精准|预测模型，怎么做才够精准

编辑导语：在数据分析中，会碰到的一个终极难题就是“预测得不准！”那么，该怎么解决这一问题呢？作者分享了相关的方法，让预测模型做起来更加精准，我们一起来看下吧。

“预测得不准！”是数据分析领域的终极难题了。讲预测的算法有一大堆，然后遇到现实基本上都被锤成渣渣，业务方怎么都不满意。
到底该怎么破局？今天系统讲一下。
一、预测算法的本质从本质上看，预测算法只有2大类：
1. 基于时间序列的

平滑：用于相对平稳的数据。
自回归：用于趋势性递增、递减的数据。
带季节因素自回归：用于有周期性波动的数据。

2. 基于因果关系的

二分类问题：未来会/不会发生XX，典型如LR。
多分类问题：未来是ABC哪个情况，典型如决策树。
连续型问题：未来的数值是多少，典型如线性回归。

有可能建模的时候，不是一个模型包打天下，而是用二阶段建模。比如预测一个客群消费情况，可以分别用二分类模型预测会不会消费，再用连续型模型预测消费金额，这样会消费用户数*预测消费金额，就能得出总消费。这是典型的处理手法。
书本上都是这么教的，然而为啥一遇到现实就被锤成渣渣了呢？
二、预测算法的难点因为：书本为了突出模型效果，刻意选择了质量好、数据全的数据集。
现实中麻烦根本是远远不断：

没数据。很多时候给到的待预测数据，就一行“每月总消费”，其他数据屁都没有……
还是没数据。很多公司隔着天猫、抖音、亚马逊，拿不到一手数据，只能用后台导出的一点点数据瞎倒腾……
就是没数据。大部分公司不是头腾阿这种垄断公司，只拿了非常片面的数据。最常见的，大部分公司的用户是花钱引流来的，用户只有一个手机号+一个优惠订单……

【精准|预测模型，怎么做才够精准】这导致了一个搞笑的情况：很多公司用因果关系类模型，影响最大的变量一定是促销力度。甚至用逐步回归法建模的话，促销力度的变量，能直接把其他变量都干掉。预测结果就变成了：促销力度越大，用户加入越多，购买越多。
这种结果一丢出来，一准被业务评价为：“都TM是废话，我早知道了！”
这就是现实中第二大麻烦：业务效果到底怎么衡量。
比如预测销量是1000万l业务做到900万，会说：预测得一点都不准，搞得货积压了。
业务做到1100万，会说：预测得一点都不准，还是我厉害
总之，只要你不是100%精准，他都有理由赖到你头上。甚至可以反复横跳。比如：“本来业务能达标的，看到预测说能达标，我们就省点投入，结果不达标了，都怪预测干扰了业务判断……”
怎么破局呢？问题既然由人而生，当然还得在人这里解决。避免赌命式预测，从业务场景角度出发，剔除人为影响，才是破题关键。
三、用业务运作避免预测错误有些场景，能通过业务操作直接把问题消灭掉。这时候就直接用业务手段，不要建模。
比如：
场景1：“销售数据很少，分布很散，如何预测销量？因为货物本身不耐储藏，多进货的话库存损失率会很高”——用团购呀！团购就是解决这个问题的。
场景2：“销售数据很少，少到无法计算价格弹性，业务方又想预测价格弹性，多赚钱”——用拍卖啊！拍卖就是干这个的。