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，各個維度分析齊全，數據展示完整。屁顛屁顛交給領導之後，本以為還能得到一句認可，結果領導說：「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：復讀機型。
看到上圖數據，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復讀了一遍，只要業務方不是瞎子，能看到數字，都會覺得這沒啥意義。
▌錯誤二：慣性思維。
還是上圖數據，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。其實只有一年的數據完全不說明問題，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，特別出現這種5432順序排列的數據，慣性的就會認為下個數字是1……其實這正是數據分析要打倒的大敵。因為如果我們引入過往年份數據，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月的只是正常的業績波動而已。所以單純用慣性思維判斷，完全沒有體現數據分析的價值，做的結論還極有可能是錯誤的。
▌錯誤三：習以為常。
還是上圖數據，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，所以今年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！
因為歷史規律，特別是這種宏觀跡象這麼明顯的規律，是個人只要不瞎都看得到，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。雖然沒有精確的數據或模型，但是能通過分析，判斷未來走勢（相對應的，建數據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，才是支撐指標曲線的真正支柱。支柱倒了，指標自然下跌；支柱穩固，指標自然高企。所以，想做好預測，不能只對著數據本身就數論數，而是得找到數據背後的原因。
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，要拚命做大GMV
產品因素：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，大致可分成三類，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，因此辨識度很高。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。因此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數據的同學關注到宏觀事件。比如很多做數據分析的同學只看數據類文章，公眾號只關注《數據分析XX》《數據挖掘XX》《python XX》反而每天沉迷在數字和代碼里，對行業發生了什麼看都看不到很容易被批了。
需注意，之所以是定性預測，因為很多宏觀因素的影響可能無法預測。循環出現的，可以看過往的歷史規律（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，只能去研究政策細節，看看到底影響面有多大，做個預警。
▌第二類：投入產出型
計算投入產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」，就急匆匆想建模型或者做抽樣，用第二、第三種方法。
在現實中，只有封閉了信息渠道的營銷活動才適合這麼干（而且需要餘留較多時間準備數據）。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，會產生滾雪球效應。用看似精準的方法預測的反而會偏小、失真。
比如新產品上市，可能在上市前完全保密，也沒法做太精細的分組測試。所以做定性預測的時候，第一種方法用得更多。
投入產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，所以非得強迫客人微信下單
我們的KPI是抓老用戶，所以效果不好也得強行做
部門費用不夠了，但活動還得做，所以券全部面額減半
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
老用戶響應率就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。只不過，這種前瞻性雖然有價值，但不一定受業務歡迎（還有可能吃板磚）。大家在實操中見機行事，量力而行。
▌第三類：內部結構型
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。在數據上看，可能指標「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）：
關於自然增長率，可以戳：數據分析終極一問：自然增長率，到底怎麼算！
除了宏觀環境外，產品，促銷，用戶基礎，用戶分層這些，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。所以當內部影響因素髮生結構性變化的時候，自然業績會發生變化。
只是很多內部結構性變化是慢性的、持續的、微觀的，所以難以觀察。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。
內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：渠道下沉，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數據上，你真把特定群體抽出來看，反而數據上差異不大。
有時候自以為觀察到一個變化，可持續看幾天，丫又消失了……短期內，永遠是宏觀事件&投入產出型影響占主導。所以想要觀察到一個內部結構變遷的影響，需要長時間觀察。
3
小結
看完三種類型，大家會發現，領導們想看的，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。業績指標的波動，從來都是多種因素綜合作用的結果。並非每次變化都一定有深層次的原因，有可能就是自然波動、某個產品/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。
所以，數據分析的價值，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。