Difference = (Units – Predicted Units) / Predicted Units

Step 3. 數(shù)據(jù)解讀

不難理解，如果實際值大于預(yù)測值，Difference為正，反之為負(fù)，實際值與預(yù)測值差異越大，Difference的絕對值越大。

既然需要的數(shù)據(jù)都有了，該怎么看我們用戶的偏好呢？如何去發(fā)現(xiàn)那些有價值的信息呢？

Difference 一列中，最抓人眼球(eye-catching)的顯然是Shanghai-DSC那行了，372%。這表示，Shanghai的用戶比我們想象中的更熱衷于DSC產(chǎn)品，而且是遠(yuǎn)遠(yuǎn)大于預(yù)期。同樣，VAIO、Tablet等產(chǎn)品在Shanghai用戶中的銷售情況也比我們的預(yù)期要好。而HIFI的-80%，MDR的-59%，說明了Shanghai的用戶對這些產(chǎn)品并不是非常感興趣。當(dāng)然，如果在做這個分析前，你已經(jīng)對你的某些產(chǎn)品做了定向投放，那么會一定程度上影響該報告的解讀，這時候，我的建議是：

1. case by case的來分析那些定向投放了的產(chǎn)品，需要綜合考慮你的投放情況及業(yè)務(wù)情況

2. 剔除那部分定向投放了的產(chǎn)品及密切相關(guān)的產(chǎn)品，從而解讀那些未受太大影響的產(chǎn)品數(shù)據(jù)。

到這里，如果在讀這篇文章的你正從事Online Marketing等相關(guān)的工作，不知道有沒有能夠觸動到你的神經(jīng)呢？SEM、adwords等廣告投放平臺中的地理位置定位，能通過這個分析得到改進(jìn)嗎？花錢買的廣告，真的投放給那些感興趣的用戶了嗎？……

本文所謂的預(yù)測，并沒有基于什么很高級的算法，只是先假定了我們的所有用戶的偏好是一致的，基于這個假設(shè)，兩個維度關(guān)聯(lián)后的情況應(yīng)當(dāng)與兩個維度獨立時所推斷的情況一致。還是舉個簡單的例子來說明吧。假定雙胞胎姐妹總共吃了4個水果，又知道水果中香蕉被吃了2個，蘋果也被吃了2個。如果姐妹倆的偏好一致，我們可以認(rèn)為姐妹應(yīng)該各自吃了1個香蕉1個蘋果。然而真實的情況是姐姐吃了2兩個香蕉，妹妹吃了2兩個蘋果，也就是說，姐姐比我們所認(rèn)為的多吃了1個香蕉而少吃了1個蘋果，那么她的偏好應(yīng)該是愛吃香蕉而不愛吃蘋果。

當(dāng)然，這樣的預(yù)測方法由于少考慮了很多因素而并變得不是很精準(zhǔn)，但筆者認(rèn)為，這不會是什么很大的問題。雖然我們的計算過程是定量的，但我們的目的只是定性而已，380%的Difference在這個方法中跟370%沒有什么太大的區(qū)別。而且，以損失一些精度為代價，獲得更高的效率并非什么不可原諒的事，畢竟我們是在商場里作戰(zhàn)，而不是在學(xué)校碼論文。

最后想說的是，本文所舉例子是不同城市用戶關(guān)于不同產(chǎn)品類的購買偏好分析，實際上，朋友們完全可以根據(jù)自己的業(yè)務(wù)需求來驅(qū)動類似的分析，比如關(guān)聯(lián)用戶的操作系統(tǒng)(Operating System)和瀏覽器(Browser)，指標(biāo)選擇訪問數(shù)(Visits)，便能了解到你網(wǎng)站的用戶在不同操作平臺上更喜歡用哪種瀏覽器。

理論上來說，任意兩個維度都可以關(guān)聯(lián)起來，且能說明些問題，但不建議強(qiáng)行地去關(guān)聯(lián)兩個維度，然后絞盡腦汁地去賦予它某種意義，不要為了分析而分析。還是那句話，以業(yè)務(wù)需求來確定分析目標(biāo)，再以分析結(jié)果來驅(qū)動業(yè)務(wù)發(fā)展。

如果您有任何想法或者建議或者批評，請不要吝嗇給我留言！

作者：Leslie

 2/2   首頁 上一頁 1 2