻了多少次”，增加的维度可以是“点击热搜”、“搜寻词推荐”等副级犯罪行为。细分的漏斗对比预测后，可以更加精准的找到采用者在搜寻多少次可以找到须要的货品，搜寻词推荐是否有效？
另一各方面，可以采用事件预测分层、分组、过滤的方式来对比观察。
5. 应用场景
漏斗预测是衡量流量转化、页面转化的高频统计数据挖掘方式。
可以帮助解决如下场景的问题：
从货品的视角来说：
核心转化犯罪行为的触达在预设的步骤中是否科学合理，是否能够让采用者有效触发货品的核心功能。
货品的核心功能在采用者采用时，是否达到简单快捷，从而提高转化效率？如果不是，那么卡在哪个环节，对该环节展开深入预测。
获得转化周期之类
从采用者视角来说：
在每一漏斗步骤上，既有进入下两个步骤的采用者，也有在这个步骤上流失的采用者，从而对采用者展开更细致的分群，也获得了忠实采用者群和潜在采用者群，对精细化的采用者营运提供了统计数据支撑。
05 路径预测
1. 定义/概念
路径预测顾名思义就是采用者在货品上展开操作的过程，有些地方会用“采用者旅程”、“采用者动线”词汇来形容采用者路径。这好比是一种网络化方式来跟踪和监控采用者的所有犯罪行为，从而可以得到频繁访问路径。和漏斗预测一样，最终目标还是为了提升关键组件的转化率。因此，路径预测须要得出最短路径、优化最低转化环节、跟踪主流路径。
2. 须要历史记录的统计数据
同事件预测。
3. 计量方式/统计指标
采用者数：流失、转化、留存。
4. 预测视角
路径预测主要就分为三类：转化漏斗、智能路径、采用者路径。
路径预测呈现的所有路径，都可以用于构建新的漏斗预测，发现新的主流路径和转化漏斗。
1）转化漏斗：属于预置好采用者路径的预测。
2）智能路径：设定好最终目标犯罪行为（终末犯罪行为，比如采用者买回货品事件中，最终目标犯罪行为就是“支付订单成功”）之后可以发现很多条路途可以到达目的地。
3）采用者路径：主要就为了完整再现采用者整个转化过程，有一种监控和跟踪的意思。比如采用者在买回纸巾的过程中，可能先是搜寻纸巾，然后看了货品列表页，下载了货品详情页，但是突然有了生活用品的活动广告，又去逛了生活用品，逛着逛着可能觉得他们缺牙刷了，又开始看牙刷，退出广告里的文本，发现货品推荐了一条漂亮的裙子，突然觉得他们缺一条，于是购物车里可能有多个牌子的纸巾，有牙刷、还有裙子，但是可能最终还是只买了纸巾，也有可能全部支付成功。这种完整再现采用者买回过程，就可以验证广告的触达效率、货品推荐算法精准度，采用者标签创建合理性等。
5. 应用场景
1）路径预测须要解决如下问题：
Q1：采用者从进入货品到离开的犯罪行为是什么？
Q2：采用者是否按照货品结构设计引导的路径在行进？哪些步骤上发生了流失？
Q3：采用者离开预想的路径后，实际走向是什么？
Q4：不同渠道带来的采用者，不同特征的采用者犯罪行为差异在哪里？
2）多维度展开采用者分群
总结
所有的预测都可用于采用者分群、采用者标签。每种预测是对立统一的，看似目的不同，但是又是相互补充，使得货品的成长获得全面的营养素。采用者网络犯罪行为统计数据越来越庞大，充分挖掘统计数据的价值是统计数据挖掘的目的，不论采用的一般的统计方式，还是机器自学等模型算法，都是为了《make sense of data》。
前段时间刚翻阅这本书，特别喜欢里面的一句话：“The challenges of handling and making sense of this information are significant，because of the increasing volume of data, the complexity that arises from the diverse types of information that are collected, and the reliability of the data collected”。大统计数据时代下，统计数据也像石油、煤矿一样是以一种社会资源，存储了大量复杂结构的统计数据，也同时存储了很多真相。
相信拿着这种的复杂庞大、拥有真相的统计数据，会使得对需求的把握、货品营运策略、子公司战略部署有着巨大的意义。
写在最后
以上依照他们的认知阐释的文本可能还不够深刻、也可能存在错误。特别是对应用场景的这块文本，感觉还不是太有深度和广度。我会继续再看看统计数据资料，来丰富应用场景这各方面的感知和见解。
比如：留存预测。
“客户采用货品时间越长，带来的现金流或者利润越高，如果再收支平衡前流失，则会造成损失。子公司长久盈利需满足：获客成本＜1/3客户生命周期价值”。此各方面的知识还不够，须要继续努力。
除了上述常用分析方式外，还有其他预测，接下去也会继续探索。
