接到老闆的預測任務該怎麼做？直接扔模型？不，你應該考慮業務問題，分情況進行分析。
臨近年底，企業都要做2020年預算，這個任務往往和數據預測業績指標有關，於是很多同學留言想看：2020指標預測該怎麼做？今天它來了。
一、指標預測的錯誤做法
在來年的指標預測上，一直以來有兩種觀點：
投降論：我說了又沒用！問老闆！您老說是幾就是幾。速勝論：我有人工智慧阿爾法大狗子模型，一模一個準。兩種做法都有問題。
投降論往往會引起老闆不滿：「你是做數據的，我都說了要你幹什麼！！！」
而速勝論開頭死於數據太少，手頭翻來覆去也就GMV、PV、UV、轉化率、客單價幾個數，預測模型沒準頭。
結尾死於業務口水：「你考慮業務情況了嗎？你一天業務都沒做過瞎嗶嗶啥！！」
本質上，投降論和速勝論是兩個極端。一個極端自暴自棄，完全沒有發揮數據該有的作用；一個極端自高自大，自以為有一堆代碼就天下無敵，忽視了業務的參與。
想要解決好這個問題，既要懂得預測方法，又要懂得如何做年度預測這個工作，雙管齊下才能解決問題。
二、指標預測的基本方法
預測常用的方法有三種：業務推演法（拍腦袋法）、時間序列法、因果關係模型。
三種方法的操作流程、適用範圍不太一樣。因為本篇不是專門討論算法的，所以先歸納如下，有興趣的話我們單獨分享。
注意：一提預測，往往大家都本能聯想到算法模型。可算法模型有個天生的短板：業務參與太少。
業務參與太少，結果就很難被認可。本質上，業績不是算出來的，而是產品、銷售、運營、供應鏈努力做出來的，誰掉鏈子都會讓業績出重大問題。
所以，單純指望一個模型搞定，往往會被業務用各種細節問題打趴下。想破局，就得首先理解：業務做年度預測的目的是什麼，這樣才能看如何讓他們參與進來。
三、結合目標做預測
年度預測，與其說是預測真實值，倒不如說是幫老闆圓夢。老闆們往往傾向於給出「我想達到」的業績值，而不是「可能達到」的業績值。
這也就是為啥老闆們一邊讓數據去做預測，一邊自己默默在心中拍一個數字的原因。一方面，他有自己想達到的目的；另一方面，他也想知道自然狀態能去到多少。
所以，遇到預測問題，第一時間不要急著搞模型，也不要「老闆想什麼就是什麼」。而是先搞清一個關鍵問題：老闆是否已經有了明確目標，無目標和有目標，有兩種完全不同的處理方式。
四、無目標下的預測
比如老闆說：預測一下明年的業績指標，然後沒有任何指示。或者乾脆說一句：你先預測預測看看。
這就是典型的無目標預測，很有可能是老闆自己還沒想法，想先看幾個數據找找感覺。這時候數據分析師自由發揮的空間很大，但要注意幾個原則：
原則一：預粗不預細
當我們用杜邦分析法拆解的時候，可以把一個核心指標拆解成一堆二級三級指標（如下圖所示）。
原則上，要預測的指標越少越好，越宏觀越好，最好是只預測GMV、銷售額這種一級宏觀指標。拆得越細，越折騰人，而且匯總起來誤差非常大（還不如直接拍腦袋呢）。
原則二：儘量上模型
因為預粗不預細，所以儘量用模型解決戰鬥。如果不用模型，而是用推演法，就會涉及大量業務假設，反而把預測拖進無窮無盡的細節，最後因為某些細節業務上無法達成一致，吵架吵到預測流產。
所以，儘量一個模型搞定。當別人問「預測數據怎麼來的時候」，就回答「假設條件不變情況下，基於過往趨勢預測」。
原則三：結果帶條件
回答中「假設條件不變情況下」這句話特別重要，一定要講。因為所有的模型，都是基於「過去的規律未來會重現」的基本邏輯進行預測的。
如果業務看了預測，「哦，原來能做這麼多呀」就放鬆了工作，那什麼業績都沒有了！我們至少要假設：業務不掉鏈子。
相應的，千萬不要說什麼：「這是人工智慧預測結果」。一般這麼說的，都會被業務噴得一臉「人工智慧能賣多少貨！」。
基於以上原則，一般預測總量用時間序列法比較多。
一來，它需要的數據非常少，只要1個指標就夠了（當然需要這個指標較長時間的記錄）；二來，常見的業績走勢，比如生命周期型走勢，自然周期型走勢，它都能模擬形態；三來，短期內業務很難巨變，所以模擬趨勢往往是離當前時間越近就越準。
所以，在數據、時間有限的情況下，優選此方法（如下圖所示）。用因果模型，往往很難湊齊各種影響變量，特別對於數據建設滯後的企業，很難用。
這裡的預測結果，都只是個中間過程。
一般給了預測值以後，老闆會有想法，進而提出「我們的GMV/銷售額目標定到1500億」一類。這時候，問題就從無目標變成了有目標，還需要進一步深入分析。而不是讓你跟老闆大吵一架，大喊：人工智慧比你牛逼！你憑什麼不認！！
五、有目標下的預測方法
比如，領導給定：
按較今年同比30%增長去預測；按明年銷售額1億去預測；按DAU5000萬去預測。這就是給定目標下預測。
注意：領導給你目標，不是讓你去挑戰他的。希望你能夠幫他補齊相關資料，提示潛在風險。
因此，在做預測的時候，就不是傻乎乎建個模型然後對老闆說：這個目標太高了/太低了。
需要認真補充以下內容：
在此目標下，其他二三級指標會去到什麼水平；在此目標下，需要多大資源投入；在此目標下，較自然增長提升多少。在這種情況下，一般自然增長用預測模型（同無目標時的做法），而二三級指標和資源投入，則用業務推演法更合適。
圍繞老闆給出的大目標，各個部門看自己需要做到多少努力，能達成這個目標。把整體目標拆解到各個部門，清晰各部門的KPI。這樣明年各部門的報表就有了參照值，能很容易跟蹤指標走勢，發現問題（如下圖）。
同時，在拆解任務的時候，各部門可以基於自己對工作的理解，提出拆解假設。這樣能提前思考有哪些困難，早做準備。
同時，作為數據分析師，在收集拆解假設的時候，可以利用數據驗證假設是否成立，這樣也能體現數據分析的作用（如下圖所示）。
業務部門一般會本能地抱怨：目標定太高了。
注意：產出和投入掛鈎，高目標從來都不是問題，高目標且不給錢才是大問題。
作為數據分析，要做投入產出分析，判斷業務是真做不來還是假哭喪。想說服老闆「這個投入不可能達成目標」，是可以的，前提是做足功課（如下圖）。
通過一系列的分析，既能細化老闆提出的目標，又能提示風險，還尊重了業務意見，基本可以交差了。不想投降，不能速勝，還是得打持久戰才行。
六、小結
做年度預測，本質上是在平衡領導期望與業務實現能力，這是個和人打交道的過程。所以才需要考慮領導期望、業務行為、過往經驗，而不是簡單丟一個模型完事。
作為數據分析師一定要理解：追求完美的模型那是大學教授幹的事，我們的目標是為管理提供工具，解決實際問題，模型也好，拍腦袋也好，都是必要的工具。
剛學會用錘子的小徒弟，都是看啥都想夯一榔頭；只有爐火純青的大師傅，才是需要用啥用啥。
請注意，本文的方法僅僅是年度預測這個場景。預測這個問題，換個場景，思路可能完全不一樣。
雖然這些場景看起來，一級目標都是「預測銷量儘可能精準」；可在不同場景下，二級目標完全不同，催生出的思路也不同了。
甚至可以說：如何定義目標，直接決定了預測效果。
十年資歷的數據分析師，擁有多個行業的CRM經驗。
本文由 @接地氣的陳老師 原創發布於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議