文章來源： 接地氣學堂

作者：接地氣的陳老師

很多同學最怕聽“建模型”仨字。尤其是建立“業(yè)務分析模型”。往往自己辛辛苦苦搞得LR、SVM、CNN被業(yè)務方狂噴：你這都是啥東西！脫離業(yè)務！不切實際！所以到底什么是“業(yè)務分析模型”，又改怎么建？我們今天系統(tǒng)講解一下

 1 

業(yè)務分析模型是什么

首先，一個正兒八經的分析模型得包含三個條件：

1. 有合理的邏輯
2. 有明確的目標
3. 有數(shù)據(jù)的支持

所以，首先得把SWOT，PEST，4P之流的垃圾掃出“模型”隊伍。因為這些玩意有邏輯、有目標，但很難用數(shù)據(jù)進行論證。不信你看那些什么SWOT，PEST的報告，四個框框里都沒幾個數(shù)字，即使有數(shù)字也很難論證：到底90后比80后減少5000萬會對我們業(yè)績產生幾百萬影響。無法量化計算的，不算分析模型。它們只是拿來美化ppt的。

業(yè)務分析模型的重點，在“業(yè)務”兩個字。得讓業(yè)務參與得進來，看得懂，能應用的，才叫業(yè)務分析模型。顯然，我們不能指望產品經理、銷售、運營、售后、物流的人去學《機器學習》《數(shù)學建模》《統(tǒng)計學》《python編程》所以數(shù)據(jù)分析師們經常打交道的算法模型就不要在這里用了——業(yè)務看不懂，參與不進來，問題解決不了，當然會噴沒有用。

有的同學會疑惑：可我的領導只會提“建個模型”，說不出是業(yè)務模型還是算法模型，我怎么區(qū)別呢？有個最簡單的原則是：非技術出身的領導，90%以上講的是業(yè)務模型（剩下10%是他在朋友圈看了個協(xié)同過濾、神經網絡之類的名字，然后臨時起意想搞一下）。當然，想更準確判斷，你可以仔細問：

• 是有監(jiān)督問題還是無監(jiān)督問題
• 用什么算法你有心選沒有
• 需不需要業(yè)務參與進來判斷
• 我用對業(yè)務而言純黑箱的做法行不行

既然要聚焦業(yè)務，自然下一步得詳細了解：

1. 到底針對哪個業(yè)務部門？
2. 業(yè)務流程是什么樣子？
3. 有哪些數(shù)據(jù)采集？
4. 當前問題狀態(tài)如何？

有了這些，我們可以具體討論，該如何建模。

 2 

現(xiàn)狀描述模型

當單個指標不能全面描述現(xiàn)狀的時候，就得一系列指標有邏輯地呈現(xiàn)，以全面描述現(xiàn)狀、發(fā)現(xiàn)問題，這是所謂：現(xiàn)狀描述模型。業(yè)務常見邏輯有2種：串聯(lián)式、并聯(lián)式。串聯(lián)式模型用于描述一個前后分n個階段的流程，需要完成一步再到下一步。從流程起點開始，到終點結束；并聯(lián)式模型描述一個任務分開同時由各個線獨立完成。從總目標開始，到執(zhí)行任務的最小單位結束（如下圖）。

因此梳理業(yè)務流程的時候，需要關注業(yè)務上下游部門、兄弟部門是如何協(xié)同的，從而構建出來。實際業(yè)務流程，可能既有串聯(lián)，又有并聯(lián)，比如我們常說的杜邦分析法，就是如此（如下圖）：

現(xiàn)狀描述型模型的最大作用是：清晰責任，暴露問題。因為一般各個子部門，上下游部門各有自己的KPI，因此監(jiān)控進度、復盤成果的時候，哪個環(huán)節(jié)掉鏈子一清二楚。所以在銷售管理、運營管理中用的特別多。但注意：現(xiàn)狀=/=問題，現(xiàn)狀+標準=問題。因此只有標準單一且明確的時候才能直接看出問題來。如果標準本身很復雜，則需要更進一步的手段。

 3 

問題分類模型

如果判斷一個指標好壞的標準只有一個，比如成本、利潤，這時候是不需要模型的。大家都知道成本越低越好，利潤越高越好，業(yè)務完全可以直接給判斷標準。如果判斷業(yè)務好壞需要2個標準，且這兩個標準相關度低，這時候可以用矩陣模型來進行分類。常見的重要緊急矩陣，波士頓矩陣，質量/數(shù)量矩陣，都是這個原理（如下圖）。

如果判斷標準增加到3個以上，判斷標準相互交叉情況太多太多，再用肉眼觀察就很難判斷誰好誰壞，這時候可以用DEA方法或者AHP來判斷，相比之純機器學習方法，DEA方法含義更簡單直接，AHP方法有專家參與，都更容易被業(yè)務接受。

 4 

工作計劃模型

在給定業(yè)務限制條件的情況下，經常出現(xiàn)最優(yōu)化問題。比如給定了各個部門工時成本，求一個最優(yōu)任務分配。這時候就是工作計劃模型。最常見的就是解線性規(guī)劃，在工作調配的時候用的非常多（如下圖）。

 5 

未來預測模型

所有預測的基本假設，都是：未來發(fā)生的規(guī)律和過去一樣，過去的場景會在未來重現(xiàn)。所以業(yè)務做預測的時候，常常會假設一些業(yè)務參數(shù)是固定的，然后推測未來情況。常見的做法，比如：

1、假設生命周期走勢是不變的，推測未來情況

2、假設轉化率/留存率是不變的，推測未來情況

3、假設投入產出比是不變的，推測未來情況

在一些發(fā)展穩(wěn)定的行業(yè)里，這些假設常常很準。但注意，有三種情況下假設可能失效。

1、新業(yè)務、新場景導致無歷史數(shù)據(jù)可參照。

2、突發(fā)且情況不明，導致所有轉化率都異常。

3、業(yè)務運作出現(xiàn)明顯問題，已無法按正常走勢反推。

這時候要么更換預測方法，要么做足預案，提前準備后路。單純指望預測100準，不論是業(yè)務模型還是算法模型，都會出問題。

 6 

什么時候用算法模型

看完以上，有同學會好奇：看起來業(yè)務模型能做很多事啊，那什么時候用算法模型呢？注意：算法模型本身的強項，就不是解決經營問題。算法模型的強項是圖像識別、語義識別、復雜場景下動態(tài)規(guī)劃。這些才是算法該發(fā)揮用處的地方。

就拿推薦算法舉例：

1、商品有固定的搭配，比如治療感冒就是VC+銀翹，這叫：固定業(yè)務邏輯，這時候是不需要算法來推薦的，直接按業(yè)務邏輯走就好了。

2、商品無固定搭配，但業(yè)務方想推。比如保健品利潤高，無論如何業(yè)務方都想推保健品，這叫：強業(yè)務關聯(lián)。這時候也不需要算法來推薦，而是業(yè)務方得創(chuàng)造話術、廣告、賣點、銷售技巧，千方百計的去洗腦，特別是針對大爺大媽洗腦。

3、商品無固定搭配，且業(yè)務方無明確目標。比如天貓?zhí)詫毝兑暨@種，SKU數(shù)以億計，這時候業(yè)務邏輯完全理不清，就可以上推薦算法，而且推薦算法目標常常是GMV最大，用戶活躍時長最長一類。

類似的，找算法模型的應用場景。得主動回避開固定業(yè)務邏輯、強業(yè)務關聯(lián)——找那些業(yè)務不知道、不清楚情況、無力加以控制的場景。比如：

1、全新業(yè)務上線，誰都說不準，沒經驗參考

2、預測整體走勢，不考慮細節(jié)，先看基本面

3、業(yè)務無計可施，怎么做響應率就是上不去

4、考慮變量太多，用肉眼人手難以分類清楚

這時候可以大膽讓業(yè)務邏輯退居二線，嘗試用算法解決問題?？梢悦皂樀母鷺I(yè)務說：這就是個黑箱。我們觀察結果就好了——反正他們也沒更好的辦法，如果能做出成績來，就是大功一件。