“到底怎麼預測才準？”是資料領域終極難題。太多文章，在介紹預測方法本身，而具體到實際中：
1、可以用的資料非常少。
2、預測出來領導不滿意，讓再改改。
3、實際情況差距大，領導還是不滿意！
到底怎麼辦？！今天一篇文章講清楚，還沒有關注陳老師的同學，記得先關注點贊，文章較長，可以回頭慢慢看，但理解了思路，能避免後續很多坑。
01 預測演算法的本質
從本質上看，預測演算法只有2大類：
1、基於時間序列的。
-
平滑：用於相對平穩的資料。
-
自迴歸：用於趨勢性遞增、遞減的資料。
-
帶季節因素自迴歸：用於有周期性波動的資料。
基於時間序列的預測，最大優勢在於：不需要很多資料（如下圖）只需要一個指標（比如收入/使用者數/訂貨數量）即可。根據該指標的時間走勢，選擇對應的模型，詳見：資料分析十大模型之六：預測模型
2、基於因果關係的
-
二分類問題：未來會/不會發生XX，典型如LR。
-
多分類問題：未來是ABC哪個情況，典型如決策樹。
-
連續型問題：未來的數值是多少，典型如線性迴歸。
因果關係類模型，對於有投入產出的情況更管用，更能體現：“一分錢一分貨”的關係。不過現實中， 影響產出因素很多，往往很難收集到足夠多資料，實操的預測誤差可能比時間序列還大（如下圖）。
這是兩種基礎思路，在實操中，還要解決更多問題。
02 現實中難點
現實中，缺少資料是頭號問題，很多時候，領導就是扔給你一個excel表+幾個數字，讓你預測……巧婦難為無米之炊，很多時候，時間序列法是唯一選擇，因為就一個指標+十幾個數，沒得選……
現實中第二大麻煩，是怎麼衡量預測準確度。
比如預測銷量是1000萬：
-
業務做到900萬，會說：預測得一點都不準，搞得貨積壓了
-
業務做到1100萬，會說：預測得一點都不準，還是我厲害
總之，只要你不是100%精準，業務都有理由賴到你頭上。甚至可以反覆橫跳。比如：“本來業務能達標的，看到預測說能達標，我們就省點投入，結果不達標了，都怪預測干擾了業務判斷……”
因此，在實際工作中，不能孤零零隻談模型，要和業務動作結合起來，綜合提升效果。
03 用業務手段，提升準確度
所有的網際網路營銷模式，從小米到天貓到拼多多，都在用業務手段，對抗預測的不足，比如：
場景1：“貨物本身不耐儲藏，多進貨的話庫存損失率會很高，但銷售數量又很少，資料確實很多”——用團購，成團了才採購
場景2：“銷售資料很少，少到無法計算價格彈性，業務方又想預測價格彈性，多賺錢”——用拍賣，少量使用者競價，獲得更高價格
場景3：“新品是全新款，沒有資料，咋預測？”——做新品預售/粉絲憑碼購買，測試使用者群體規模
場景4：“大促期間備貨量難預測？拿捏不準使用者有多少需求？”——讓使用者先付10元定金，定金膨脹3倍，提前鎖定訂單
凡是有業務手段可以用的，優先上業務手段，人家大廠都沒能力100%精準預測，小廠就更別逞能了
04 用基礎分析縮小預測範圍
在實際工作中，大部分業務場景不需要100%精確度，業務本身就有波動。，業務怕的是突然暴增/暴跌的場景。預測目標與其設定為：“100%精準”，不如設定為：“是否暴增/暴跌超過業務消化能力”。
預測100%精準基本無解，但是發現哪裡可能暴漲/暴跌是很容易的。透過基礎分析，把不穩定因素區分出來，能大大縮減預測問題的難度（如下圖）。
做好基礎分析，拆分不穩定因素以後，也更方便挑選模型組合，解決問題（如下圖）。
05 用滾動式預測代替長期預測
預測時間週期越長，自然偏差越打。用滾動預測能很大程度彌補這個缺點。透過日/周滾動預測，既能補充資料缺失，又能反映業務方臨時調整帶來的效果，一舉兩得（如下圖）。
06 用買定離手模式保護自己
一個好問題+滾動預測，基本上能滿足實際工作需求。但作為做預測的人，得學會保護自己，避免業務方反覆橫條，瞎胡甩鍋。
買定離手法是很好辦法。預測結果給出以後，買定離手，所有相關業務方不再質疑預測結果，而是基於預測結果做疊加。
誰覺得預測少了，誰自己寫請示申請額外貨物，並且留下書面證據。到時候是預測得不準，還是業務自己申請多了所以賣不動，看得一清二楚（如下圖）。
07 再深層地看預測問題
從本質上看，如果業務發展可控，自然沒人需要賭命：
1、瞭解業務規律，把握常規走勢
2、透過基礎分析，找到波動來源
3、採取業務手段，規避波動風險
這樣的組合拳，比盲目賭命管用的多
來源 | 接地氣的陳老師（ID：gh_abf29df6ada8）
作者 | 接地氣的陳老師 ; 編輯 | 蝦餃
內容僅代表作者獨立觀點，不代表早讀課立場
