很多同學最怕聽“建模型”仨字。尤其是建立“業務分析模型”。往往自己辛辛苦苦搞得LR、SVM、CNN被業務方狂噴：你這都是啥東西！脫離業務！不切實際！所以到底什么是“業務模型”，又改怎么建？我們今天系統講解一下

 1 業務分析模型是什么

首先，一個正兒八經的分析模型得包含三個條件：

1. 有合理的邏輯
2. 有明確的目標
3. 有數據的支持

所以，首先得把SWOT，PEST，4P之流的垃圾掃出“模型”隊伍。因為這些玩意有邏輯、有目標，但很難用數據進行論證。不信你看那些什么SWOT，PEST的報告，四個框框里都沒幾個數字，即使有數字也很難論證：到底90后比80后減少5000萬會對我們業績產生幾百萬影響。無法量化計算的，不算分析模型。它們只是拿來美化ppt的。

業務分析模型的重點，在“業務”兩個字。得讓業務參與得進來，看得懂，能應用的，才叫業務分析模型。顯然，我們不能指望產品經理、銷售、運營、售后、物流的人去學《機器學習》《數學建?！贰督y計學》《python編程》所以數據分析師們經常打交道的算法模型就不要在這里用了——業務看不懂，參與不進來，問題解決不了，當然會噴沒有用。

有的同學會疑惑：可我的領導只會提“建個模型”，說不出是業務模型還是算法模型，我怎么區別呢？有個最簡單的原則是：非技術出身的領導，90%以上講的是業務模型（剩下10%是他在朋友圈看了個協同過濾、神經網絡之類的名字，然后臨時起意想搞一下）。當然，想更準確判斷，你可以仔細問：

• 是有監督問題還是無監督問題
• 用什么算法你有心選沒有
• 需不需要業務參與進來判斷
• 我用對業務而言純黑箱的做法行不行

既然要聚焦業務，自然下一步得詳細了解：

1. 到底針對哪個業務部門？
2. 業務流程是什么樣子？
3. 有哪些數據采集？
4. 當前問題狀態如何？

有了這些，我們可以具體討論，該如何建模。

 2 現狀描述模型

當單個指標不能全面描述現狀的時候，就得一系列指標有邏輯地呈現，以全面描述現狀、發現問題，這是所謂：現狀描述模型。業務常見邏輯有2種：串聯式、并聯式。串聯式模型用于描述一個前后分n個階段的流程，需要完成一步再到下一步。從流程起點開始，到終點結束；并聯式模型描述一個任務分開同時由各個線獨立完成。從總目標開始，到執行任務的最小單位結束（如下圖）。

 因此梳理業務流程的時候，需要關注業務上下游部門、兄弟部門是如何協同的，從而構建出來。實際業務流程，可能既有串聯，又有并聯，比如我們常說的杜邦分析法，就是如此（如下圖）：

  現狀描述型模型的最大作用是：清晰責任，暴露問題。因為一般各個子部門，上下游部門各有自己的KPI，因此監控進度、復盤成果的時候，哪個環節掉鏈子一清二楚。所以在銷售管理、運營管理中用的特別多。但注意：現狀=/=問題，現狀+標準=問題。因此只有標準單一且明確的時候才能直接看出問題來。如果標準本身很復雜，則需要更進一步的手段。

 3 問題分類模型

如果判斷一個指標好壞的標準只有一個，比如成本、利潤，這時候是不需要模型的。大家都知道成本越低越好，利潤越高越好，業務完全可以直接給判斷標準。如果判斷業務好壞需要2個標準，且這兩個標準相關度低，這時候可以用矩陣模型來進行分類。常見的重要緊急矩陣，波士頓矩陣，質量/數量矩陣，都是這個原理（如下圖）。

 如果判斷標準增加到3個以上，判斷標準相互交叉情況太多太多，再用肉眼觀察就很難判斷誰好誰壞，這時候可以用DEA方法或者AHP來判斷，相比之純機器學習方法，DEA方法含義更簡單直接，AHP方法有專家參與，都更容易被業務接受。

 4 工作計劃模型

在給定業務限制條件的情況下，經常出現最優化問題。比如給定了各個部門工時成本，求一個最優任務分配。這時候就是工作計劃模型。最常見的就是解線性規劃，在工作調配的時候用的非常多（如下圖）。

 5 未來預測模型

所有預測的基本假設，都是：未來發生的規律和過去一樣，過去的場景會在未來重現。所以業務做預測的時候，常常會假設一些業務參數是固定的，然后推測未來情況。常見的做法，比如：

1、假設生命周期走勢是不變的，推測未來情況

2、假設轉化率/留存率是不變的，推測未來情況

3、假設投入產出比是不變的，推測未來情況

在一些發展穩定的行業里，這些假設常常很準。但注意，有三種情況下假設可能失效。

1、新業務、新場景導致無歷史數據可參照。

2、突發且情況不明，導致所有轉化率都異常。

3、業務運作出現明顯問題，已無法按正常走勢反推。

這時候要么更換預測方法，要么做足預案，提前準備后路。單純指望預測100準，不論是業務模型還是算法模型，都會出問題。

 6 什么時候用算法模型

看完以上，有同學會好奇：看起來業務模型能做很多事啊，那什么時候用算法模型呢？注意：算法模型本身的強項，就不是解決經營問題。算法模型的強項是圖像識別、語義識別、復雜場景下動態規劃。這些才是算法該發揮用處的地方。

就拿推薦算法舉例：

1、商品有固定的搭配，比如治療感冒就是VC+銀翹，這叫：固定業務邏輯，這時候是不需要算法來推薦的，直接按業務邏輯走就好了。

2、商品無固定搭配，但業務方想推。比如保健品利潤高，無論如何業務方都想推保健品，這叫：強業務關聯。這時候也不需要算法來推薦，而是業務方得創造話術、廣告、賣點、銷售技巧，千方百計的去洗腦，特別是針對大爺大媽洗腦。

3、商品無固定搭配，且業務方無明確目標。比如天貓淘寶抖音這種，SKU數以億計，這時候業務邏輯完全理不清，就可以上推薦算法，而且推薦算法目標常常是GMV最大，用戶活躍時長最長一類。

類似的，找算法模型的應用場景。得主動回避開固定業務邏輯、強業務關聯——找那些業務不知道、不清楚情況、無力加以控制的場景。比如：

1、全新業務上線，誰都說不準，沒經驗參考

2、預測整體走勢，不考慮細節，先看基本面

3、業務無計可施，怎么做響應率就是上不去

4、考慮變量太多，用肉眼人手難以分類清楚

這時候可以大膽讓業務邏輯退居二線，嘗試用算法解決問題?？梢悦皂樀母鷺I務說：這就是個黑箱。我們觀察結果就好了——反正他們也沒更好的辦法，如果能做出成績來，就是大功一件。