来源：接地气的陈老师

你有没有试过，很用心做了一份分析报告，自己来回看了三五遍，觉得挺满意的，各个维度分析齐全，数据展示完整。屁颠屁颠交给领导之后，本以为还能得到一句认可，结果领导说：“这个分析不够有前瞻性啊，不要说那些大家都知道的事”。

可到底什么是前瞻性？明明有对未来情况进行预测，可还是被批判为：没啥前瞻性。真不知道咋办了。——今天系统解答一下。

先看看一个简单的例子如下，看图回答问题：6月GMV是多少？？？

有多少同学是脱口而出：400 的??!!

常见的问题，就从这里开始。

没有前瞻性的分析，长这样

▌错误一：复读机型。

看到上图数据，写出来的是：

● 月均GMV 720

● 最大值1000

● 最小值500

● 中间值700

这肯定没有任何前瞻性哈。这根本就是把图表又用文字复读了一遍，只要业务方不是瞎子，能看到数字，都会觉得这没啥意义。

▌错误二：惯性思维。

还是上图数据，你认为6月GMV是多少？

有多少同学是脱口而出：400

这就是典型的惯性思维。其实只有一年的数据完全不说明问题，但是人们就是会很惯性的认为：过去跌的就一定跌，过去涨的就一定涨，特别出现这种5432顺序排列的数据，惯性的就会认为下个数字是1……其实这正是数据分析要打倒的大敌。因为如果我们引入过往年份数据，很有可能曲线长这样：

这时候还有谁说6月是400的……很有可能1-5月的只是正常的业绩波动而已。所以单纯用惯性思维判断，完全没有体现数据分析的价值，做的结论还极有可能是错误的。

▌错误三：习以为常。

还是上图数据，很多同学看了三年趋势，然后脱口而出：因为过去6月份会涨，所以今年6月份也会涨……

这种说法，很有可能被业务评价为：我早知道了！你分析了啥！

因为历史规律，特别是这种宏观迹象这么明显的规律，是个人只要不瞎都看得到，说出来当然没啥意思。况且，谁说去年涨，今年就一定涨？万一今年涨得少，甚至跌了呢？仅凭一根线又怎么判断呢？

真正的前瞻性，是定性预测

本质上，所谓的前瞻性，是需要我们做一个定性预测。虽然没有精确的数据或模型，但是能通过分析，判断未来走势（相对应的，建数据模型详细计算的是定量预测）。

做预测的关键，是找到影响未来的因素。这些影响因素，才是支撑指标曲线的真正支柱。支柱倒了，指标自然下跌；支柱稳固，指标自然高企。所以，想做好预测，不能只对着数据本身就数论数，而是得找到数据背后的原因。

比如上图中6月，11月大涨，可能有几个原因：

● 行业因素：行业本身就是夏季、冬季前有一波高峰（比如旅游相关机票、酒店、住宿，赶在寒暑假前大量预定）

● 促销因素：618，双11是主战场，要拼命做大GMV

● 产品因素：这个行业每年6,11月上新品

● 其他因素……

在做预测之前，我们要先了解业务，掌握影响因素。根据影响因素的可辨识程度，大致可分成三类，我们一类一类来看：

▌第一类：宏观事件型

宏观事件往往备受关注，媒体会大量报道，因此辨识度很高。但相应地，辨识度越高的东西，讲出来价值就越低，大家早知道了嘛。因此在做定性预测的时候，提及宏观事件，是个必选项。提了，不一定被认可。不提，一定被视作“你都不懂业务”“这么明显都看不到！”

有些坏习惯会影响做数据的同学关注到宏观事件。比如很多做数据分析的同学只看数据类文章，公众号只关注《数据分析XX》《数据挖掘XX》《python XX》反而每天沉迷在数字和代码里，对行业发生了什么看都看不到很容易被批了。

需注意，之所以是定性预测，因为很多宏观因素的影响可能无法预测。循环出现的，可以看过往的历史规律（比如节假日影响、行业周期性波动）但是个案出现的，就很难去预测。比如突然出台新政策，禁掉了某些业务，出现了疫情等，这种就无法预测效果，只能去研究政策细节，看看到底影响面有多大，做个预警。

▌第二类：投入产出型

投入产出型事件，往往是：大家都知道有影响，但具体影响多少不清楚。这时能体现一定的数据价值。有前瞻性数据支持，可以方便业务安排活动，也能准备相关人力物力资源（比如做促销，商品、客服、服务器流量，有可能都要准备）。这种前瞻性是非常有帮助的。

计算投入产出的常用方式有三种（如下图）

需注意的是，很多同学一提“活动效果预测”，就急匆匆想建模型或者做抽样，用第二、第三种方法。

在现实中，只有封闭了信息渠道的营销活动才适合这么干（而且需要余留较多时间准备数据）。很多促销活动，比如双十一大促、周年庆大促，因为宣传规模太大，会产生滚雪球效应。用看似精准的方法预测的反而会偏小、失真。

比如新产品上市，可能在上市前完全保密，也没法做太精细的分组测试。所以做定性预测的时候，第一种方法用得更多。

投入产出型事件分析还有个用途，就是前瞻性指出问题。我们都知道，业务部门干事情不见得是为了效益最大化，很有可能有政治任务——

比如：

● 老板要大力转型新零售，所以非得强迫客人微信下单

● 我们的KPI是抓老用户，所以效果不好也得强行做

● 部门费用不够了，但活动还得做，所以券全部面额减半

这时候，如果有过往分析经验指出以下问题，就是有前瞻性的：

● 微信下单就是垃圾，影响销售

● 老用户响应率就2%，咋做都是死

● 面额减半，响应率不是减半而是减3/4

前瞻性指出问题，就能提醒业务部门注意风险。也不要在事后纠结：“到底是什么原因做的不好呢？”——我们已经早早提醒过了哈。只不过，这种前瞻性虽然有价值，但不一定受业务欢迎（还有可能吃板砖）。大家在实操中见机行事，量力而行。

▌第三类：内部结构型

再深层次地看这个问题，就是：所谓的自然增长率，根本是不存在的。在数据上看，可能指标“自然”就会涨，可在业务上看，所有的增长，都是在XX条件下的增长（如下图）：

除了宏观环境外，产品，促销，用户基础，用户分层这些，就是预测需要的XX参数。参数的情况直接决定了业绩的走向。所以当内部影响因素发生结构性变化的时候，自然业绩会发生变化。

只是很多内部结构性变化是慢性的、持续的、微观的，所以难以观察。这就需要深度分析，不止关注整体趋势，更关注构成整体的各个因素的结构。

内部结构型问题很难前瞻，难在：到底是个案还是趋势，很难在一次分析中观察到。比如我们总是说：渠道下沉，新生代需求变迁，兴趣转移等等概念，可真具体到某一月某一日的数据上，你真把特定群体抽出来看，反而数据上差异不大。

有时候自以为观察到一个变化，可持续看几天，丫又消失了……短期内，永远是宏观事件&投入产出型影响占主导。所以想要观察到一个内部结构变迁的影响，需要长时间观察。

看完三种类型，大家会发现，领导们想看的，都是第三类问题。是滴，通过细致的分析，看到深层次问题，讲出来没人知道的惊天秘密，听起来多厉害。

可实际上没那么理想。业绩指标的波动，从来都是多种因素综合作用的结果。并非每次变化都一定有深层次的原因，有可能就是自然波动、某个产品/活动做烂了、没钱还装逼，道理就这么简单。能区分出来关键因素，提示问题才是重要的。

所以，数据分析的价值，不是神神叨叨地讲没人知道的秘密。

● 了解业务，区分事件

● 能量化的，量化预测

● 不能量化，评估范围

● 做好监控，提示问题

以上。都能做到了，就是最好的前瞻性。

当然，有同学会问：有定性的预测，那有定量的预测吗？当然有，而且有不止一种做法，不止一种算法。