“预测得不准!”是数据分析领域的终极难题了。讲预测的算法有一大堆,然后遇到现实基本上都被锤成渣渣,业务方怎么都不满意。
到底该怎么破局?
从本质上看,预测算法只有2大类:
1、基于时间序列的。
2、基于因果关系的。
有可能建模的时候,不是一个模型包打天下,而是用二阶段建模。比如预测一个客群消费情况,可以分别用二分类模型预测会不会消费,再用连续型模型预测消费金额,这样会消费用户数*预测消费金额,就能得出总消费。这是典型的处理手法。
书本上都是这么教的,然而为啥一遇到现实就被锤成渣渣了呢?
因为:书本为了突出模型效果,刻意选择了质量好、数据全的数据集。
现实中麻烦根本是远远不断:
1、没数据。很多时候给到的待预测数据,就一行“每月总消费”,其他数据屁都没有……
2、还是没数据。很多公司隔着天猫、抖音、亚马逊,拿不到一手数据,只能用后台导出的一点点数据瞎倒腾……
3、就是没数据。大部分公司不是头腾阿这种垄断公司,只拿了非常片面的数据。最常见的,大部分公司的用户是花钱引流来的,用户只有一个手机号+一个优惠订单……
这导致了一个搞笑的情况:很多公司用因果关系类模型,影响最大的变量一定是促销力度。甚至用逐步回归法建模的话,促销力度的变量,能直接把其他变量都干掉。预测结果就变成了:促销力度越大,用户加入越多,购买越多。
这种结果一丢出来,一准被业务评价为:“都TM是废话,我早知道了!”
这就是现实中第二大麻烦:业务效果到底怎么衡量。
比如预测销量是1000万
总之,只要你不是100%精准,他都有理由赖到你头上。甚至可以反复横跳。比如:“本来业务能达标的,看到预测说能达标,我们就省点投入,结果不达标了,都怪预测干扰了业务判断……”
怎么破局呢?问题既然由人而生,当然还得在人这里解决。避免赌命式预测,从业务场景角度出发,剔除人为影响,才是破题关键。
有些场景,能通过业务操作直接把问题消灭掉。这时候就直接用业务手段,不要建模。
比如:
场景1:“销售数据很少,分布很散,如何预测销量?因为货物本身不耐储藏,多进货的话库存损失率会很高”——用团购呀!团购就是解决这个问题的。
场景2:“销售数据很少,少到无法计算价格弹性,业务方又想预测价格弹性,多赚钱”——用拍卖啊!拍卖就是干这个的。
场景3:“新品是全新款,没有数据,咋预测?”——做新品预售/粉丝凭码购买呀。饥饿营销就是干这个的。
场景4:“大促期间备货量如何预测?拿捏不准用户有多少需求?”——10元定金,定金膨胀3倍抵用券,就是干这个的呀。
几乎所有互联网营销模式,从小米到天猫到拼多多,其实都是在对抗因数据不足带来的备货难题。所以别光盯着人家的模型,人家的运营也学学。
所有赌命式预测都有个共同点:一定要不高不低才算准。比如典型的预测销售业绩,如果实际是1000万,他非得要求预测到1000万才算准。这是模型被评价为“不准”的问题根源。
回到业务场景中,其实大部分业务场景不需要这个级别的准确度。大部分时候,业务怕的是突然暴增/暴跌的场景。预测目标与其设定为:“100%精准”,不如设定为:“是否暴增/暴跌超过业务消化能力”。
预测100%精准基本无解,但是发现哪里可能暴涨/暴跌是很容易的。通过基础分析,把不稳定因素区分出来,能大大缩减预测问题的难度(如下图)。
做好基础分析,拆分不稳定因素以后,也更方便挑选模型组合,解决问题(如下图)。
所有的赌命式预测,预测时间周期都很长。长则一年,短也有一个月。赌的时间太长,前期能收集的数据很少,也无法把业务部门各种中间操作反映出来,因此非常被动。
用滚动预测能很大程度弥补这个缺点。通过日/周滚动预测,既能补充数据缺失,又能反映业务方临时调整带来的效果,一举两得(如下图)。
一个好问题+滚动预测,基本上能满足实际工作需求。但作为做预测的人,得学会保护自己,避免业务方反复横条,瞎胡甩锅。
买定离手法是很好办法。预测结果给出以后,买定离手,所有相关业务方不再质疑预测结果,而是基于预测结果做叠加。
谁觉得预测少了,谁自己写请示申请额外货物,并且留下书面证据。到时候是预测得不准,还是业务自己申请多了所以卖不动,看得一清二楚(如下图)。
预测问题的背后,是一个很深层的业务问题:在很多公司,库存积压的损失是直观可见的,货都烂在货仓里。但缺货损失的潜在销量,却没有认真统计。想统计缺货损失很容易,可以让客户交定金预约,可以让客户登记需求量和需求时间。但很多公司业务要么懒,要么蠢,要么不想担责任,总之是没有做。
预售、团购、饥饿营销、订金膨胀、缺货登记……所有的业务手段,需要的不但是运营能力,更需要系统建设支持。显然,对业务来说,比起搞这些系统建设和复杂的运营手段,还是直接甩锅给“模型预测不准”更轻松。因此你要是直接问业务预测需求,他们都会倾向于“不高不低刚刚好”的赌命式预测。
但显然这对数据分析师是不公平的。既然潜在损失无法衡量,现实积压是直观可见的,因此作为数据分析师只要顾好积压损失就能立功。所以才有了以上种种操作办法。
作者著作
立即扫码下单
▊《商业分析全攻略:用数据分析解决商业问题(全彩)》
接地气的陈老师 著
商业分析有用吗?当然有用!商业分析是行走职场、创业启航的一项必备技能。
作者结合自己多年的工作经验,用生动的语言介绍如何用数据分析解决商业问题。
本书分为6 篇,共17 章,其中第1 篇是概念篇,讲述商业分析的基本概念;第2 篇是基础篇,讲述如何用基础的分析方法评估企业经营状况;第3 篇是进阶篇,讲述如何构建分析体系解决较复杂的问题;第4 篇是高阶篇,讲述如何应对复杂的商业难题;第5 篇是基础实践篇,通过案例讲述如何解决更复杂的商业问题;第6 篇是高阶实践篇,通过案例讲述如何解决商业分析中的疑难杂症。
本书的讲解思路是层层递进的,从简单场景到复杂场景,从基础的方法到复杂的方法。因此,无论读者是否有数据分析基础和经验,都建议从头开始阅读,这样可以一步步提升认知,更快地掌握商业分析的方法。
(京东限时满100减50,快快扫码抢购吧!)
全书近500页彩印
立即扫码下单
1、通俗易懂。一提及“商业”,人们总会总想到很多高大上的名词;一提“分析”,人们总会想到统计学、数学、算法等复杂概念。本书尽量用浅显易懂的方式,介绍商业+分析的主要概念。并且在每一章开头,都举了生活中例子,让大家容易理解。毫不夸张的说,这是一本人人都读懂的分析书。
2、内容全面。本书覆盖了从投入产出分析,到销售、供应、产品、运营分析的主要场景,对每一类场景下的主要指标,分析思路都有介绍,可以满足众多分析需求。而且,很多商业问题是相互关联的,因此全面的了解分析思路,更容易找到解决问题的答案。
3、层层深入。本书分了初级、中级、高级方法,从基础的指标体系搭建,数据解读,到中级的销售、运营、产品分析体系搭建,到一些高级复杂难题都有涉及。这些问题,一般的数据分析书(特别是工具类书)极少涉及,却又经常在工作中困扰大家。本书都给予了深入探讨。当然,不见得就100%能解决所有问题,但一定能给大家很多启发。
本书目录(滑动浏览)
向上滑动阅览目录
发布:刘恩惠
审核:陈歆懿
如果喜欢本文欢迎 在看丨留言丨分享至朋友圈 三连
热文推荐
书单 | TIOBE 2022 年度编程语言,Java不行了吗?
C++ 夺冠!成为 TIOBE 2022 年度编程语言(附C&C++书单)
我们真的需要碳中和吗?
这本入门指南可以解答你做播客的所有疑问
▼点击阅读原文,了解本书详情~
本文分享自 博文视点Broadview 微信公众号,前往查看
如有侵权,请联系 cloudcommunity@tencent.com 删除。
本文参与 腾讯云自媒体同步曝光计划 ,欢迎热爱写作的你一起参与!