e.g. 要推算京东在微信端交易订单量占整体交易量的占比，可以借鉴唯品会的数据。首先唯品会和京东的业务模式具有较高的相似性——都是电商平台(虽然主要品类结构不一样)，主要交易端都是AppPCWeixin这3个，唯品会和京东都在微信上都有“钱包入口”，整体上覆盖的人群结构也差不多——现在知道了唯品会微信上交易量的占比(数据已经相对稳定)，那么该数值可以作为预估京东数据的参考值基准。

　　e.g. 我们到野外偶遇一只不知所名的动物(未知的X)，发现此动物尖牙利爪长尾巴(已知属性)，这和我们平时见到的猫科动物(归属的群体)特征很匹配，我们知道猫科动物大多数是吃肉的，那么可以推断该动物也很可能不是吃素的(肉食动物)。

　　该城市总人口1000W，设符合用车条件的人群(16-60)占比为60%(这个数据也可以到国家人口普查数据上找)；设上述人群中有互联网产品使用经验的比例为60%(可以查下中国互联网普及率)；设有短距离出行需求的人数比例为15%(大多数时候选择的交通工具是地铁、公交、自驾)；设该公司在该城市的市场份额为30%(假设要和ofo、摩拜3分天下，这里的30%是假设只有3家投放单车时的值)，基于以上假设可以得到目标用户数为：1000W*60%*60%*15%*30% ≈ 16W人

　　e.g. 假设现在需要预估一次运营活动带来的交易量，那么可以先对交易量“细分”，看看活动覆盖哪些人群、覆盖哪些端口、不同人群或端口的交易转化率(可以参考历史数据或业务经验)等，把每个细分人群细分端口的交易计算出来，再进行加总即可。

　　e.g. 进行年度KPI预测的时候，可以拟合历年的实际交易数据——一般业务过了成熟期，就能看到比较明显的S曲线(sigmoid curve)——基于拟合的曲线就能大致预测出下一年的交易量了。这个预测值可以作为基准，还要考虑业务上新的变化对数据进行调整，比如产品功能改变、人群定位变化等、渠道入口发生改变等。

　　季节变化(Seasonal)，通常是一年时间内的周期波动(可能季度、月度或者周等不同时间颗粒度)，季节变化通常是因为受到人们活动的周期性的影响而出现的。比如：①人行为上的周期性，e.g.一天的作息、一年4季的购衣需求、不同年龄阶段的行为模式等；②周期性的社会活动，e.g.节假日、定期行业集会等；③商业业务的周期性，e.g.唯品会的早10晚8上新、公众号通常在上班前或者下班后发布消息等；