業(yè)務(wù)預(yù)測模型，該怎么搭建？

做預(yù)測模型難，做可解釋的預(yù)測模型，更難！

 

很多同學(xué)做預(yù)測的時(shí)候，會(huì)用時(shí)間序列的平滑和自回歸，可出了結(jié)果就被領(lǐng)導(dǎo)問道：

預(yù)測達(dá)標(biāo)，所以呢？業(yè)務(wù)啥都不干就達(dá)標(biāo)了？

預(yù)測不達(dá)標(biāo)所以呢？業(yè)務(wù)誰該發(fā)力？資源哪里出？

同學(xué)們經(jīng)常被問得一頭霧水，不知道咋回答。

 

這個(gè)問題，是預(yù)測方法選擇不佳導(dǎo)致的。算法模型類預(yù)測，無論算法的簡單或復(fù)雜，都有一個(gè)通病：無法反應(yīng)業(yè)務(wù)過程。導(dǎo)致業(yè)務(wù)方想基于預(yù)測調(diào)整業(yè)務(wù)行為的時(shí)候，不知道從哪里下手。

在這種情況下，就需要構(gòu)建業(yè)務(wù)預(yù)測模型。今天，我們就系統(tǒng)講解一下。首先看個(gè)具體問題場景——

 

某toB類原料供應(yīng)企業(yè)，下游需求方包括：

● 大型客戶，且簽訂框架合同，循環(huán)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(gè)月新開發(fā)客戶（以中小型客戶居多）

● 每個(gè)月有主動(dòng)開發(fā)的客戶/被動(dòng)上門的客戶

現(xiàn)在業(yè)務(wù)方需要預(yù)測下個(gè)月客戶采購量，并且希望指導(dǎo)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(yù)測？

  1   

業(yè)務(wù)預(yù)測模型，該怎么做?

業(yè)務(wù)預(yù)測模型，即把業(yè)務(wù)假設(shè)作為輸入變量，預(yù)測業(yè)務(wù)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(yè)務(wù)含義的，因此無法指導(dǎo)具體業(yè)務(wù)操作，業(yè)務(wù)預(yù)測正是為彌補(bǔ)這個(gè)缺憾而設(shè)計(jì)。

 

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(chǎn)計(jì)劃/我司與客戶關(guān)系這兩個(gè)維度。

但這兩個(gè)維度很難拿到準(zhǔn)確數(shù)據(jù)，如果是中小型客戶，很有可能根本就沒有生產(chǎn)和采購計(jì)劃，他們自己就是風(fēng)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(biāo)流程，很有可能被其他供應(yīng)商半路截胡。因此如果想直接從兩個(gè)方面進(jìn)行預(yù)測，是很難下手的。

 

此時(shí)要做的工作，分為三個(gè)部分：

第一：梳理業(yè)務(wù)流程，找可監(jiān)控的數(shù)據(jù)指標(biāo)

第二：梳理業(yè)務(wù)特點(diǎn)，區(qū)分穩(wěn)定/不穩(wěn)定因素

第三：梳理業(yè)務(wù)假設(shè)，輸出預(yù)測結(jié)果

第四：跟蹤預(yù)測結(jié)果，糾正過程問題

▌第一步：梳理業(yè)務(wù)場景。

在本案例場景中，業(yè)務(wù)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(yè)務(wù)特點(diǎn)。

 

這一步是關(guān)鍵，通過對各條線業(yè)務(wù)特點(diǎn)的梳理，能找到其中每個(gè)時(shí)間周期內(nèi)穩(wěn)定因素/不穩(wěn)定因素，穩(wěn)定部分是預(yù)測的依據(jù)，不穩(wěn)定部分是控制預(yù)測結(jié)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(fā)展趨勢好的行業(yè)≥發(fā)展一般的行業(yè)≥發(fā)展差的行業(yè)

● 老客戶≥老客戶轉(zhuǎn)介紹的新客戶≥主動(dòng)開發(fā)的新客戶≥被動(dòng)上門的新客戶

 

因此，先把客戶打上相應(yīng)標(biāo)簽，再按不同標(biāo)簽類型分組看數(shù)據(jù)，就能計(jì)算出下面關(guān)鍵指標(biāo)的數(shù)值，以及通過歷史趨勢觀察其走勢是否穩(wěn)定。

 

● 老客戶的續(xù)訂率

● 老客戶的續(xù)訂金額

● 新客戶線索開發(fā)數(shù)量

● 新客戶線索轉(zhuǎn)化率

● 新客戶首單金額

 

注意，這里有些因素?zé)o法直接量化，需要做轉(zhuǎn)化。比如“行業(yè)發(fā)展趨勢好”，至少有2種方法來確認(rèn)：

1、數(shù)據(jù)法：對所有企業(yè)打行業(yè)標(biāo)簽，再查該行業(yè)統(tǒng)計(jì)數(shù)據(jù)，再看我司簽約企業(yè)發(fā)展數(shù)據(jù)。

2、人工法：所有銷售，定期回訪新客戶/拜訪老客戶，拜訪時(shí)間必須大于5分鐘，且回收數(shù)據(jù)。

  

該怎么選用方法？答：既然是業(yè)務(wù)預(yù)測，就優(yōu)選業(yè)務(wù)能施加影響的方法，即人工法。因?yàn)橛萌斯しㄊ占瘮?shù)據(jù)，不但能收集客戶信息，更能收集業(yè)務(wù)動(dòng)作和業(yè)務(wù)判斷能力這兩個(gè)關(guān)鍵信息。試想：如果銷售連回訪/拜訪都敷衍了事、漫不經(jīng)心，那還能有訂單嗎，肯定沒有。因此衡量業(yè)務(wù)行動(dòng)力，本身也業(yè)務(wù)預(yù)測的重要組成部分。

 

如果在這個(gè)過程里，發(fā)現(xiàn)某些業(yè)務(wù)部門就是：

● 人員離職率高

● 人員執(zhí)行力差

● 有效拜訪次數(shù)少

● 拜訪和客戶瞎聊一通

● 反饋的判斷十次錯(cuò)九次

那問題就很明顯了：業(yè)務(wù)能力不行，導(dǎo)致業(yè)務(wù)不好。

 

這一點(diǎn)非常重要，同學(xué)們切記，既然要基于業(yè)務(wù)行為做預(yù)測，就要把業(yè)務(wù)行為考慮到底，不要試圖摻雜一半業(yè)務(wù)考慮、摻雜一半數(shù)據(jù)自己計(jì)算，這樣又把水?dāng)嚋喠耍茈y評價(jià)好壞。

▌第三步：輸出預(yù)測結(jié)果。

有了清晰的分類，就能輸出預(yù)測結(jié)果了。輸出的方法很簡單：

 

● 有穩(wěn)定參數(shù)的，直接套用

● 沒有穩(wěn)定參數(shù)的，業(yè)務(wù)自己填預(yù)計(jì)參數(shù)

這樣匯總計(jì)算出結(jié)果（如下圖）

 

注意，業(yè)務(wù)自己填預(yù)計(jì)參數(shù)不是亂填，需要有依據(jù)。如圖所示，明顯違背發(fā)展規(guī)律的預(yù)計(jì)結(jié)果是無效的。并且這種行為本身也能成為模型的輸入：業(yè)務(wù)方能力不足，不會(huì)評估自己能力及所需資源。

 

這樣再給出業(yè)務(wù)預(yù)測結(jié)果的同時(shí)，也順便給出了需要保證結(jié)果的假設(shè)，比如：

● 假設(shè)1：XX行業(yè)客戶需求不受出口匯率影響

● 假設(shè)2：新線索轉(zhuǎn)化率不低于5%

● 假設(shè)3：業(yè)務(wù)執(zhí)行有效性在90%以上

這些假設(shè)，可以直接作為跟蹤階段的考察指標(biāo)，也能提前準(zhǔn)備應(yīng)對預(yù)案，這樣即使發(fā)生一些小問題能直接糾正，發(fā)生大問題也能提前感知到，節(jié)省了跟蹤和復(fù)盤的工作量。

▌第四步：跟蹤預(yù)測結(jié)果。

在實(shí)際發(fā)生時(shí)，可以基于預(yù)測假設(shè)，跟蹤結(jié)果。

 

● 當(dāng)業(yè)務(wù)走勢不好的時(shí)候，可以提前預(yù)警問題。

● 當(dāng)問題實(shí)際發(fā)生的時(shí)候，可以排查假設(shè)找到問題點(diǎn)。

● 對于有應(yīng)對預(yù)案的問題，可以直接啟用預(yù)案解決問題。

這樣就能很好的指導(dǎo)業(yè)務(wù)行動(dòng)了（如下圖）

  

注意，以上6種情況，只有客戶預(yù)計(jì)外問題，屬于預(yù)測失靈。為什么大客戶打壓價(jià)格這么重要的信息，居然沒有提前預(yù)知，業(yè)務(wù)部門和數(shù)據(jù)部門都要反思。真碰到黑天鵝問題，很可能是客戶內(nèi)部人士變動(dòng)或者對手下了黑招，此時(shí)確實(shí)會(huì)預(yù)測失效，但和預(yù)測本身無關(guān)。這些因素?zé)o法預(yù)知，此時(shí)只能在復(fù)盤的時(shí)候，再想辦法。

  2   

業(yè)務(wù)預(yù)測模型，優(yōu)勢與不足

業(yè)務(wù)預(yù)測模型最大的優(yōu)勢，就是能徹底終結(jié)：“到底是預(yù)測不準(zhǔn)，導(dǎo)致業(yè)績不好；還是業(yè)績不好，導(dǎo)致預(yù)測不準(zhǔn)”這個(gè)雞生蛋、蛋生雞的問題。它明確地告訴大家：就是因?yàn)闃I(yè)務(wù)沒做好，所以才預(yù)測不準(zhǔn)！并且能很細(xì)致地告訴大家，是因?yàn)橐韵?span style="letter-spacing: 0.5px;">業(yè)務(wù)原因，導(dǎo)致業(yè)績不好，從而指導(dǎo)業(yè)務(wù)開展。

 

● 新客戶線索跟進(jìn)不到位

● 老客戶拜訪不到位

● 老客戶沒有申請優(yōu)惠價(jià)格

● 重點(diǎn)行業(yè)開發(fā)能力差

業(yè)務(wù)預(yù)測模型最大的劣勢，在于預(yù)測依賴人的判斷。因此，預(yù)測結(jié)果特別受團(tuán)隊(duì)士氣的影響。

一般團(tuán)隊(duì)士氣高漲的時(shí)候，給出來的預(yù)測數(shù)值偏大，給出的糾錯(cuò)能力評估也偏大；團(tuán)隊(duì)士氣低落的時(shí)候，給出來的預(yù)測數(shù)值偏小，糾錯(cuò)能力壓根就不存在。過于偏激的判斷，會(huì)影響模型的落地執(zhí)行，從而達(dá)不成效果。

 

因此業(yè)務(wù)預(yù)測和算法預(yù)測，兩者都不宜偏廢。算法模型可以基于過往發(fā)展趨勢直接給出個(gè)整體數(shù)據(jù)，所以用來輔助判斷：當(dāng)前業(yè)務(wù)方是高估/低估了局面，從而讓領(lǐng)導(dǎo)層在施展管理手段的時(shí)候有依據(jù)可用，敲打業(yè)務(wù)部門做出正確判斷。

 

業(yè)務(wù)預(yù)測模型適宜用在業(yè)務(wù)方能主動(dòng)施展影響，改變結(jié)果的時(shí)候。但有些場景，業(yè)務(wù)方是被動(dòng)接受，比如客服、售后、生產(chǎn)線等等。客戶呼入，受促銷活動(dòng)、新品上市、廣告宣傳等諸多影響，偏偏這些影響一個(gè)都不是客服能控制的。此時(shí)就不適宜使用業(yè)務(wù)預(yù)測模型，而是算法模型，直接估算下個(gè)月話務(wù)總量，來評估人力安排。如果對此話題感興趣的話，本篇集齊60個(gè)在看，下一篇我們來分享一個(gè)基于算法模型預(yù)測業(yè)務(wù)量的例子，敬請期待哦。

更多精彩原創(chuàng)：

● 當(dāng)我大呼：“西安美女真多呀！”以后……

● 用戶行為分析，就該這么做！

● 從0開始建立數(shù)據(jù)指標(biāo)體系

你面對的業(yè)務(wù)情況，好像能套進(jìn)上文中的例子，好像又不能？怎么辦？別著急，一篇文章解決不了全部問題，學(xué)習(xí)陳老師本人的視頻課程《業(yè)務(wù)知識(shí)一站通》，可以加入學(xué)員群，和陳老師一對一討論，讓陳老師成為你的軍師，具體助你分析。

《業(yè)務(wù)知識(shí)一站通》

長按掃描二維碼
了解陳老師的視頻課程

還可加入學(xué)員群

享受陳老師一對一咨詢服務(wù)

點(diǎn)擊左下角“閱讀原文”聽陳老師講課噢