“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? 一、预测算法的本质从本质上看,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? 二、预测算法的要点因为: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。 三、用业务运作避免预测错误有些场景,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:
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。 四、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)。 五、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)。 六、用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,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)。 七、再深层地看预测问题预测问题的背后,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。 专栏作家 |
|
来自: 新用户15472188 > 《待分类》