大眾點評未竟之地，閑魚悄然崛起。精打細算的年輕人紛紛轉(zhuǎn)戰(zhàn)閑魚，享受超低折扣與代購便利。從咖啡代下單到停車優(yōu)惠，閑魚已成為他們?nèi)粘ＯM的省錢秘籍。然而，這片看似繁榮的市場背后，卻也暗藏灰色地帶與監(jiān)管難題。閑魚能否穩(wěn)坐釣魚臺，接住這‘潑天富貴’，引人關(guān)注。

做預(yù)測模型，難；做可解釋的預(yù)測模型，更難！

很多同學(xué)做預(yù)測的時候，會用時間序列的平滑和自回歸，可出了結(jié)果就被領(lǐng)導(dǎo)問道：

預(yù)測達標(biāo)，所以呢？業(yè)務(wù)啥都不干就達標(biāo)了？
預(yù)測不達標(biāo)所以呢？業(yè)務(wù)誰該發(fā)力？資源哪里出？

同學(xué)們經(jīng)常被問得一頭霧水，不知道咋回答。

這個問題，是預(yù)測方法選擇不佳導(dǎo)致的。算法模型類預(yù)測，無論算法的簡單或復(fù)雜，都有一個通病：無法反應(yīng)業(yè)務(wù)過程。導(dǎo)致業(yè)務(wù)方想基于預(yù)測調(diào)整業(yè)務(wù)行為的時候，不知道從哪里下手。

在這種情況下，就需要構(gòu)建業(yè)務(wù)預(yù)測模型。今天，我們就系統(tǒng)講解一下。首先看個具體問題場景——

某toB類原料供應(yīng)企業(yè)，下游需求方包括：

• 大型客戶，且簽訂框架合同，循環(huán)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(fā)客戶（以中小型客戶居多）
• 每個月有主動開發(fā)的客戶/被動上門的客戶

現(xiàn)在業(yè)務(wù)方需要預(yù)測下個月客戶采購量，并且希望指導(dǎo)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(yù)測？

一、業(yè)務(wù)預(yù)測模型，該怎么做?

業(yè)務(wù)預(yù)測模型，即把業(yè)務(wù)假設(shè)作為輸入變量，預(yù)測業(yè)務(wù)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(yè)務(wù)含義的，因此無法指導(dǎo)具體業(yè)務(wù)操作，業(yè)務(wù)預(yù)測正是為彌補這個缺憾而設(shè)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(chǎn)計劃/我司與客戶關(guān)系這兩個維度。

但這兩個維度很難拿到準(zhǔn)確數(shù)據(jù)，如果是中小型客戶，很有可能根本就沒有生產(chǎn)和采購計劃，他們自己就是風(fēng)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(biāo)流程，很有可能被其他供應(yīng)商半路截胡。因此如果想直接從兩個方面進行預(yù)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(yè)務(wù)流程，找可監(jiān)控的數(shù)據(jù)指標(biāo)
第二：梳理業(yè)務(wù)特點，區(qū)分穩(wěn)定/不穩(wěn)定因素
第三：梳理業(yè)務(wù)假設(shè)，輸出預(yù)測結(jié)果
第四：跟蹤預(yù)測結(jié)果，糾正過程問題

第一步：梳理業(yè)務(wù)場景。

在本案例場景中，業(yè)務(wù)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(yè)務(wù)特點。這一步是關(guān)鍵，通過對各條線業(yè)務(wù)特點的梳理，能找到其中每個時間周期內(nèi)穩(wěn)定因素/不穩(wěn)定因素，穩(wěn)定部分是預(yù)測的依據(jù)，不穩(wěn)定部分是控制預(yù)測結(jié)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(fā)展趨勢好的行業(yè)≥發(fā)展一般的行業(yè)≥發(fā)展差的行業(yè)
• 老客戶≥老客戶轉(zhuǎn)介紹的新客戶≥主動開發(fā)的新客戶≥被動上門的新客戶

因此，先把客戶打上相應(yīng)標(biāo)簽，再按不同標(biāo)簽類型分組看數(shù)據(jù)，就能計算出下面關(guān)鍵指標(biāo)的數(shù)值，以及通過歷史趨勢觀察其走勢是否穩(wěn)定。

• 老客戶的續(xù)訂率
• 老客戶的續(xù)訂金額
• 新客戶線索開發(fā)數(shù)量
• 新客戶線索轉(zhuǎn)化率
• 新客戶首單金額

注意，這里有些因素?zé)o法直接量化，需要做轉(zhuǎn)化。比如“行業(yè)發(fā)展趨勢好”，至少有2種方法來確認：

1、數(shù)據(jù)法：對所有企業(yè)打行業(yè)標(biāo)簽，再查該行業(yè)統(tǒng)計數(shù)據(jù)，再看我司簽約企業(yè)發(fā)展數(shù)據(jù)。

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(shù)據(jù)。

該怎么選用方法？答：既然是業(yè)務(wù)預(yù)測，就優(yōu)選業(yè)務(wù)能施加影響的方法，即人工法。因為用人工法收集數(shù)據(jù)，不但能收集客戶信息，更能收集業(yè)務(wù)動作和業(yè)務(wù)判斷能力這兩個關(guān)鍵信息。試想：如果銷售連回訪/拜訪都敷衍了事、漫不經(jīng)心，那還能有訂單嗎，肯定沒有。因此衡量業(yè)務(wù)行動力，本身也業(yè)務(wù)預(yù)測的重要組成部分。

如果在這個過程里，發(fā)現(xiàn)某些業(yè)務(wù)部門就是：
●?人員離職率高
●?人員執(zhí)行力差
●?有效拜訪次數(shù)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(yè)務(wù)能力不行，導(dǎo)致業(yè)務(wù)不好。

這一點非常重要，同學(xué)們切記，既然要基于業(yè)務(wù)行為做預(yù)測，就要把業(yè)務(wù)行為考慮到底，不要試圖摻雜一半業(yè)務(wù)考慮、摻雜一半數(shù)據(jù)自己計算，這樣又把水?dāng)嚋喠?，很難評價好壞。

第三步：輸出預(yù)測結(jié)果。有了清晰的分類，就能輸出預(yù)測結(jié)果了。輸出的方法很簡單：

• 有穩(wěn)定參數(shù)的，直接套用
• 沒有穩(wěn)定參數(shù)的，業(yè)務(wù)自己填預(yù)計參數(shù)

這樣匯總計算出結(jié)果（如下圖）

注意，業(yè)務(wù)自己填預(yù)計參數(shù)不是亂填，需要有依據(jù)。如圖所示，明顯違背發(fā)展規(guī)律的預(yù)計結(jié)果是無效的。并且這種行為本身也能成為模型的輸入：業(yè)務(wù)方能力不足，不會評估自己能力及所需資源。

這樣再給出業(yè)務(wù)預(yù)測結(jié)果的同時，也順便給出了需要保證結(jié)果的假設(shè)，比如：

• 假設(shè)1：XX行業(yè)客戶需求不受出口匯率影響
• 假設(shè)2：新線索轉(zhuǎn)化率不低于5%
• 假設(shè)3：業(yè)務(wù)執(zhí)行有效性在90%

以上這些假設(shè)，可以直接作為跟蹤階段的考察指標(biāo)，也能提前準(zhǔn)備應(yīng)對預(yù)案，這樣即使發(fā)生一些小問題能直接糾正，發(fā)生大問題也能提前感知到，節(jié)省了跟蹤和復(fù)盤的工作量。

第四步：跟蹤預(yù)測結(jié)果。

在實際發(fā)生時，可以基于預(yù)測假設(shè)，跟蹤結(jié)果。

● 當(dāng)業(yè)務(wù)走勢不好的時候，可以提前預(yù)警問題。
●?當(dāng)問題實際發(fā)生的時候，可以排查假設(shè)找到問題點。
●?對于有應(yīng)對預(yù)案的問題，可以直接啟用預(yù)案解決問題。這樣就能很好的指導(dǎo)業(yè)務(wù)行動了（如下圖）

注意，以上6種情況，只有客戶預(yù)計外問題，屬于預(yù)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(yù)知，業(yè)務(wù)部門和數(shù)據(jù)部門都要反思。真碰到黑天鵝問題，很可能是客戶內(nèi)部人士變動或者對手下了黑招，此時確實會預(yù)測失效，但和預(yù)測本身無關(guān)。這些因素?zé)o法預(yù)知，此時只能在復(fù)盤的時候，再想辦法。

二、業(yè)務(wù)預(yù)測模型，優(yōu)勢與不足

業(yè)務(wù)預(yù)測模型最大的優(yōu)勢，就是能徹底終結(jié)：“到底是預(yù)測不準(zhǔn)，導(dǎo)致業(yè)績不好；還是業(yè)績不好，導(dǎo)致預(yù)測不準(zhǔn)”這個雞生蛋、蛋生雞的問題。它明確地告訴大家：就是因為業(yè)務(wù)沒做好，所以才預(yù)測不準(zhǔn)！并且能很細致地告訴大家，是因為以下業(yè)務(wù)原因，導(dǎo)致業(yè)績不好，從而指導(dǎo)業(yè)務(wù)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(yōu)惠價格
• 重點行業(yè)開發(fā)能力差

業(yè)務(wù)預(yù)測模型最大的劣勢，在于預(yù)測依賴人的判斷。因此，預(yù)測結(jié)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(yù)測數(shù)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(yù)測數(shù)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(zhí)行，從而達不成效果。

因此業(yè)務(wù)預(yù)測和算法預(yù)測，兩者都不宜偏廢。算法模型可以基于過往發(fā)展趨勢直接給出個整體數(shù)據(jù)，所以用來輔助判斷：當(dāng)前業(yè)務(wù)方是高估/低估了局面，從而讓領(lǐng)導(dǎo)層在施展管理手段的時候有依據(jù)可用，敲打業(yè)務(wù)部門做出正確判斷。

業(yè)務(wù)預(yù)測模型適宜用在業(yè)務(wù)方能主動施展影響，改變結(jié)果的時候。但有些場景，業(yè)務(wù)方是被動接受，比如客服、售后、生產(chǎn)線等等?？蛻艉羧?，受促銷活動、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(yè)務(wù)預(yù)測模型，而是算法模型，直接估算下個月話務(wù)總量，來評估人力安排。