数据分析， 2020年业绩指标如何预测？

临近年底，企业都要做2020年预算，这个任务往往和数据预测业绩指标有关，于是很多同学留言想看：2020指标预测该怎么做？今天它来了。

01

指标预测的错误做法

在来年的指标预测上，一直以来有两种观点：

投降论：我说了又没用！问老板！您老说是几就是几。 速胜论：我有人工智能阿尔法大狗子模型，一模一个准。

两种做法都有问题。投降论往往会引起老板不满：“你是做数据的，我都说了要你干什么！！！”而速胜论开头死于数据太少，手头翻来覆去也就GMV、PV、UV、转化率、客单价几个数，预测模型没准头。结尾死于业务口水：“你考虑业务情况了吗？你一天业务都没做过瞎哔哔啥！！”

本质上，投降论和速胜论是两个极端。一个极端自暴自弃，完全没有发挥数据该有的作用。一个极端自高自大，自以为有一堆代码就天下无敌，忽视了业务的参与。想要解决好这个问题，既要懂得预测方法，又要懂得如何做年度预测这个工作。双管齐下才能解决问题。

02

指标预测的基本方法

预测常用的方法有三种：业务推演法（拍脑袋法）、时间序列法、因果关系模型。三种方法的操作流程、适用范围不太一样。因为本篇不是专门讨论算法的，所以先归纳如下，有兴趣的话我们单独分享：

注意：一提预测，往往大家都本能联想到算法模型。可算法模型有个天生的短板：业务参与太少。业务参与太少，结果就很难被认可。本质上，业绩不是算出来的，而是产品、销售、运营、供应链努力做出来的，谁掉链子都会让业绩出重大问题。所以单纯指望一个模型搞掂，往往会被业务用各种细节问题打趴下。想破局，就得首先理解：业务做年度预测的目的是什么。这样才能看如何让他们参与进来。

03

结合目标做预测

年度预测，与其说是预测真实值，倒不如说是帮老板圆梦。往往老板们倾向于给出“我想达到”的业绩值，而不是“可能达到”的业绩值。这也就是为啥老板们一边让数据去做预测，一边自己默默在心中拍一个数字的原因。一方面，他有自己想达到的目的，另一方面，他也想知道自然状态能去到多少。

所以遇到预测问题，第一时间不要急着搞模型，也不要像夜店的小姐一样：“老板想什么就是什么”。而是先搞清一个关键问题：老板是否已经有了明确目标。无目标和有目标，有两种完全不同的处理方式。

04

无目标下的预测

比如老板说：预测一下明年的业绩指标，然后没有任何指示。或者干脆说一句：你先预测预测看看。这就是典型的无目标预测。很有可能是老板自己还没想法，想先看几个数据找找感觉。这时候给数据分析师自由发挥的空间很大，但要注意几个原则：

▌原则一：预粗不预细。

当我们用杜邦分析法拆解的时候，可以把一个核心指标拆解成一堆二级三级指标（如下图所示）原则上，要预测的指标越少越好，越宏观越好，最好是只预测GMV、销售额这种一级宏观指标。拆的越细，越折腾人，而且汇总起来误差非常大（还不如直接拍脑袋呢）。

▌原则二：尽量上模型。

因为预粗不预细，所以尽量用模型解决战斗。如果不用模型，而是用推演法，就会涉及大量业务假设，反而把预测拖进无穷无尽的细节，最后因为某些细节业务上无法达成一致，吵架吵到预测流产。所以尽量一个模型搞掂。当别人问“预测数据怎么来的时候”，就回答“假设条件不变情况下，基于过往趋势预测”。

▌原则三：结果带条件。

回答中“假设条件不变情况下”这句话特别重要，一定要讲。因为所有的模型，都是基于“过去的规律未来会重现”的基本逻辑进行预测的。如果业务看了预测“哦，原来能做这么多呀”就放松了工作，那什么业绩都没有了！我们至少要假设：业务不掉链子。相应的，千万不要说什么：“这是人工智能预测结果”。一般这么说的，都会被业务喷得一脸：“人工智能能卖多少货！”。

基于以上原则，一般预测总量用时间序列法比较多。一来，它需要的数据非常少，只要1个指标就够了（当然需要这个指标较长时间的记录）；二来，常见的业绩走势，比如生命周期型走势，自然周期型走势，它都能模拟形态；三来，短期内业务很难巨变，所以模拟趋势往往是离当前时间越近就越准。所以在数据、时间有限的情况下，优选此方法（如下图所示）。用因果模型，往往很难凑齐各种影响变量，特别对于数据建设滞后的企业，很难用。

反正这里的预测结果，都只是个中间过程。一般给了预测值以后，老板会有想法，进而提出：“我们的GMV/销售额目标定到1500亿”一类。这时候，问题就从无目标变成了有目标，还需要进一步的深入分析。而不是让你跟老板大吵一架，大喊：老子的人工智能比你牛逼！你凭什么不认！！

05

有目标下的预测方法

比如，领导给定：

• 按较今年同比30%增长去预测
• 按明年销售额1亿去预测
• 按DAU5000万去预测

这就是给定目标下预测。注意，领导给你目标，不是让你去挑战他的。而是希望你能够帮他补齐相关资料，提示潜在风险。因此，在做预测的时候，就不是傻乎乎建个模型然后对老板说：这个目标太高了/太低了。而是认真补充以下内容：

1、在此目标下，其他二三级指标会去到什么水平 2、在此目标下，需要多大资源投入 3、在此目标下，较自然增长提升多少

在这种情况下，一般自然增长用预测模型（同无目标时的做法），而二三级指标和资源投入，则用业务推演法更合适。围绕老板给出的大目标，各个部门看自己需要做到多少努力，能达成这个目标。把整体目标拆解到各个部门，清晰各部门的KPI。这样明年各部门的报表就有了参照值，能很容易跟踪指标走势，发现问题（如下图）。

同时，在拆解任务的时候，各部门可以基于自己对工作的理解，提出拆解假设。这样能提前思考有哪些困难，早做准备。同时作为数据分析师，在收集拆解假设的时候，可以利用数据验证假设是否成立，这样也能体现数据分析的作用（如下图所示）。

业务部门一般会本能地抱怨：目标定的太高了。需注意：产出和投入挂钩。高目标从来都不是问题，高目标且不给钱才是大问题。作为数据分析，要做投入产出分析，判断业务是真做不来还是假哭丧。想说服老板：“这个投入不可能达成目标”，是可以的，前提是得做足功课（如下图）。

通过一系列的分析，既能细化老板提出的目标，又能提示风险，还尊重了业务意见，基本可以交差了。不想投降，不能速胜，还是得打持久战才行。

06

小结

做年度预测，本质上是在平衡领导期望与业务实现能力。这是个和人打交道的过程。所以才需要考虑领导期望、业务行为、过往经验。而不是简单丢一个模型完事。作为数据分析师一定要理解：追求完美的模型那是大学教授干的事，我们的目标是为管理提供工具，解决实际问题，模型也好，拍脑袋也好，都是必要的工具。刚学会用锤子的小徒弟，都是看啥都想夯一榔头。只有炉火纯青的大师傅，才是需要用啥用啥。

请注意，本文的方法仅仅是年度预测这个场景。预测这个问题，换个场景，思路可能完全不一样。虽然这些场景猛看起来，一级目标都是“预测销量尽可能精准”，可在不同场景下，二级目标完全不同，催生出的思路也不同了。甚至可以说：如何定义目标，直接决定了预测效果。