在线教程

《如何用数据预测业务?》



为什么要用数据预测业务?
数据预测业务的具体使用场景?
用数据预测业务的全链路流程方法论


大家好,欢迎参加这次分享,作为数据分析正式课程的主讲老师Johnson,非常开心能和你们一起提升数据思维,做好业务决策

图片.png

在学习这门课之前,你一定听过许多关于大数据的神奇故事,比如Netflix(奈飞公司)如何用大数据打造爆款美剧《纸牌屋》,Google(谷歌公司)如何用大数据准确预测流感,拯救千万人的生命,还有美国大选如何利用数据预测结果等等……


知乎和微博上,至今还流传着“双十一”销售额是不是“掺水造假”的热闻。


因为数据大牛用前5年的销售额,提前预测2019年“双十一”的最终销售额是2581亿,跟阿里官方最终公布的销售额相差不到4%:2684亿元。一时哗然,还引发阿里高管官方出来辟谣。

你一定也希望,有朝一日,自己能用数据分析的方法,做出胜人一筹的业务决策,洞察别人无法发现的趋势和机会。

图片.png

那么回到工作里,我们有没有需要做分析和预测的场景呢?


比如:
- 年初,老板让你提前制定2020年全年的团队业绩目标
- 2020年初的疫情,到底会不会对接下来的“金三银四”求职季有所影响
- 如何判断我所在的行业到底有没有前景,要不要看看别的机会
……


你会发现,小到用户需求,大到行业发展趋势,职场里需要我们提前预测和判断的事情,可谓无处不在。如何利用数据做出科学的预测,而不是人云亦云,或者凭经验拍脑袋呢?就是这几节课程需要解决的问题。


图片.png

典型的数据预测场景 —— 需求分析

从数据预测的应用场景来分类,我认为典型的预测有三类:


第一类是需求预测,也就是判断用户需求或者市场需求的变化趋势,常常应用在市场营销、互联网产品、自媒体等领域。


典型的例子就是利用百度指数、微信指数、谷歌趋势等为代表的数据分析工具,通过搜索指数的高低和变化,预测未来同一时期的需求发展趋势。


从3,4月求职季开始,搜索频率会明显上升。年中关注职业规划的热度会逐渐下滑,直到9、10月份年底求职季再度回暖,并在春节前后断崖式下滑。


所以如果你想设计一门职业规划类的线上课程,最适合发布课程的时间就是每年求职季之前,一定要避开的就是年尾,大家都等着企业发年终奖,回家开开心心过节,职业发展和规划的需求就会大大降低。


图片.png

你还能看到关注“职业规划”的用户集中在20-29岁,他们同时还会关注休闲娱乐、教育培训、旅行阅读等领域的资讯。这些信息,不但可以帮助你预测趋势,还可以为你准确描绘用户画像,精准触达有需求的用户。


图片.png

这里只是简单举例。事实上,用来预测市场需求的关键词,一定具有周期性或者季节性。


比如在职场人群中,文娱类的需求往往会呈现出按周变化的规律,周末会大幅走高,你可以用当周数据预测未来同期的需求变化;

但像年货、体检这一类的需求,通常会呈现出按年变化的规律,在分析时你可以根据自己所在的市场和用户属性,选择不同的关键词,设置合理的预测周期进行分析。

类似的工具还有新媒体领域的微指数,电商领域的阿里指数、视频领域的中国网络视频指数、APP领域的艾瑞APP指数和App Annie等等。

这些数据平台自带海量、开放的数据库,每个人都可以自助查询,使用非常方便,除了追踪热点,也能用来做市场竞争分析等,我们在下一节里会进一步介绍。

图片.png

第二类应用在业务预测上,也就是一个产品或者一个组织的业务发展趋势。

从最常见的销售业绩、产品销量到公司营收增长,每年每家公司都会对自己的业务进行规划和预测,另外有些数据分析能力足够成熟的公司,还能够把数据用作业务的探照灯,提前预测最佳的业务决策时间。

Uber(优步)就是如此。作为一家横跨欧美亚200多个城市的年轻跨国公司,业务复杂度极高,需要高效匹配乘客和车主的需求,处理和各地出租车公司、司机工会、竞争对手、法院、政府、行业监管部门的利益和摩擦。

但Uber“带有侵略性”的扩张,从来没有停下脚步,曾经依靠“三人小分队”的开城模式,快速打开中国市场,从2014年进入中国开始,短短两年就在60多个城市扎根。Uber的成功,依靠的就是一套高效的数据管理机制。

因为各地市场差异化极高,依靠传统的管理模式复制极慢,Uber索性把总部的关注点放在管理流程和业务系统搭建上。

至于当地市场的运营,总部如果都要一一深入了解再做决策,一定会延长决策周期,降低业务灵敏度。所以索性充分授权给了当地团队。当然,这一些都依靠高度数字化的管理模式。

比如,Uber会规定,一个新用户的成本,最高不超过25美元,只要在这个预算范围内,当地团队可以自由选择采用什么样的渠道和方式去获取用户;

对于每公里定价,Uber也会设定好计算公式,只要输入当地的人均收入、出租车起步价、每公里计价等参数,就能计算出价格。

同时,Uber也会通过业务数据的反馈,不断迭代和优化自己的这套管理系统。

举个例子,Uber会每天分析区域内各个城市的自然用户注册量,一旦达到设定的数值,就会通知到业务团队进入新市场开拓市场,也就是用数据就能预测开城的决策,提前规划资源和预算,抢占市场先机。

在这节课里,我们会通过一个企业案例,讲讲如何进行业务预测。

图片.png

典型的数据预测场景 —— 趋势预测

第三是趋势预测,比如判断宏观趋势,例如对行业发展前景的预测。


在讲需求预测时,你可能注意到,其实市场需求是很容易受到突发因素的影响,比如2020年的金三银四求职季可能就会因为疫情而延迟。


营销、自媒体、电商等领域的需求分析,通常借助数据工具追踪和预测市场需求的变化,就能成为非常有力的决策武器。


但如果投资机构需要预测行业发展趋势,或者分析宏观经济走势,就需要进行精准的趋势分析。这种分析方式会需要更多的分析数据和信息,更加专业的方法论支持,分析框架和结论也会复杂很多。


这一讲,我们会聚焦在最常见的业务预测场景里。下一讲,我会重点说一说,如何用数据进行基本的行业分析,帮助你快速判断行业发展前景。


图片.png

业务预测的两种方式

年初,你所在的公司或者部门一定会做2020年全年预算,这就是一个典型的需要用数据预测业务的场景。回想一下,你或者你所在的部门是怎么做的呢?

其实大致来说,有两种可能,一种是自上而下,CEO给出一个明确的营收或者增长目标,各个业务部门再围绕公司的大目标进行评估,看看需要哪些努力和资源,才能达成这个目标;


另一种方法是自下而上,也就是各个业务部门先对自己未来一年的产出进行评估,设定目标,再汇总到公司统一审核和调整。


那么问题来了,假如你是Q公司销售部门的负责人,2019销售目标是800万,实际达成692万,达成率87%。那么在这两种情况下,分别应该怎么样制定2020年的销售目标呢?


图片.png

自上而下的业务预测


第一种场景里,公司给定了一个目标,2020年销售目标是1000万,需要你按照目标完成业务预测。


首先,我想问问你,这次业务预测的结果是什么?这里我会留给你5秒钟时间,思考一下,你给老板的答案是什么?


你可能会说,当然是通过更加客观全面的数据分析,帮助老板判断这个目标是不是可行?如果你的回答重点是围绕目标是否达成,那么基本上你已经偏离了实际工作场景里业务预测的分析方向。


事实上,在自上而下设定业绩目标的沟通场景里,公司和老板会倾向于给出他们“希望达到”,而不是业务部门觉得“可能达到”的数值。


还记得吗?2019Q公司的销售目标是800万,去年大家那么努力也没有达标,只完成了原定目标的87%,也就是692万的业绩目标。


今年能把去年的目标完成就谢天谢地了,万一做得不错可能还有小幅增长,现在居然在去年目标基础上还要再涨25%,1000万的指标根本就不可能达成。


我相信这可能是业务部门听到目标的第一反应,事实上,大多数时候,业务部门永远觉得公司给出的业务目标无法达成,就是拍脑袋瞎指挥,这几乎是目标管理上永远的矛盾。


但最后目标听谁的呢?自然是自上而下,当然是公司和老板说了算。所以,当我们做业务预测的时候,首先要记得,老板给出的大目标是一定需要达成的,我们需要预测的是预期和现状之间的差距,以及如何做才能缩小这个差距,促使目标达成。


在明确了自上而下的场景里,业务预测的结果不是回答Yes和No之后,我们来看看业务预测到底包含哪些内容和步骤。


第一步是对公司的大目标进行拆解,找到影响大目标最关键的3到4个二级指标;
第二步是对二级指标进行评估,分析二级指标能够达到什么水平;
第三步是对二级指标进行分析,看看为了达成大目标,需要投入哪些资源;
第四步是验证投入资源之后,大目标是否能够达成。
这个步骤可能需要多次循环,以确保最终让目标预测达成。


我们回到Q公司的案例,作为销售负责人,首先你可以把公司的大目标,一级级拆解,找到影响目标完成的关键指标,这种方法,也叫杜邦分析法。


经过拆解,你发现影响销售额的二级指标主要有三个,分别是客户总数、客户转化率和平均客单价;而二级指标又可以进一步拆解,形成三级甚至更多层级的指标。


注意,如果预测的指标过细,会陷入大量细节的业务数据,从数据收集、整理到分析都会耗费大量的时间,对预测结果影响不大,但层层汇总起来,统计误差却会越来越大。


所以,我们在业务预测时,通常只会关注最重要的3到4个二级指标,最多拆解到第三级指标。


图片.png

为了后续的工作,你可以对二级指标进一步拆解,发现客户数包含新客户和老客户。


新客户的平均客单价很高,但转化率很低,耗费大量销售时间,但对总营收的贡献度只有25%;而老客户虽然看起来单子小,但是胜率很高,对于总营收的贡献度达到75%。


图片.png

接下来我们就需要对二级指标进行评估,我们可以通过预测模型,比如线性回归方程,判断
二级指标的自然增长,也就是业务部门预期可以达成的数据;

图片.png

接下来,估算为了达成1000万销售目标,我们实际需要完成的业务指标数值,也就是公司希望可以达成的数据:



图片.png


现在我们能直观看到两个数值之间的差距,第三步就需要结合业务可行的方案,看看为了达成大目标,需要投入哪些资源。


第四步,也是非常重要的一步,我们需要对方案进行验证。除了方案的可行性,也要结合业务数据,看看投入对应资源之后,大目标是否能够达成;如果不能,就需要回到第三步,寻找新的可行方案,直到预测达成。

图片.png


好,我们来小结一下。在自上而下的场景里,业务预测通常不是回答目标是否能够达成,而是分析预期和现状之间的差距,评估可行方案,预知潜在风险,看看如何才能缩小差距,促使目标达成。



这样的好处是,围绕大目标,各个部门可以预先拆解目标 ,策划方案,并且评估所需资源,这样就为团队目标的制定和绩效的管理提供了基础。


在日常管理中,只要定期回顾核心指标,看看和预测值是否存在偏差,就可以及时发现问题,促进目标达成。



这也是为什么既然有了大目标,还需要进行业务预测,核心也是帮助公司提前规划资源分配,预知业务风险。


那你可能会问,万一老板制定的目标风险很高,能不能和老板谈目标?



凭多年业务预测的经验,我几乎没有看到过可谈的业务大目标,尤其是关系到公司用户数量、GMV、利润率和用户价值的核心目标,但是实现目标的路径以及资源是可以被调整的,公司也会结合业务预测的结果,追踪和调整最终的经营方案。




所以,现在你知道了,业务预测产出的结果,不是目标是否可达成,而是需要达成目标所需的资源,包括人力、物力和财力,以及指出达成目标存在的业务风险。这样才能帮助企业和组织提前规划,应对挑战,达成目标。


图片.png

自下而上的业务预测


有没有另外一种可能,就是老板没有明确的目标,让你自己预测一下2020年的销售结果,也就是让你先提预算。


这就是典型的自下而上的业务预测。


首先,有了前面的基础,你应该知道,业务预测的结果不是一个数值,哪怕这个数值比老板心里的目标还高。公司和老板需要的,是满意的业务结果,以及支持业务结果达成的可行方案,包括业务规划、所需资源和风险评估。




操作的步骤也和上面的场景类似,首先明确一级指标是否发生变化(比如从销售额增长变成了用户增量),然后找到影响大目标最关键的3到4个二级指标,对二级指标进行分析,提出并验证可行方案,评估资源投入和业务风险。


图片.png


这里主要有三点差异:


首先,在自下而上的场景里,业务预测自由发挥的空间更大,调整指标的思路和可能性也更多,所以一定要清晰定义和聚焦在二级指标上,避免陷入业务细节。可以说如何定义目标,直接决定了预测效果;


其次,在自下而上的场景里,业务经验对于结果的影响可能会更大,所以对于二级指标的预测,尽量依赖公司内部的历史数据、市场上相似公司的实操数据、以及预测模型来判断,控制个人经验对于结果的影响;


最后,通过自下而上的方式得到的业务预测结果,一定会汇总到公司层面统一讨论和调整,再重新下发到业务部门。所以后续可能会需要结合自上而下的方式,调整业务预测结果,向公司的大目标看齐。


小结


现在你知道了,无论是自上而下,还是自下而上。本质上,业务预测就是缩小公司发展目标和业务实现能力之间的差距。


无论作为专业的数据分析人员,还是业务部门的操盘手,都需要理解,没有完美的工具和模型,可以脱离业务解决实际问题;也没有绝对的权威,可以脱离数据做出正确的决策。


网景(Netscape)公司前任CEO Jim Barksdale的话,就可以概括这种平衡:


“如果我们有数据, 就让数据来发声。如果我们仅仅是意见不一,那就得听我的。”


好,学完这节课的你已经掌握了业务预测的基本方法,可以通过指标拆解、评估、分析和验证四个步骤对公司或者部门的业务进行更加准确和全面的预测,为全年业务目标的实现打下扎实的基础。

用数据思维武装头脑、洞察商业,做一个万事心中“有数”的思维高手。