“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？今天系统讲一下�? # 预测算法的本�? 从本质上看，预测算法只有 2 大类�? # 1、基于时间序列的�? 1、基于时间序列的。平滑：用于相对平稳的数据。自回归：用于趋势性递增、递减的数据。带季节因素自回归：用于有周期性波动的数据�? 
| 销售收�?(Y) | 营销投入 (X 1) | 销售人�?(X 2) |
| 235 | 25.4 | 160 |
| 238 | 25.7 | 163 |
| 256 | 27.5 | 166 |
| 264 | 29 | 169 |
| 271 | 29.5 | 172 |
| 273 | 29.6 | 175 |
| 289 | 31.1 | 178 |
| 298 | 31.8 | 181 |
| 305 | 32.7 | 184 |
| 310 | 34.1 | 187 |
Y=-90.16+5.55X 1+1.15X 2 R Square \(= 0.99\)
基于因果关系的潜台词是：基于 xx 因素，得�?xx 结果。要做的是收集影响因素，训练一个预测模型，然后代入未来的原因数据，得出结果数据�? 比如左边简单的线性回归例子，考虑营销投入与销售人员对销售收入的影响，计算出一个简单的预测公式，之后输入下一期营销投入/销售人员数据，即可得出结论�?
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�? # 预测算法的难�? 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…�?、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 �? ！业务做�?900 万，会说：预测得一点都不准，搞得货积压了！业务做到 1100 万，会说：预测得一点都不准，还是我厉害
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�? # 用业务运作避免预测错�? 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？”—�?0 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�? # 用基础分析缩小预测范围
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�?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�?暴跌的场景。预测目标与其设定为：�?00%精准”，不如设定为：“是否暴�?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�?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）�? 
基础分析中，要区分的 5 大要�? 1. 周期型规律（X 循环一波）
趋势型规律（连续 X 天上�?下跌�?
事件型规律（下雨天业绩就是不好）
投入型规律（促销拉动业绩�?
分类型差异（谁是一直优秀/拉胯�? 有了基础分析后，一来能清楚影响业务
的主要因素，从而锁定预测变量；二来
能观察数据趋势，方分类模拟走势。按地、字�? 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）�? 
有了基础分类后：
口规律性强的数据走势（季节、趋势、躺平的）用时间序列�? 口遭遇事件，根据历史经验举手动调整（没法预测事件长短，又不能登台学天求下雨，就只能手动调�? 口能找到关键影响因素的（一般是促销）就上因果关系预测模�? 这样在基础数据上做修正，会更接近业务实际情况，也便于指导业务工作。如果不同类型差异太大，可以分开下不同模型。按地气字堂
用滚动式预测代替长期预测
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�?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）�? 
滚动预测一般分三个阶段盲测阶段：新品未上线/没有预订货，只能凭历史经验盲测，这个阶段肯定准确度不高，只能做定性判断（爆款/非爆款）滚动开始：预订�?第一批实际销售开始，这个阶段有数据回流，能立即修正定性预测对错，并且业务方逐步开始行动，可以把行动（因果关系预测）纳入考虑局势明朗：一般在接近生命周期中期的时候，数据已稳定，可以用规律性数据模拟（时间序列模拟）来预测�? # 用户买定离手模式保护自己
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，卖定离手，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）�? 
买定离手是一个解决用锅问题的终极方法。就是区分出：哪些结果是业务自己做偏离的，哪些是预料之中的，对于业务要加/要减的部门留下字据，事后追责的时候一清二楚。注意，如果业务总能做到超过预测，那表功的时候也是有据可查的。这样能反向，推动业务来合作。让业务围绕预测结果做文章，更显得自己有本事。实现互和共�? # 再深层的看预测问�? 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�? 写到这，肯定有很多同学想看具体的操作案例，感兴趣的话，本篇集�?60 在看，下一篇我们来分享一个案例哦，敬请期待�