工作中最常用到的核算方法有哪些？依據(jù)我自己的經(jīng)歷給舉些例子。

1.經(jīng)過一部分用戶樣本預(yù)估全體的用戶情況。比方，你的網(wǎng)站用戶有200萬注冊用戶，你要征詢他們關(guān)于網(wǎng)站改善的定見，你需求給他們發(fā)郵件問卷。但因為種種約束，你不能每個用戶都發(fā)，并且你收到的有效問卷只有1500多份。你要明確一下，你收集到得1500多份問卷到底多大程度上能夠帶代表200萬的全體。這時候，你要預(yù)估差錯范圍（margin of error）。假如你搜集到的有效有可巧有52%的支持計劃改善，你能說多一半的人都支持么？當(dāng)然不能，因為你的差錯范圍可能就有2.5%左右。當(dāng)然差錯的范圍和你選定的置信度相關(guān)（Confidence Level），這兒因為時間的約束我就不細(xì)說了。

2.依據(jù)用戶的行為和特征對用戶進(jìn)行細(xì)分。這兒需求用到聚類的概念，經(jīng)過相似性的核算，來將行為和特征附近的個別用戶歸為一類。比較常用的歸類算法，比方K-均值法。例如，你做一個B2B的電子商務(wù)網(wǎng)站。你會考慮用哪些標(biāo)準(zhǔn)來劃分用戶比較好，如廠家的規(guī)劃,產(chǎn)品所屬的行業(yè)，仍是他的商業(yè)模式（生產(chǎn)廠家、外貿(mào)公司、批發(fā)商、零售商）等等。

3.網(wǎng)站規(guī)劃與商業(yè)方針的相關(guān)性剖析。網(wǎng)站都會經(jīng)常做改善，假如你有都有相關(guān)的歷史記錄能夠分分出哪些規(guī)劃的改善進(jìn)步的用戶的活躍度或許轉(zhuǎn)化率。經(jīng)過相關(guān)性剖析，你能夠知道哪些規(guī)劃的改善關(guān)于用戶的活躍度或許轉(zhuǎn)化率更大；你還能夠知道哪些規(guī)劃元素的改善能夠互相促進(jìn)商業(yè)方針的完成，哪些則不起作用，或許反作用。（當(dāng)以，這些剖析都基于你已經(jīng)剔除了運(yùn)營和推廣活動對你造成的干擾）

4.網(wǎng)站全體用戶體會的衡量。面臨每天幾十上百的網(wǎng)站數(shù)據(jù)的各種目標(biāo)，信任有相當(dāng)一部分人包括老板們都看不懂。據(jù)說google的各種目標(biāo)有2000多個。這些數(shù)據(jù)目標(biāo)關(guān)于用戶體會的衡量到底有多大意義，也許沒有一個人能夠徹底說清楚。這時候，網(wǎng)站需求一個相似股票大盤指數(shù)的目標(biāo)來衡量網(wǎng)站全體用戶體會，及其變化趨勢。這需求對數(shù)據(jù)進(jìn)行長期的盯梢，核算，相關(guān)性比較才干完成