做預測模型難，做可解釋的預測模型，更難!

很多同學做預測的時候，會用時間序列的平滑和自回歸，可出了結果就被領導問道：

預測達標，所以呢?業務啥都不干就達標了?

預測不達標所以呢?業務誰該發力?資源哪里出?

同學們經常被問得一頭霧水，不知道咋回答。

這個問題，是預測方法選擇不佳導致的。算法模型類預測，無論算法的簡單或復雜，都有一個通病：無法反應業務過程。導致業務方想基于預測調整業務行為的時候，不知道從哪里下手。

在這種情況下，就需要構建業務預測模型。今天，我們就系統講解一下。首先看個具體問題場景——

某toB類原料供應企業，下游需求方包括：

• 大型客戶，且簽訂框架合同，循環采購
• 大型客戶，無框架合同，每月分批采購
• 中小型客戶，無固定合同，有需求就采購
• 每個月新開發客戶(以中小型客戶居多)
• 每個月有主動開發的客戶/被動上門的客戶

現在業務方需要預測下個月客戶采購量，并且希望指導到大客戶銷售/中小客戶銷售/新客戶廣告投放等部門的具體工作。問：該如何預測?

1.業務預測模型，該怎么做?

業務預測模型，即把業務假設作為輸入變量，預測業務走勢的方法。這和算法模型不同，算法模型的輸入特征，常常是沒有業務含義的，因此無法指導具體業務操作，業務預測正是為彌補這個缺憾而設計。 比如本場景中，客戶需求的最大影響因素，是客戶本身的生產計劃/我司與客戶關系這兩個維度。

但這兩個維度很難拿到準確數據，如果是中小型客戶，很有可能根本就沒有生產和采購計劃，他們自己就是風雨飄搖，有單子就做。如果是沒有簽框架合同的大型客戶，每一期采購都得重新走招標流程，很有可能被其他供應商半路截胡。因此如果想直接從兩個方面進行預測，是很難下手的。

此時要做的工作，分為三個部分：

第一：梳理業務流程，找可監控的數據指標

第二：梳理業務特點，區分穩定/不穩定因素

第三：梳理業務假設，輸出預測結果第四：跟蹤預測結果，糾正過程問題

第一步：梳理業務場景。

在本案例場景中，業務流程相對簡單清晰，就是客戶一手交錢，我司一手交貨。但是不同類型客戶的訂單金額不同，交貨難度不同因此可以分開考慮(如下圖所示)：

第二步：梳理業務特點。

這一步是關鍵，通過對各條線業務特點的梳理，能找到其中每個時間周期內穩定因素/不穩定因素，穩定部分是預測的依據，不穩定部分是控制預測結果的手段。

在本案例場景中，就采購需求而言：

• 簽框架的大客戶≥未簽框架的大客戶≥中小客戶
• 發展趨勢好的行業≥發展一般的行業≥發展差的行業
• 老客戶≥老客戶轉介紹的新客戶≥主動開發的新客戶≥被動上門的新客戶

因此，先把客戶打上相應標簽，再按不同標簽類型分組看數據，就能計算出下面關鍵指標的數值，以及通過歷史趨勢觀察其走勢是否穩定。

• 老客戶的續訂率
•  老客戶的續訂金額
• 新客戶線索開發數量
• 新客戶線索轉化率
• 新客戶首單金額

注意，這里有些因素無法直接量化，需要做轉化。比如“行業發展趨勢好”，至少有2種方法來確認：

1）數據法：對所有企業打行業標簽，再查該行業統計數據，再看我司簽約企業發展數據。2）人工法：所有銷售，定期回訪新客戶/拜訪老客戶，拜訪時間必須大于5分鐘，且回收數據。

該怎么選用方法?答：既然是業務預測，就優選業務能施加影響的方法，即人工法。因為用人工法收集數據，不但能收集客戶信息，更能收集業務動作和業務判斷能力這兩個關鍵信息。試想：如果銷售連回訪/拜訪都敷衍了事、漫不經心，那還能有訂單嗎，肯定沒有。因此衡量業務行動力，本身也業務預測的重要組成部分。

如果在這個過程里，發現某些業務部門就是：

• 人員離職率高
• 人員執行力差
• 有效拜訪次數少
• 拜訪和客戶瞎聊一通
• 反饋的判斷十次錯九次

那問題就很明顯了：業務能力不行，導致業務不好。

這一點非常重要，同學們切記，既然要基于業務行為做預測，就要把業務行為考慮到底，不要試圖摻雜一半業務考慮、摻雜一半數據自己計算，這樣又把水攪渾了，很難評價好壞。

第三步：輸出預測結果。

有了清晰的分類，就能輸出預測結果了。輸出的方法很簡單：

• 有穩定參數的，直接套用
• 沒有穩定參數的，業務自己填預計參數

這樣匯總計算出結果(如下圖)：

注意，業務自己填預計參數不是亂填，需要有依據。如圖所示，明顯違背發展規律的預計結果是無效的。并且這種行為本身也能成為模型的輸入：業務方能力不足，不會評估自己能力及所需資源。

這樣再給出業務預測結果的同時，也順便給出了需要保證結果的假設，比如：

• 假設1：XX行業客戶需求不受出口匯率影響
• 假設2：新線索轉化率不低于5%
• 假設3：業務執行有效性在90%以上

這些假設，可以直接作為跟蹤階段的考察指標，也能提前準備應對預案，這樣即使發生一些小問題能直接糾正，發生大問題也能提前感知到，節省了跟蹤和復盤的工作量。

第四步：跟蹤預測結果。

在實際發生時，可以基于預測假設，跟蹤結果。

• 當業務走勢不好的時候，可以提前預警問題。
• 當問題實際發生的時候，可以排查假設找到問題點。
• 對于有應對預案的問題，可以直接啟用預案解決問題。

這樣就能很好的指導業務行動了(如下圖)：

注意，以上6種情況，只有客戶預計外問題，屬于預測失靈。為什么大客戶打壓價格這么重要的信息，居然沒有提前預知，業務部門和數據部門都要反思。真碰到黑天鵝問題，很可能是客戶內部人士變動或者對手下了黑招，此時確實會預測失效，但和預測本身無關。這些因素無法預知，此時只能在復盤的時候，再想辦法。

2.業務預測模型，優勢與不足

業務預測模型最大的優勢，就是能徹底終結：“到底是預測不準，導致業績不好;還是業績不好，導致預測不準”這個雞生蛋、蛋生雞的問題。它明確地告訴大家：就是因為業務沒做好，所以才預測不準!并且能很細致地告訴大家，是因為以下業務原因，導致業績不好，從而指導業務開展。

• 新客戶線索跟進不到位
• 老客戶拜訪不到位
• 老客戶沒有申請優惠價格
• 點行業開發能力差

業務預測模型最大的劣勢，在于預測依賴人的判斷。因此，預測結果特別受團隊士氣的影響。

一般團隊士氣高漲的時候，給出來的預測數值偏大，給出的糾錯能力評估也偏大;團隊士氣低落的時候，給出來的預測數值偏小，糾錯能力壓根就不存在。過于偏激的判斷，會影響模型的落地執行，從而達不成效果。

因此業務預測和算法預測，兩者都不宜偏廢。算法模型可以基于過往發展趨勢直接給出個整體數據，所以用來輔助判斷：當前業務方是高估/低估了局面，從而讓領導層在施展管理手段的時候有依據可用，敲打業務部門做出正確判斷。

業務預測模型適宜用在業務方能主動施展影響，改變結果的時候。但有些場景，業務方是被動接受，比如客服、售后、生產線等等?？蛻艉羧耄艽黉N活動、新品上市、廣告宣傳等諸多影響，偏偏這些影響一個都不是客服能控制的。此時就不適宜使用業務預測模型，而是算法模型，直接估算下個月話務總量，來評估人力安排。