提到數據，就必須提到各種模型。小伙伴們經常有疑惑：從4P、SWOT、RFM到線性回歸、決策數、Kmean聚類，都有人管它們叫模型，那這些模型到底有啥區別？今天一文講清，大家看完再也不迷路哦。

一個例子，看懂二者區別

模型一詞，本身指的是“對現實世界的抽象”，通過少數關鍵信息，描述復雜的問題。

提煉關鍵信息的方式有2種：如果從業務角度做提煉，就是：業務模型；如果用數學、統計學、運籌學、機器學習方法論提煉，就是：算法模型。

舉個簡單的例子，我們常說“營銷4P模型”，這個4P其實是從業務邏輯出發的。站在業務視角，只要我做好了商品、渠道、價格、促銷，就能把貨賣出去。但是落到數據層面，就有很大區別。商品和渠道屬性很難量化，我們只能通過打標簽的方式，粗略對比不同標簽下銷售指標差異（如下圖）：

圖片

商品價格/促銷與銷量的關系，容易用數據量化，因此催生出一個經典的算法模型：價格彈性模型。首先采集不同價格下商品銷量；第二步，擬合函數，總結出量價模型；第三步就可以拿模型推測漲價效果，或者求出利潤最大化的價格了（如下圖）：

圖片

注意！方法都是為解決問題而設計的，兩種方法各有優勢。

業務模型的優勢

業務模型最大的優勢，在于能從業務角度給出問題的解釋。

比如：

• 是不是我的策略不對？
• 是不是我的選品不行？
• 是不是我的執行力不行？

類似“策略”、“選品”、“執行力”這些業務上思考 ，很難直接用x、y的加減乘除關系來衡量。此時就得構造業務分析模型，先把“策略”、“選品”等名詞量化，再用邏輯樹的方法，對問題進行拆分，構造一個層層深入的分析邏輯，用排除法找到正確答案（如下圖）。

圖片

業務模型的第二個優勢，在于容易觀察業務行動的效果。

比如上圖中，基于邏輯樹，業務改進了執行動作，增加了人力投入。我們可以直接觀察：邏輯樹頂端問題，是否變好了，從而判斷分析是否真的到位（如下圖）。

圖片

業務模型的第三個優勢，在于清晰業務主體責任。

比如都是做預測，如果直接用回歸算法或者平滑算法給出一個結論，那么業務部門就沒法看到自己行為的效果，還會迷惑地問：“那我下周加班不加班，結果一樣嗎？”“如果我搞不掂A客戶，轉而做B客戶，是不是預測會不一樣？”（如下圖）

圖片

此時如果用業務模型來預測，可以直接把整體指標按部門拆開，讓各部門填寫自己預期情況。雖然具體參數可能需要拍腦袋得出來，但是每個部門能直接看到自己需做到什么水平，從而反向激勵業務必須行動。即使沒有完成任務，也能清楚看到“是誰沒完成”。從而更快速的思考對策。

算法模型的優勢

算法模型最大的優勢，并不是比人聰明，而是運算速度快+省事。比如經典的互聯網推廣問題，各種限制條件一堆：“推廣總預算，每個渠道轉化率，每個渠道可以預約檔期數量”等等。

此時，如果用人力去安排，可能要計算半天，但熟悉運籌學的同學們都知道，這是個典型的線性規劃模型，只要能寫清楚建模假設， 就很容易出結果（如下圖）。

圖片

更方便的是，如果以后有調整，比如：

1、修改總投放費用

2、渠道檔期數變化

3、渠道轉化率變化

那么只要修改模型參數，就能快速出結果了，非常方便（如下圖）：

圖片

算法模型的第二個優勢，是能發現業務沒注意到的情況。

比如做商品分析的時候，業務上是可以手動輸出一份《商品關聯規則表》，但這個表格的規則是固定的。如果用關聯規則算法，則可以突破業務思路的限制，發現更多潛在關聯銷售邏輯。雖然不見得是“啤酒與尿布”這么夸張的東西，但是也對啟發業務思路很有幫助（如下圖）。

圖片

算法模型的第三個優勢，就是處理大規模數據了。

典型的業務模型RFM，做用戶分層時，如果每個指標分3類，那么就有3*3*3=27類，在業務上已經復雜到很難匹配對應策略了。但是如果用協同過濾算法，完全可以做到千人千面，這也是算法模型的巨大優勢。

之所以互聯網公司傾向于用算法做推薦，主要是源自互聯網平臺上的商品量以十億記，極難手動匹配規則。

業務與算法，如何完美配合

想要做好順暢配合，建議大家在項目啟動前，先花時間梳理好：到底要解決什么問題。而不是一上來先說：我要個模型。先捏個模型出來，再拿著錘子找釘子。

如果要解決的問題本身不清晰，比如：

1、診斷類問題：到底指標異動是因為內部還是外部原因？

2、標準類問題：到底該怎么定義“高價值用戶”、“有效的策略”？

3、測試類問題：我有個新想法，還沒實行，不知道有沒有效果？

此時建議做業務模型，先把問題梳理清楚，把定義明確好，拿到測試數據，再看進一步怎么做？

如果要解決的問題定義清晰，且有數據積累，就很適合做算法模型。特別是即使業務很努力，也很難提升效果的時候，比如用戶流失挽留，新用戶電話銷售等場景，天然響應率低，通過模型篩選目標群體能極大提升業務效率，此時效果好。