來源：接地氣的陳老師
你有沒有試過，很用心做了一份分析報告，自己來回看了三五遍，覺得挺滿意的，各個次元分析齊全，資料展示完整。屁颠屁颠交給上司之後，本以為還能得到一句認可，結果上司說：“這個分析不夠有前瞻性啊，不要說那些大家都知道的事”。
可到底什麼是前瞻性？明明有對未來情況進行預測，可還是被批判為：沒啥前瞻性。真不知道咋辦了。——今天系統解答一下。
問題場景
先看看一個簡單的例子如下，看圖回答問題：6月GMV是多少？？？
有多少同學是脫口而出：400 的??!!
常見的問題，就從這裡開始。
1 沒有前瞻性的分析，長這樣
錯誤一：複讀機型。
看到上圖資料，寫出來的是：
● 月均GMV 720
● 最大值1000
● 最小值500
● 中間值700
這肯定沒有任何前瞻性哈。這根本就是把圖表又用文字複讀了一遍，隻要業務方不是瞎子，能看到數字，都會覺得這沒啥意義。
錯誤二：慣性思維。
還是上圖資料，你認為6月GMV是多少？
有多少同學是脫口而出：400
這就是典型的慣性思維。其實隻有一年的資料完全不說明問題，但是人們就是會很慣性的認為：過去跌的就一定跌，過去漲的就一定漲，特别出現這種5432順序排列的資料，慣性的就會認為下個數字是1……其實這正是資料分析要打倒的大敵。因為如果我們引入過往年份資料，很有可能曲線長這樣：
這時候還有誰說6月是400的……很有可能1-5月的隻是正常的業績波動而已。是以單純用慣性思維判斷，完全沒有展現資料分析的價值，做的結論還極有可能是錯誤的。
錯誤三：習以為常。
還是上圖資料，很多同學看了三年趨勢，然後脫口而出：因為過去6月份會漲，是以今年6月份也會漲……
這種說法，很有可能被業務評價為：我早知道了！你分析了啥！
因為曆史規律，特别是這種宏觀迹象這麼明顯的規律，是個人隻要不瞎都看得到，說出來當然沒啥意思。況且，誰說去年漲，今年就一定漲？萬一今年漲得少，甚至跌了呢？僅憑一根線又怎麼判斷呢？
2 真正的前瞻性，是定性預測
本質上，所謂的前瞻性，是需要我們做一個定性預測。雖然沒有精确的資料或模型，但是能通過分析，判斷未來走勢（相對應的，建資料模型詳細計算的是定量預測）。
做預測的關鍵，是找到影響未來的因素。這些影響因素，才是支撐名額曲線的真正支柱。支柱倒了，名額自然下跌；支柱穩固，名額自然高企。是以，想做好預測，不能隻對着資料本身就數論數，而是得找到資料背後的原因。
比如上圖中6月，11月大漲，可能有幾個原因：
● 行業因素：行業本身就是夏季、冬季前有一波高峰（比如旅遊相關機票、酒店、住宿，趕在寒暑假前大量預定）
● 促銷因素：618，雙11是主戰場，要拼命做大GMV
● 産品因素：這個行業每年6,11月上新品
● 其他因素……
在做預測之前，我們要先了解業務，掌握影響因素。根據影響因素的可辨識程度，大緻可分成三類，我們一類一類來看：
第一類：宏觀事件型
宏觀事件往往備受關注，媒體會大量報道，是以辨識度很高。但相應地，辨識度越高的東西，講出來價值就越低，大家早知道了嘛。是以在做定性預測的時候，提及宏觀事件，是個必選項。提了，不一定被認可。不提，一定被視作“你都不懂業務”“這麼明顯都看不到！”
有些壞習慣會影響做資料的同學關注到宏觀事件。比如很多做資料分析的同學隻看資料類文章，公衆号隻關注《資料分析XX》《資料挖掘XX》《python XX》反而每天沉迷在數字和代碼裡，對行業發生了什麼看都看不到很容易被批了。
需注意，之是以是定性預測，因為很多宏觀因素的影響可能無法預測。循環出現的，可以看過往的曆史規律（比如節假日影響、行業周期性波動）但是個案出現的，就很難去預測。比如突然出台新政策，禁掉了某些業務，出現了疫情等，這種就無法預測效果，隻能去研究政策細節，看看到底影響面有多大，做個預警。
第二類：投入産出型
投入産出型事件，往往是：大家都知道有影響，但具體影響多少不清楚。這時能展現一定的資料價值。有前瞻性資料支援，可以友善業務安排活動，也能準備相關人力物力資源（比如做促銷，商品、客服、伺服器流量，有可能都要準備）。這種前瞻性是非常有幫助的。
計算投入産出的常用方式有三種（如下圖）
需注意的是，很多同學一提“活動效果預測”，就急匆匆想模組化型或者做抽樣，用第二、第三種方法。
在現實中，隻有封閉了資訊管道的營銷活動才适合這麼幹（而且需要餘留較多時間準備資料）。很多促銷活動，比如雙十一大促、周年慶大促，因為宣傳規模太大，會産生滾雪球效應。用看似精準的方法預測的反而會偏小、失真。
比如新産品上市，可能在上市前完全保密，也沒法做太精細的分組測試。是以做定性預測的時候，第一種方法用得更多。
投入産出型事件分析還有個用途，就是前瞻性指出問題。我們都知道，業務部門幹事情不見得是為了效益最大化，很有可能有政治任務——
比如：
● 老闆要大力轉型新零售，是以非得強迫客人微信下單
● 我們的KPI是抓老使用者，是以效果不好也得強行做
● 部門費用不夠了，但活動還得做，是以券全部面額減半
這時候，如果有過往分析經驗指出以下問題，就是有前瞻性的：
● 微信下單就是垃圾，影響銷售
● 老使用者響應率就2%，咋做都是死
● 面額減半，響應率不是減半而是減3/4
前瞻性指出問題，就能提醒業務部門注意風險。也不要在事後糾結：“到底是什麼原因做的不好呢？”——我們已經早早提醒過了哈。隻不過，這種前瞻性雖然有價值，但不一定受業務歡迎（還有可能吃闆磚）。大家在實操中見機行事，量力而行。
第三類：内部結構型
再深層次地看這個問題，就是：所謂的自然增長率，根本是不存在的。在資料上看，可能名額“自然”就會漲，可在業務上看，所有的增長，都是在XX條件下的增長（如下圖）：
關于自然增長率，可以戳：資料分析終極一問：自然增長率，到底怎麼算！
除了宏觀環境外，産品，促銷，使用者基礎，使用者分層這些，就是預測需要的XX參數。參數的情況直接決定了業績的走向。是以當内部影響因素發生結構性變化的時候，自然業績會發生變化。
隻是很多内部結構性變化是慢性的、持續的、微觀的，是以難以觀察。這就需要深度分析，不止關注整體趨勢，更關注構成整體的各個因素的結構。
内部結構型問題很難前瞻，難在：到底是個案還是趨勢，很難在一次分析中觀察到。比如我們總是說：管道下沉，新生代需求變遷，興趣轉移等等概念，可真具體到某一月某一日的資料上，你真把特定群體抽出來看，反而資料上差異不大。
有時候自以為觀察到一個變化，可持續看幾天，丫又消失了……短期内，永遠是宏觀事件&投入産出型影響占主導。是以想要觀察到一個内部結構變遷的影響，需要長時間觀察。
3 小結
看完三種類型，大家會發現，上司們想看的，都是第三類問題。是滴，通過細緻的分析，看到深層次問題，講出來沒人知道的驚天秘密，聽起來多厲害。
可實際上沒那麼理想。業績名額的波動，從來都是多種因素綜合作用的結果。并非每次變化都一定有深層次的原因，有可能就是自然波動、某個産品/活動做爛了、沒錢還裝逼，道理就這麼簡單。能區分出來關鍵因素，提示問題才是重要的。
是以，資料分析的價值，不是神神叨叨地講沒人知道的秘密。
● 了解業務，區分事件
● 能量化的，量化預測
● 不能量化，評估範圍
● 做好監控，提示問題
以上。都能做到了，就是最好的前瞻性。
當然，有同學會問：有定性的預測，那有定量的預測嗎？當然有，而且有不止一種做法，不止一種算法。