在数据分析和业务决策中，构建有效的业务预测模型是关键。本文将详细介绍如何将业务与算法结合，构建可靠的业务预测模型，帮助业务部门更好地理解预测结果，并指导具体的业务操作。

做预测模型，难；

做完预测，让业务知道下一步干什么，难上加难。

今天带大家看一下，如何将业务与算法结合，做出可靠的预测。

一、为什么要做业务预测模型？

上述问题，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？

二、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。

三、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
• 重点行业开发能力差

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。