這是我見過最好用的【業務預測模型】

1 評論 1037 瀏覽 2 收藏 12 分鐘

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戰閑魚,享受超低折扣與代購便利。從咖啡代下單到停車優惠,閑魚已成為他們日常消費的省錢秘籍。然而,這片看似繁榮的市場背后,卻也暗藏灰色地帶與監管難題。閑魚能否穩坐釣魚臺,接住這‘潑天富貴’,引人關注。

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?。簾o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?

一、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。

二、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
  • 重點行業開發能力差

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?,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。

本文由人人都是產品經理作者【接地氣的陳老師】,微信公眾號:【接地氣的陳老師】,原創/授權 發布于人人都是產品經理,未經許可,禁止轉載。

題圖來自Unsplash,基于 CC0 協議。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 文章講的很清晰,對預測也能大概有個了解了。

    來自廣東 回復