文章来源于接地气学堂 ，作者接地气的陈老师

很多同学最怕听“建模型”仨字。尤其是建立“业务分析模型”。往往自己辛辛苦苦搞得LR、SVM、CNN被业务方狂喷：你这都是啥东西！脱离业务！不切实际！所以到底什么是“业务分析模型”，又改怎么建？我们今天系统讲解一下

1

一、业务分析模型是什么

首先，一个正儿八经的分析模型得包含三个条件：

有合理的逻辑有明确的目标有数据的支持

所以，首先得把SWOT，PEST，4P之流的垃圾扫出“模型”队伍。因为这些玩意有逻辑、有目标，但很难用数据进行论证。不信你看那些什么SWOT，PEST的报告，四个框框里都没几个数字，即使有数字也很难论证：到底90后比80后减少5000万会对我们业绩产生几百万影响。无法量化计算的，不算分析模型。它们只是拿来美化ppt的。

业务分析模型的重点，在“业务”两个字。得让业务参与得进来，看得懂，能应用的，才叫业务分析模型。显然，我们不能指望产品经理、销售、运营、售后、物流的人去学《机器学习》《数学建模》《统计学》《python编程》所以数据分析师们经常打交道的算法模型就不要在这里用了——业务看不懂，参与不进来，问题解决不了，当然会喷没有用。

有的同学会疑惑：可我的领导只会提“建个模型”，说不出是业务模型还是算法模型，我怎么区别呢？有个最简单的原则是：非技术出身的领导，90%以上讲的是业务模型（剩下10%是他在朋友圈看了个协同过滤、神经网络之类的名字，然后临时起意想搞一下）。当然，想更准确判断，你可以仔细问：

是有监督问题还是无监督问题用什么算法你有心选没有需不需要业务参与进来判断我用对业务而言纯黑箱的做法行不行

既然要聚焦业务，自然下一步得详细了解：

到底针对哪个业务部门？业务流程是什么样子？有哪些数据采集？当前问题状态如何？

有了这些，我们可以具体讨论，该如何建模。

2

二、现状描述模型

当单个指标不能全面描述现状的时候，就得一系列指标有逻辑地呈现，以全面描述现状、发现问题，这是所谓：现状描述模型。业务常见逻辑有2种：串联式、并联式。串联式模型用于描述一个前后分n个阶段的流程，需要完成一步再到下一步。从流程起点开始，到终点结束；并联式模型描述一个任务分开同时由各个线独立完成。从总目标开始，到执行任务的最小单位结束（如下图）。

因此梳理业务流程的时候，需要关注业务上下游部门、兄弟部门是如何协同的，从而构建出来。实际业务流程，可能既有串联，又有并联，比如我们常说的杜邦分析法，就是如此（如下图）：

现状描述型模型的最大作用是：清晰责任，暴露问题。因为一般各个子部门，上下游部门各有自己的KPI，因此监控进度、复盘成果的时候，哪个环节掉链子一清二楚。所以在销售管理、运营管理中用的特别多。但注意：现状=/=问题，现状+标准=问题。因此只有标准单一且明确的时候才能直接看出问题来。如果标准本身很复杂，则需要更进一步的手段。

3 三、问题分类模型

如果判断一个指标好坏的标准只有一个，比如成本、利润，这时候是不需要模型的。大家都知道成本越低越好，利润越高越好，业务完全可以直接给判断标准。如果判断业务好坏需要2个标准，且这两个标准相关度低，这时候可以用矩阵模型来进行分类。常见的重要紧急矩阵，波士顿矩阵，质量/数量矩阵，都是这个原理（如下图）。

如果判断标准增加到3个以上，判断标准相互交叉情况太多太多，再用肉眼观察就很难判断谁好谁坏，这时候可以用DEA方法或者AHP来判断，相比之纯机器学习方法，DEA方法含义更简单直接，AHP方法有专家参与，都更容易被业务接受。

4

四、工作计划模型

在给定业务限制条件的情况下，经常出现最优化问题。比如给定了各个部门工时成本，求一个最优任务分配。这时候就是工作计划模型。最常见的就是解线性规划，在工作调配的时候用的非常多（如下图）。

五、 未来预测模型

所有预测的基本假设，都是：未来发生的规律和过去一样，过去的场景会在未来重现。所以业务做预测的时候，常常会假设一些业务参数是固定的，然后推测未来情况。常见的做法，比如：

1、假设生命周期走势是不变的，推测未来情况

2、假设转化率/留存率是不变的，推测未来情况

3、假设投入产出比是不变的，推测未来情况

在一些发展稳定的行业里，这些假设常常很准。但注意，有三种情况下假设可能失效。

1、新业务、新场景导致无历史数据可参照。

2、突发且情况不明，导致所有转化率都异常。

3、业务运作出现明显问题，已无法按正常走势反推。

这时候要么更换预测方法，要么做足预案，提前准备后路。单纯指望预测100准，不论是业务模型还是算法模型，都会出问题。

六、 什么时候用算法模型

看完以上，有同学会好奇：看起来业务模型能做很多事啊，那什么时候用算法模型呢？注意：算法模型本身的强项，就不是解决经营问题。算法模型的强项是图像识别、语义识别、复杂场景下动态规划。这些才是算法该发挥用处的地方。

就拿推荐算法举例：

1、商品有固定的搭配，比如治疗感冒就是VC+银翘，这叫：固定业务逻辑，这时候是不需要算法来推荐的，直接按业务逻辑走就好了。

2、商品无固定搭配，但业务方想推。比如保健品利润高，无论如何业务方都想推保健品，这叫：强业务关联。这时候也不需要算法来推荐，而是业务方得创造话术、广告、卖点、销售技巧，千方百计的去洗脑，特别是针对大爷大妈洗脑。

3、商品无固定搭配，且业务方无明确目标。比如天猫淘宝抖音这种，SKU数以亿计，这时候业务逻辑完全理不清，就可以上推荐算法，而且推荐算法目标常常是GMV最大，用户活跃时长最长一类。

类似的，找算法模型的应用场景。得主动回避开固定业务逻辑、强业务关联——找那些业务不知道、不清楚情况、无力加以控制的场景。比如：

1、全新业务上线，谁都说不准，没经验参考

2、预测整体走势，不考虑细节，先看基本面

3、业务无计可施，怎么做响应率就是上不去

4、考虑变量太多，用肉眼人手难以分类清楚

这时候可以大胆让业务逻辑退居二线，尝试用算法解决问题。可以名正言顺的跟业务说：这就是个黑箱。我们观察结果就好了——反正他们也没更好的办法，如果能做出成绩来，就是大功一件。

当然，以上和我们今天的话题没关系。大家先学会如何在业务参与的情况下工作。如果有兴趣看算法模型在商业问题上如何发挥作用，本篇集齐60在看，我们下一篇分享。敬请期待哦。