数据分析，怎么做才能有前瞻性？
有同学问：领导总让做“有前瞻性”的分析，不要说那些“大家都知道的事”。
可到底什么是前瞻性？
有时候明明写了预计未来情况，可还是被批判为：没啥前瞻性，真不知道咋办了。
先看看一个简单的例子如下，看图回答问题：6月的GMV是多少？
有多少同学是脱口而出“400”？
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GMV720
最大值1000
最小值500
中间值700
这肯定没有任何前瞻性，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月的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地认为：过去跌的就一定跌，过去涨的就一定涨。特别是出现这种5432顺序排列的数据，惯性得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。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？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？万一今年涨的少，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<；/li>
- 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。但相应的，辨识度越高的东西，讲出来价值就越低。
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，反而每天沉迷在数字和代码里，对行业发生了什么都不知道。这样一来，当然很容易被批了。
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。
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，第一种方法用的更多。
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：
- 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“到底是什么原因做得不好”。
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
再深层次的看这个问题，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。
小结
看完三种类型，大家会发现，领导们想看的，都是第三类问题。
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，也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；有兴趣的话，后续再继续分享。