數據分析相對來說所用技術淺顯一些并且面向的數據不是海量的；而數據挖掘便是利用SAS、SPSS、R或者MATLAB各種專用軟件從海量數據中挖出各種規則，比如關聯規則；而數學建模簡單地說是建立一種確定的函數關系式，而建立數學模型的過程叫做數學建模，例如PV = r×UV（其中，PV和UV分別表示流量和訪客數量，r表示系數），一般對于比較成熟的網站，PV和UV通常存在某種近似“正比”關系，也就是說當訪問人數UV一定時，PV也能根據PV = r×UV表達式大致估計出來，要測定的就是r常數。 　　各種數據指標體系建立好之后，就要進行數據化運營與管理了，本節就以一個簡單的案例來說明如何進行數據分析及如何基于數據分析來優化業務。以短信或者其他媒介催付款來說明數據分析的步驟，主要是為了引導讀者掌握數據分析層層推進的演繹方法。 步驟一：確定催付的客戶群體 　　如果我們選用短信催付（隨著SNS社交深度的增加，其他互聯網產品也可以作為催付的工具，比如微信、微博等），在一定程度上說可能打擾到客戶，所以在保證客戶體驗不被破壞的前提下勢必小心翼翼。我們通過客戶在線調查得知，加入購物車沒有付款的主要原因如下： 1、遺忘； 2、沖動消費不想買了； 3、貨比三家發現性價比更高的產品； 4、跟客服索要小禮物未遂，心理不平衡； 5、支付發生障礙，比如網銀沒錢或電腦手機出現故障。 　　還有其他的一些原因，這里不再一一列舉。不過，這里并沒有把商家不包郵納入到雖加入購物車但未付款的原因之列，具體緣由已經在前面的章節專門分析過，很少會出現加入購物車因為單純商家不支持包郵而放棄付款的情況。 　　催付對于“遺忘型”的客戶是有比較好的效果的，其他類型的客戶效果并不大，尤其是沖動性消費。問題是，無法確切知曉哪些客戶是因為遺忘而沒有及時付款，所以在目標并不是很明確的情況下發送催付短信或者使用其他催付手段勢必會打擾到客戶。因此，為了盡可能地不破壞客戶體驗，一般催付客戶只鎖定在新客戶和沉睡客戶上（快消品類目一般是200天以上未回頭購買）。 步驟二：確定在哪天付款 　　經過表4-6統計發現，在“等待付款”（即加入購物車但是尚未付款）狀態的訂單中，隨著時間的推移，付款的人會越來越少，快速銳減。比如在2010年3月1日創建的“等待付款”狀態的訂單中，在3月2日有93人付款，3月3日有40人付款，3月4日有14人付款……符號“10+”表示10天之后。　　我們將當天未付款但在接下來10天之內每天付款的訂單數量［1180 384 197 118 76 76 30 0 2 0］用圖形表現出來，如圖4-5所示。 　　而圖4-6顯示的是一項科研成果，即人類的記憶保留比例與時間的關系。從該圖可以看出，遺忘型客戶在第二天或者第三天催付效果相差無幾。再結合圖4-5可以知道，第3天催付理論上是最合理的，原因在于第二天也有不少會自發付款的客戶。不過，這里還要考慮一個至關重要的感性因素：客戶（尤其是女性客戶）往往在購買消費品時容易沖動型購物，逾期未付款跨越購物所帶來的快感后，就不容易再付款了。因此，付款時間需要選擇在客戶下單后（未付款訂單）的第二天催付最為合理。步驟三：催付時刻的確定 　　圖4-7顯示的是一天之中每個時間段的轉化率，從該圖可以很清晰地看出13:00—17:00和22:00—24:00兩個時間段轉化率非常高。由于晚上催付客戶肯定會打擾客戶，所以晚上時間段顯然是不合時宜的。 從圖4-8可以很直觀地知道，15:00—17:00是流量UV的高峰波段，且仔細比較與圖4-7的差異，發現16:00—17:00時間段的轉化率略高于15:00—16:00時間段的轉化率。另外，考慮到16:00—17:00時間段臨近下班，人們思想相對放松，樂意做工作以外的事情。 綜上，催付時間階段選在第二天下午的16:00—17:00發送催付信息效果會比較好。 步驟四：催付內容的擬定 　　我們催付的初衷是在不影響客戶體驗的基礎上促進客戶付款從而產生增量銷售額，所以，不論以何種媒介催付客戶，都希望達到即使客戶沒有付款也不會讓客戶產生排斥和厭惡心理。比如催付信息內容可以擬定如下：