业务预测模型,该怎么搭建?

开发 架构
一般团队士气高涨的时候,给出来的预测数值偏大,给出的纠错能力评估也偏大;团队士气低落的时候,给出来的预测数值偏小,纠错能力压根就不存在。过于偏激的判断,会影响模型的落地执行,从而达不成效果。

做预测模型难,做可解释的预测模型,更难!

很多同学做预测的时候,会用时间序列的平滑和自回归,可出了结果就被领导问道:

预测达标,所以呢?业务啥都不干就达标了?

预测不达标所以呢?业务谁该发力?资源哪里出?

同学们经常被问得一头雾水,不知道咋回答。

这个问题,是预测方法选择不佳导致的。算法模型类预测,无论算法的简单或复杂,都有一个通病:无法反应业务过程。导致业务方想基于预测调整业务行为的时候,不知道从哪里下手。

在这种情况下,就需要构建业务预测模型。今天,我们就系统讲解一下。首先看个具体问题场景——

某toB类原料供应企业,下游需求方包括

  • 大型客户,且签订框架合同,循环采购
  • 大型客户,无框架合同,每月分批采购
  • 中小型客户,无固定合同,有需求就采购
  • 每个月新开发客户(以中小型客户居多)
  • 每个月有主动开发的客户/被动上门的客户

现在业务方需要预测下个月客户采购量,并且希望指导到大客户销售/中小客户销售/新客户广告投放等部门的具体工作。问:该如何预测?

1.业务预测模型,该怎么做?

业务预测模型,即把业务假设作为输入变量,预测业务走势的方法。这和算法模型不同,算法模型的输入特征,常常是没有业务含义的,因此无法指导具体业务操作,业务预测正是为弥补这个缺憾而设计。 比如本场景中,客户需求的最大影响因素,是客户本身的生产计划/我司与客户关系这两个维度。

但这两个维度很难拿到准确数据,如果是中小型客户,很有可能根本就没有生产和采购计划,他们自己就是风雨飘摇,有单子就做。如果是没有签框架合同的大型客户,每一期采购都得重新走招标流程,很有可能被其他供应商半路截胡。因此如果想直接从两个方面进行预测,是很难下手的。

此时要做的工作,分为三个部分:

第一:梳理业务流程,找可监控的数据指标

第二:梳理业务特点,区分稳定/不稳定因素

第三:梳理业务假设,输出预测结果第四:跟踪预测结果,纠正过程问题

第一步:梳理业务场景。

在本案例场景中,业务流程相对简单清晰,就是客户一手交钱,我司一手交货。但是不同类型客户的订单金额不同,交货难度不同因此可以分开考虑(如下图所示)

第二步:梳理业务特点。

这一步是关键,通过对各条线业务特点的梳理,能找到其中每个时间周期内稳定因素/不稳定因素,稳定部分是预测的依据,不稳定部分是控制预测结果的手段。

在本案例场景中,就采购需求而言:

  • 签框架的大客户≥未签框架的大客户≥中小客户
  • 发展趋势好的行业≥发展一般的行业≥发展差的行业
  • 老客户≥老客户转介绍的新客户≥主动开发的新客户≥被动上门的新客户

因此,先把客户打上相应标签,再按不同标签类型分组看数据,就能计算出下面关键指标的数值,以及通过历史趋势观察其走势是否稳定。

  • 老客户的续订率
  •  老客户的续订金额
  • 新客户线索开发数量
  • 新客户线索转化率
  • 新客户首单金额

注意,这里有些因素无法直接量化,需要做转化。比如“行业发展趋势好”,至少有2种方法来确认:

1)数据法:对所有企业打行业标签,再查该行业统计数据,再看我司签约企业发展数据。2)人工法:所有销售,定期回访新客户/拜访老客户,拜访时间必须大于5分钟,且回收数据。

该怎么选用方法?答:既然是业务预测,就优选业务能施加影响的方法,即人工法。因为用人工法收集数据,不但能收集客户信息,更能收集业务动作和业务判断能力这两个关键信息。试想:如果销售连回访/拜访都敷衍了事、漫不经心,那还能有订单吗,肯定没有。因此衡量业务行动力,本身也业务预测的重要组成部分。

如果在这个过程里,发现某些业务部门就是:

  • 人员离职率高
  • 人员执行力差
  • 有效拜访次数少
  • 拜访和客户瞎聊一通
  • 反馈的判断十次错九次

那问题就很明显了:业务能力不行,导致业务不好。

这一点非常重要,同学们切记,既然要基于业务行为做预测,就要把业务行为考虑到底,不要试图掺杂一半业务考虑、掺杂一半数据自己计算,这样又把水搅浑了,很难评价好坏。

第三步:输出预测结果。

有了清晰的分类,就能输出预测结果了。输出的方法很简单:

  • 有稳定参数的,直接套用
  • 没有稳定参数的,业务自己填预计参数

这样汇总计算出结果(如下图)

注意,业务自己填预计参数不是乱填,需要有依据。如图所示,明显违背发展规律的预计结果是无效的。并且这种行为本身也能成为模型的输入:业务方能力不足,不会评估自己能力及所需资源。

这样再给出业务预测结果的同时,也顺便给出了需要保证结果的假设,比如:

  • 假设1:XX行业客户需求不受出口汇率影响
  • 假设2:新线索转化率不低于5%
  • 假设3:业务执行有效性在90%以上

这些假设,可以直接作为跟踪阶段的考察指标,也能提前准备应对预案,这样即使发生一些小问题能直接纠正,发生大问题也能提前感知到,节省了跟踪和复盘的工作量。

第四步:跟踪预测结果。

在实际发生时,可以基于预测假设,跟踪结果。

  • 当业务走势不好的时候,可以提前预警问题。
  • 当问题实际发生的时候,可以排查假设找到问题点。
  • 对于有应对预案的问题,可以直接启用预案解决问题。

这样就能很好的指导业务行动了(如下图)

注意,以上6种情况,只有客户预计外问题,属于预测失灵。为什么大客户打压价格这么重要的信息,居然没有提前预知,业务部门和数据部门都要反思。真碰到黑天鹅问题,很可能是客户内部人士变动或者对手下了黑招,此时确实会预测失效,但和预测本身无关。这些因素无法预知,此时只能在复盘的时候,再想办法。

2.业务预测模型,优势与不足

业务预测模型最大的优势,就是能彻底终结:“到底是预测不准,导致业绩不好;还是业绩不好,导致预测不准”这个鸡生蛋、蛋生鸡的问题。它明确地告诉大家:就是因为业务没做好,所以才预测不准!并且能很细致地告诉大家,是因为以下业务原因,导致业绩不好,从而指导业务开展。

  • 新客户线索跟进不到位
  • 老客户拜访不到位
  • 老客户没有申请优惠价格
  • 点行业开发能力差

业务预测模型最大的劣势,在于预测依赖人的判断。因此,预测结果特别受团队士气的影响。

一般团队士气高涨的时候,给出来的预测数值偏大,给出的纠错能力评估也偏大;团队士气低落的时候,给出来的预测数值偏小,纠错能力压根就不存在。过于偏激的判断,会影响模型的落地执行,从而达不成效果。

因此业务预测和算法预测,两者都不宜偏废。算法模型可以基于过往发展趋势直接给出个整体数据,所以用来辅助判断:当前业务方是高估/低估了局面,从而让领导层在施展管理手段的时候有依据可用,敲打业务部门做出正确判断。

业务预测模型适宜用在业务方能主动施展影响,改变结果的时候。但有些场景,业务方是被动接受,比如客服、售后、生产线等等。客户呼入,受促销活动、新品上市、广告宣传等诸多影响,偏偏这些影响一个都不是客服能控制的。此时就不适宜使用业务预测模型,而是算法模型,直接估算下个月话务总量,来评估人力安排。

责任编辑:武晓燕 来源: 接地气学堂
相关推荐

2021-09-26 11:32:39

模型数据分析

2023-11-27 12:24:23

算法模型业务模型

2023-08-02 13:07:00

数据归因模型

2021-08-06 11:35:34

数据预警模型

2023-08-30 11:41:17

活动效果评估体系注册

2022-12-22 09:58:20

管理数字

2023-05-15 12:56:32

运营数据分析

2022-07-29 11:30:33

数据监控体系

2021-06-28 15:00:06

DRF模型序列化

2018-06-07 22:10:42

阿里云ET农业大脑

2019-11-12 11:02:53

CIOIT经理IT

2012-08-02 15:24:29

Deep Thunde天气预测

2018-02-25 19:02:45

Python机器学习算法

2015-09-15 09:50:02

CIO ITaaSIT即服务

2023-05-26 00:43:08

2023-02-07 13:27:00

运营策略分析

2021-10-18 11:27:07

运营分析体系

2022-02-17 13:18:58

定价模型营销AHP

2023-07-05 13:58:10

权限模型设计模式
点赞
收藏

51CTO技术栈公众号