Difference = (Units – Predicted Units) / Predicted Units
Step 3. 数据解读
不难理解，如果实际值大于预测值，Difference为正，反之为负，实际值与预测值差异越大，Difference的绝对值越大。
既然需要的数据都有了，该怎么看我们用户的偏好呢？如何去发现那些有价值的信息呢？
Difference 一列中，最抓人眼球(eye-catching)的显然是Shanghai-DSC那行了，372%。这表示，Shanghai的用户比我们想象中的更热衷于DSC产品，而且是远远大于预期。同样，VAIO、Tablet等产品在Shanghai用户中的销售情况也比我们的预期要好。而HIFI的-80%，MDR的-59%，说明了Shanghai的用户对这些产品并不是非常感兴趣。当然，如果在做这个分析前，你已经对你的某些产品做了定向投放，那么会一定程度上影响该报告的解读，这时候，我的建议是：
1. case by case的来分析那些定向投放了的产品，需要综合考虑你的投放情况及业务情况
2. 剔除那部分定向投放了的产品及密切相关的产品，从而解读那些未受太大影响的产品数据。
到这里，如果在读这篇文章的你正从事Online Marketing等相关的工作，不知道有没有能够触动到你的神经呢？SEM、adwords等广告投放平台中的地理位置定位，能通过这个分析得到改进吗？花钱买的广告，真的投放给那些感兴趣的用户了吗？……
本文所谓的预测，并没有基于什么很高级的算法，只是先假定了我们的所有用户的偏好是一致的，基于这个假设，两个维度关联后的情况应当与两个维度独立时所推断的情况一致。还是举个简单的例子来说明吧。假定双胞胎姐妹总共吃了4个水果，又知道水果中香蕉被吃了2个，苹果也被吃了2个。如果姐妹俩的偏好一致，我们可以认为姐妹应该各自吃了1个香蕉1个苹果。然而真实的情况是姐姐吃了2两个香蕉，妹妹吃了2两个苹果，也就是说，姐姐比我们所认为的多吃了1个香蕉而少吃了1个苹果，那么她的偏好应该是爱吃香蕉而不爱吃苹果。
当然，这样的预测方法由于少考虑了很多因素而并变得不是很精准，但笔者认为，这不会是什么很大的问题。虽然我们的计算过程是定量的，但我们的目的只是定性而已，380%的Difference在这个方法中跟370%没有什么太大的区别。而且，以损失一些精度为代价，获得更高的效率并非什么不可原谅的事，毕竟我们是在商场里作战，而不是在学校码论文。
最后想说的是，本文所举例子是不同城市用户关于不同产品类的购买偏好分析，实际上，朋友们完全可以根据自己的业务需求来驱动类似的分析，比如关联用户的操作系统(Operating System)和浏览器(Browser)，指标选择访问数(Visits)，便能了解到你网站的用户在不同操作平台上更喜欢用哪种浏览器。
理论上来说，任意两个维度都可以关联起来，且能说明些问题，但不建议强行地去关联两个维度，然后绞尽脑汁地去赋予它某种意义，不要为了分析而分析。还是那句话，以业务需求来确定分析目标，再以分析结果来驱动业务发展。
如果您有任何想法或者建议或者批评，请不要吝啬给我留言！
作者：Leslie
更多详细信息，请您微信关注“计算网”公众号：
