Đây là mô hình dự đoán chính xác nhất mà tôi từng thấy.

1. Bản chất của thuật toán dự đoán

Về cơ bản, chỉ có hai loại thuật toán dự đoán:

1. Dựa trên chuỗi thời gian

• Làm mịn: cho dữ liệu tương đối ổn định
• Tự hồi quy: được sử dụng cho dữ liệu có xu hướng tăng hoặc giảm
• Tự hồi quy với các yếu tố theo mùa: được sử dụng cho dữ liệu có biến động theo chu kỳ

2. Dựa trên quan hệ nhân quả

• Vấn đề hai loại: Liệu XX có xảy ra trong tương lai không? Một ví dụ điển hình là LR.
• Vấn đề phân loại đa dạng: Tương lai sẽ như thế nào? A, B hay C? Một ví dụ điển hình là cây quyết định.
• Các vấn đề liên tục: Giá trị tương lai là gì? Các ví dụ điển hình bao gồm hồi quy tuyến tính.

Khi lập mô hình, có thể không sử dụng một mô hình để giải quyết mọi vấn đề mà sử dụng mô hình hai giai đoạn. Ví dụ, để dự đoán mức tiêu thụ của một nhóm khách hàng, bạn có thể sử dụng mô hình phân loại nhị phân để dự đoán liệu họ có tiêu thụ hay không, sau đó sử dụng mô hình liên tục để dự đoán lượng tiêu thụ. Theo cách này, tổng mức tiêu thụ có thể được tính bằng cách nhân số người dùng sẽ tiêu thụ với lượng tiêu thụ dự đoán. Đây là cách tiếp cận điển hình.

Đây là điều mà sách dạy, nhưng tại sao điều đó lại bị bác bỏ khi đối mặt với thực tế?

2. Các điểm chính của thuật toán dự đoán

Bởi vì: Để làm nổi bật hiệu ứng của mô hình, cuốn sách đã cố ý lựa chọn các tập dữ liệu có chất lượng tốt và dữ liệu đầy đủ.

Trên thực tế, rắc rối thì vô tận:

1. Không có dữ liệu

Thông thường, dữ liệu cần dự đoán chỉ là một dòng "tổng mức tiêu thụ hàng tháng", không có dữ liệu nào khác...

2. Vẫn không có dữ liệu

Nhiều công ty không thể lấy dữ liệu trực tiếp từ Tmall, Douyin và Amazon và chỉ có thể sử dụng một ít dữ liệu được xuất từ ​​phần phụ trợ để thử nghiệm...

3. Không có dữ liệu

Hầu hết các công ty không phải là công ty độc quyền như Touteng’a và chỉ có dữ liệu rất phiến diện. Thông thường, hầu hết các công ty thu hút người dùng bằng cách trả tiền. Người dùng chỉ có số điện thoại di động và lệnh giảm giá...

Điều này dẫn đến một tình huống buồn cười: khi nhiều công ty sử dụng mô hình nhân quả, biến có tác động lớn nhất phải là cường độ khuyến mãi. Ngay cả khi chúng ta sử dụng phương pháp hồi quy từng bước để xây dựng mô hình, biến cường độ khuyến mại vẫn có thể loại bỏ trực tiếp tất cả các biến khác. Kết quả dự đoán sẽ là: chương trình khuyến mãi càng mạnh thì càng có nhiều người dùng tham gia và mua nhiều hơn.

Một khi kết quả như thế này được đưa ra, doanh nghiệp chắc chắn sẽ bình luận: "Tất cả đều là nhảm nhí, tôi đã biết từ lâu rồi!"

Đây là vấn đề lớn thứ hai trong thực tế: làm thế nào để đo lường kết quả kinh doanh.

Ví dụ, khối lượng bán hàng dự kiến ​​là 10 triệu

• Khi doanh nghiệp đạt đến con số 9 triệu, họ sẽ nói: Dự báo không chính xác chút nào, dẫn đến tình trạng tồn đọng hàng hóa.
• Khi doanh nghiệp đạt 11 triệu, tôi sẽ nói: Dự đoán không chính xác chút nào, tôi vẫn là người giỏi nhất

Tóm lại, chỉ cần bạn không chính xác 100% thì anh ta sẽ có lý do để đổ lỗi cho bạn. Bạn thậm chí có thể nhảy ngang nhiều lần. Ví dụ: "Doanh nghiệp có thể đạt được mục tiêu. Khi chúng tôi thấy dự báo cho biết là có thể, chúng tôi đã tiết kiệm được một khoản tiền. Nhưng cuối cùng, doanh nghiệp không đạt được mục tiêu. Tất cả là do dự báo đã ảnh hưởng đến phán đoán kinh doanh..."

Làm thế nào để phá vỡ bế tắc? Vì vấn đề phát sinh từ con người nên con người phải giải quyết nó. Chìa khóa để giải quyết vấn đề là tránh những dự đoán mang tính cờ bạc và loại bỏ ảnh hưởng của con người khỏi góc nhìn của các kịch bản kinh doanh.

3. Tránh sai sót trong dự báo thông qua hoạt động kinh doanh

Trong một số trường hợp, vấn đề có thể được loại bỏ trực tiếp thông qua hoạt động kinh doanh. Lúc này, chỉ cần sử dụng phương pháp kinh doanh trực tiếp mà không cần mô hình hóa.

Ví dụ:

• Tình huống 1: "Dữ liệu bán hàng rất nhỏ và phân tán. Làm sao để dự đoán doanh số? Vì bản thân hàng hóa không bền khi lưu kho, nếu bạn mua quá nhiều, tỷ lệ thất thoát hàng tồn kho sẽ rất cao" - hãy sử dụng mua theo nhóm! Mua theo nhóm chính là giải pháp cho vấn đề này.
• Tình huống 2: “Có rất ít dữ liệu bán hàng, ít đến mức không thể tính được độ co giãn giá, nhưng phía doanh nghiệp muốn dự đoán độ co giãn giá và kiếm nhiều tiền hơn” - hãy sử dụng đấu giá! Đó chính là mục đích của đấu giá.
• Tình huống 3: "Sản phẩm mới là một mô hình hoàn toàn mới, không có dữ liệu, làm sao để dự đoán?" - Thực hiện bán trước sản phẩm mới/khách hàng mua sản phẩm bằng mã QR. Đó chính là tác dụng của tiếp thị gây đói.
• Tình huống 4: "Làm thế nào để dự đoán lượng hàng tồn kho trong thời gian khuyến mãi? Tôi không chắc nhu cầu từ người dùng là bao nhiêu?" - Gửi tiền 10 tệ, gấp 3 lần phiếu gửi tiền, thế là xong

Hầu như tất cả các mô hình tiếp thị Internet, từ Xiaomi đến Tmall đến Pinduoduo, đều đang phải vật lộn với vấn đề tồn kho do dữ liệu không đủ. Vì vậy, đừng chỉ tập trung vào mô hình của người khác mà hãy học hỏi từ cách hoạt động của họ.

4. Sử dụng phân tích cơ bản để thu hẹp phạm vi dự báo

Mọi dự đoán đánh bạc cuộc sống đều có một điểm chung: chúng không được quá cao hoặc quá thấp để có thể chính xác. Ví dụ, trong dự báo hiệu suất bán hàng thông thường, nếu hiệu suất bán hàng thực tế là 10 triệu, anh ta phải yêu cầu dự báo phải là 10 triệu thì mới chính xác. Đây chính là nguyên nhân gốc rễ của vấn đề khiến mô hình được đánh giá là "không chính xác".

Quay trở lại với bối cảnh kinh doanh, thực tế là hầu hết các bối cảnh kinh doanh không yêu cầu mức độ chính xác này. Hầu hết các doanh nghiệp đều lo sợ sự gia tăng đột ngột. Thay vì đặt mục tiêu dự báo là “chính xác 100%”, tốt hơn nên đặt mục tiêu là “liệu ​​mức tăng/giảm đột ngột có vượt quá khả năng hấp thụ của doanh nghiệp hay không”.

Về cơ bản, không thể đưa ra dự đoán chính xác 100%, nhưng có thể dễ dàng tìm ra nơi nào có thể tăng/giảm mạnh. Bằng cách phân biệt các yếu tố không ổn định thông qua phân tích cơ bản, độ khó của các vấn đề dự đoán có thể giảm đáng kể (như thể hiện trong hình bên dưới).

Sau khi thực hiện tốt công tác phân tích cơ bản và phân tích các yếu tố không ổn định, việc lựa chọn kết hợp mô hình và giải quyết vấn đề sẽ dễ dàng hơn (như minh họa bên dưới).

5. Sử dụng dự báo lăn thay vì dự báo dài hạn

Mọi dự đoán dựa trên việc đánh bạc trong cuộc sống đều có thời gian dự đoán rất dài. Có thể dài tới một năm hoặc ngắn tới một tháng. Quá trình đánh bạc mất quá nhiều thời gian, rất ít dữ liệu có thể được thu thập trong giai đoạn đầu và các hoạt động trung gian khác nhau của các bộ phận kinh doanh không thể được phản ánh, do đó quá trình này rất thụ động.

Việc sử dụng dự báo lăn có thể khắc phục được nhược điểm này ở mức độ lớn. Thông qua dự báo lăn hàng ngày/hàng tuần, chúng ta không chỉ có thể bổ sung dữ liệu còn thiếu mà còn phản ánh tác động của các điều chỉnh tạm thời do phía doanh nghiệp thực hiện, giết hai con chim bằng một hòn đá (như thể hiện trong hình bên dưới).

6. Bảo vệ bản thân bằng mô hình mua và rời đi

Một câu hỏi hay + dự báo liên tục về cơ bản có thể đáp ứng được nhu cầu công việc thực tế. Nhưng với tư cách là một nhà dự báo, bạn phải học cách tự bảo vệ mình và tránh việc doanh nghiệp liên tục mắc lỗi và đổ lỗi.

Phương pháp mua rồi bỏ đi là một phương pháp tốt. Sau khi kết quả dự báo được đưa ra, thỏa thuận được thực hiện và tất cả các bên kinh doanh liên quan sẽ không còn nghi ngờ kết quả dự báo nữa mà thay vào đó sẽ đưa ra các bổ sung dựa trên kết quả dự báo.

Bất kỳ ai cảm thấy dự báo quá ngắn có thể viết đơn yêu cầu thêm hàng hóa và để lại bằng chứng bằng văn bản. Đến lúc đó, sẽ rõ ràng liệu dự báo có không chính xác hay doanh nghiệp đã nộp đơn xin quá nhiều nên không bán được (như thể hiện trong hình bên dưới).

7. Nhìn sâu hơn vào vấn đề dự đoán

Đằng sau vấn đề dự báo là một vấn đề kinh doanh sâu xa hơn: ở nhiều công ty, tình trạng mất mát do tồn đọng hàng tồn kho có thể nhìn thấy trực tiếp và hàng hóa bị mục nát trong kho. Tuy nhiên, doanh số tiềm năng bị mất do hết hàng vẫn chưa được tính đến một cách nghiêm túc. Có thể dễ dàng tính toán được tổn thất do tình trạng hết hàng. Khách hàng có thể được yêu cầu đặt cọc để đặt lịch hẹn và họ cũng có thể đăng ký số lượng và thời gian yêu cầu. Nhưng nhiều công ty lại lười biếng, ngu ngốc hoặc không muốn chịu trách nhiệm; Nói tóm lại, họ không làm điều đó.

Bán trước, mua theo nhóm, tiếp thị bỏ đói, tăng tiền đặt cọc, đăng ký hết hàng...tất cả các phương pháp kinh doanh không chỉ đòi hỏi năng lực hoạt động mà còn cần sự hỗ trợ xây dựng hệ thống. Rõ ràng, đối với doanh nghiệp, việc đổ lỗi trực tiếp cho "dự đoán mô hình không chính xác" dễ hơn là tham gia vào các phương pháp xây dựng hệ thống và vận hành phức tạp này. Do đó, nếu bạn hỏi trực tiếp doanh nghiệp về nhu cầu dự báo của họ, họ sẽ có xu hướng đưa ra dự báo theo kiểu may rủi là “không quá cao, không quá thấp, vừa phải”.

Nhưng rõ ràng điều này là không công bằng với các nhà phân tích dữ liệu. Vì không thể đo lường được những tổn thất tiềm ẩn nên tình trạng tồn đọng thực tế có thể nhìn thấy một cách trực quan. Do đó, với tư cách là nhà phân tích dữ liệu, bạn có thể đóng góp bằng cách giải quyết tình trạng mất mát dữ liệu tồn đọng. Đó là lý do tại sao lại có nhiều phương pháp vận hành như vậy.

Tác giả: Thầy giáo thực tế Chen

Nguồn: Tài khoản công khai WeChat "Giáo viên thực tế Trần (ID: gh_abf29df6ada8)"