好的，看到⼤家这么热情，那班班接下来就化身Johnson
⽼师，给⼤家带来这次价值连城的分享哦！
⼤家好，欢迎参加这次分享，作为数据分析正式课程的主
讲⽼师Johnson，⾮常开⼼能和你们⼀起提升数据思维，
做好业务决策。
在学习这⻔课之前，你⼀定听过许多关于⼤数据的神奇故
事，⽐如Netflix（奈⻜公司）如何⽤⼤数据打造爆款美剧
《纸牌屋》，Google（⾕歌公司）如何⽤⼤数据准确预测
流感，拯救千万⼈的⽣命，还有美国⼤选如何利⽤数据预
测结果等等……
知乎和微博上，⾄今还流传着“双⼗⼀”销售额是不是“掺
⽔造假”的热闻。
因为数据⼤⽜⽤前5年的销售额，提前预测2019年“双⼗
⼀”的最终销售额是2581亿，跟阿⾥官⽅最终公布的销售
额相差不到4%：2684亿元。⼀时哗然，还引发阿⾥⾼管
官⽅出来辟谣。
你⼀定也希望，有朝⼀⽇，⾃⼰能⽤数据分析的⽅法，做出胜⼈⼀筹的业务决策，洞察别⼈⽆法发现的趋势和机
会。
那么回到⼯作⾥，我们有没有需要做分析和预测的场景
呢？
⽐如：
- 年初，⽼板让你提前制定2020年全年的团队业绩⽬标
- 2020年初的疫情，到底会不会对接下来的“⾦三银四”求
职季有所影响
- 如何判断我所在的⾏业到底有没有前景，要不要看看别
的机会
……
你会发现，⼩到⽤户需求，⼤到⾏业发展趋势，职场⾥需
要我们提前预测和判断的事情，可谓⽆处不在。如何利⽤
数据做出科学的预测，⽽不是⼈云亦云，或者凭经验拍脑
袋呢？就是这⼏节课程需要解决的问题。
典型的数据预测场景⸺ 需求分析
从数据预测的应⽤场景来分类，我认为典型的预测有三
类：第⼀类是需求预测，也就是判断⽤户需求或者市场需求的
变化趋势，常常应⽤在市场营销、互联⽹产品、⾃媒体等
领域。
典型的例⼦就是利⽤百度指数、微信指数、⾕歌趋势等为
代表的数据分析⼯具，通过搜索指数的⾼低和变化，预测
未来同⼀时期的需求发展趋势。
以“百度指数”举例。在百度指数⻚⾯⾥搜索关键词“职业
规划”，把时间设定为2019年全年，你就会发现它的搜索
热度呈现出以年为周期的趋势变化。
从3,4⽉求职季开始，搜索频率会明显上升。年中关注职
业规划的热度会逐渐下滑，直到9、10⽉份年底求职季再
度回暖，并在春节前后断崖式下滑。
所以如果你想设计⼀⻔职业规划类的线上课程，最适合发
布课程的时间就是每年求职季之前，⼀定要避开的就是年
尾，⼤家都等着企业发年终奖，回家开开⼼⼼过节，职业
发展和规划的需求就会⼤⼤降低。
你还能看到关注“职业规划”的⽤户集中在20-29岁，他们
同时还会关注休闲娱乐、教育培训、旅⾏阅读等领域的资
讯。这些信息，不但可以帮助你预测趋势，还可以为你准
确描绘⽤户画像，精准触达有需求的⽤户。这⾥只是简单举例。事实上，⽤来预测市场需求的关键
词，⼀定具有周期性或者季节性。
⽐如在职场⼈群中，⽂娱类的需求往往会呈现出按周变化
的规律，周末会⼤幅⾛⾼，你可以⽤当周数据预测未来同
期的需求变化；
但像年货、体检这⼀类的需求，通常会呈现出按年变化的
规律，在分析时你可以根据⾃⼰所在的市场和⽤户属性，
选择不同的关键词，设置合理的预测周期进⾏分析。
类似的⼯具还有新媒体领域的微指数，电商领域的阿⾥指
数、视频领域的中国⽹络视频指数、APP领域的艾瑞APP
指数和App Annie等等。
这些数据平台⾃带海量、开放的数据库，每个⼈都可以⾃
助查询，使⽤⾮常⽅便，除了追踪热点，也能⽤来做市场
竞争分析等，我们在下⼀节⾥会进⼀步介绍。
第⼆类应⽤在业务预测上，也就是⼀个产品或者⼀个组织
的业务发展趋势。
从最常⻅的销售业绩、产品销量到公司营收增⻓，每年每
家公司都会对⾃⼰的业务进⾏规划和预测，另外有些数据分析能⼒⾜够成熟的公司，还能够把数据⽤作业务的探照
灯，提前预测最佳的业务决策时间。
Uber（优步）就是如此。作为⼀家横跨欧美亚200多个城
市的年轻跨国公司，业务复杂度极⾼，需要⾼效匹配乘客
和⻋主的需求，处理和各地出租⻋公司、司机⼯会、竞争
对⼿、法院、政府、⾏业监管部⻔的利益和摩擦。
但Uber“带有侵略性”的扩张，从来没有停下脚步，曾经依
靠“三⼈⼩分队”的开城模式，快速打开中国市场，从2014
年进⼊中国开始，短短两年就在60多个城市扎根。Uber
的成功，依靠的就是⼀套⾼效的数据管理机制。
因为各地市场差异化极⾼，依靠传统的管理模式复制极
慢，Uber索性把总部的关注点放在管理流程和业务系统搭
建上。
⾄于当地市场的运营，总部如果都要⼀⼀深⼊了解再做决
策，⼀定会延⻓决策周期，降低业务灵敏度。所以索性充
分授权给了当地团队。当然，这⼀些都依靠⾼度数字化的
管理模式。
⽐如，Uber会规定，⼀个新⽤户的成本，最⾼不超过25美
元，只要在这个预算范围内，当地团队可以⾃由选择采⽤
什么样的渠道和⽅式去获取⽤户；
对于每公⾥定价，Uber也会设定好计算公式，只要输⼊当
地的⼈均收⼊、出租⻋起步价、每公⾥计价等参数，就能计算出价格。
同时，Uber也会通过业务数据的反馈，不断迭代和优化⾃
⼰的这套管理系统。
举个例⼦，Uber会每天分析区域内各个城市的⾃然⽤户注
册量，⼀旦达到设定的数值，就会通知到业务团队进⼊新
市场开拓市场，也就是⽤数据就能预测开城的决策，提前
规划资源和预算，抢占市场先机。
在这节课⾥，我们会通过⼀个企业案例，讲讲如何进⾏业
务预测。
典型的数据预测场景⸺ 趋势预测
第三是趋势预测，⽐如判断宏观趋势，例如对⾏业发展前
景的预测。
在讲需求预测时，你可能注意到，其实市场需求是很容易
受到突发因素的影响，⽐如2020年的⾦三银四求职季可
能就会因为疫情⽽延迟。
营销、⾃媒体、电商等领域的需求分析，通常借助数据⼯
具追踪和预测市场需求的变化，就能成为⾮常有⼒的决策武器。
但如果投资机构需要预测⾏业发展趋势，或者分析宏观经
济⾛势，就需要进⾏精准的趋势分析。这种分析⽅式会需
要更多的分析数据和信息，更加专业的⽅法论⽀持，分析
框架和结论也会复杂很多。
这⼀讲，我们会聚焦在最常⻅的业务预测场景⾥。下⼀
讲，我会重点说⼀说，如何⽤数据进⾏基本的⾏业分析，
帮助你快速判断⾏业发展前景。
业务预测的两种⽅式
年初，你所在的公司或者部⻔⼀定会做2020年全年预
算，这就是⼀个典型的需要⽤数据预测业务的场景。回想
⼀下，你或者你所在的部⻔是怎么做的呢？
其实⼤致来说，有两种可能，⼀种是⾃上⽽下，CEO给出
⼀个明确的营收或者增⻓⽬标，各个业务部⻔再围绕公司
的⼤⽬标进⾏评估，看看需要哪些努⼒和资源，才能达成
这个⽬标；另⼀种⽅法是⾃下⽽上，也就是各个业务部⻔先对⾃⼰未
来⼀年的产出进⾏评估，设定⽬标，再汇总到公司统⼀审
核和调整。
那么问题来了，假如你是Q公司销售部⻔的负责⼈，2019
销售⽬标是800万，实际达成692万，达成率87%。那么
在这两种情况下，分别应该怎么样制定2020年的销售⽬
标呢？
⾃上⽽下的业务预测
第⼀种场景⾥，公司给定了⼀个⽬标，2020年销售⽬标
是1000万，需要你按照⽬标完成业务预测。
⾸先，我想问问你，这次业务预测的结果是什么？这⾥我
会留给你5秒钟时间，思考⼀下，你给⽼板的答案是什
么？
你可能会说，当然是通过更加客观全⾯的数据分析，帮助
⽼板判断这个⽬标是不是可⾏？如果你的回答重点是围绕⽬标是否达成，那么基本上你已经偏离了实际⼯作场景⾥
业务预测的分析⽅向。
事实上，在⾃上⽽下设定业绩⽬标的沟通场景⾥，公司和
⽼板会倾向于给出他们“希望达到”，⽽不是业务部⻔觉得
“可能达到”的数值。
还记得吗？2019Q公司的销售⽬标是800万，去年⼤家那
么努⼒也没有达标，只完成了原定⽬标的87%，也就是
692万的业绩⽬标。
今年能把去年的⽬标完成就谢天谢地了，万⼀做得不错可
能还有⼩幅增⻓，现在居然在去年⽬标基础上还要再涨
25%，1000万的指标根本就不可能达成。
我相信这可能是业务部⻔听到⽬标的第⼀反应，事实上，
⼤多数时候，业务部⻔永远觉得公司给出的业务⽬标⽆法
达成，就是拍脑袋瞎指挥，这⼏乎是⽬标管理上永远的⽭
盾。
但最后⽬标听谁的呢？⾃然是⾃上⽽下，当然是公司和⽼
板说了算。所以，当我们做业务预测的时候，⾸先要记得，⽼板给出的⼤⽬标是⼀定需要达成的，我们需要预测
的是预期和现状之间的差距，以及如何做才能缩⼩这个差
距，促使⽬标达成。
在明确了⾃上⽽下的场景⾥，业务预测的结果不是回答
Yes和No之后，我们来看看业务预测到底包含哪些内容和
步骤。
第⼀步是对公司的⼤⽬标进⾏拆解，找到影响⼤⽬标最关
键的3到4个⼆级指标；
第⼆步是对⼆级指标进⾏评估，分析⼆级指标能够达到什
么⽔平；
第三步是对⼆级指标进⾏分析，看看为了达成⼤⽬标，需
要投⼊哪些资源；
第四步是验证投⼊资源之后，⼤⽬标是否能够达成。
这个步骤可能需要多次循环，以确保最终让⽬标预测达
成。我们回到Q公司的案例，作为销售负责⼈，⾸先你可以把
公司的⼤⽬标，⼀级级拆解，找到影响⽬标完成的关键指
标，这种⽅法，也叫杜邦分析法。
经过拆解，你发现影响销售额的⼆级指标主要有三个，分
别是客户总数、客户转化率和平均客单价；⽽⼆级指标⼜
可以进⼀步拆解，形成三级甚⾄更多层级的指标。
注意，如果预测的指标过细，会陷⼊⼤量细节的业务数
据，从数据收集、整理到分析都会耗费⼤量的时间，对预
测结果影响不⼤，但层层汇总起来，统计误差却会越来越
⼤。
所以，我们在业务预测时，通常只会关注最重要的3到4个
⼆级指标，最多拆解到第三级指标。
为了后续的⼯作，你可以对⼆级指标进⼀步拆解，发现客
户数包含新客户和⽼客户。新客户的平均客单价很⾼，但转化率很低，耗费⼤量销售
时间，但对总营收的贡献度只有25%；⽽⽼客户虽然看起
来单⼦⼩，但是胜率很⾼，对于总营收的贡献度达到
75%。
接下来我们就需要对⼆级指标进⾏评估，我们可以通过预
测模型，⽐如线性回归⽅程，判断
⼆级指标的⾃然增⻓，也就是业务部⻔预期可以达成的数
据；
接下来，估算为了达成1000万销售⽬标，我们实际需要完
成的业务指标数值，也就是公司希望可以达成的数据：
现在我们能直观看到两个数值之间的差距，第三步就需要
结合业务可⾏的⽅案，看看为了达成⼤⽬标，需要投⼊哪
些资源。
第四步，也是⾮常重要的⼀步，我们需要对⽅案进⾏验
证。除了⽅案的可⾏性，也要结合业务数据，看看投⼊对应资源之后，⼤⽬标是否能够达成；如果不能，就需要回
到第三步，寻找新的可⾏⽅案，直到预测达成。
好，我们来⼩结⼀下。在⾃上⽽下的场景⾥，业务预测通
常不是回答⽬标是否能够达成，⽽是分析预期和现状之间
的差距，评估可⾏⽅案，预知潜在⻛险，看看如何才能缩
⼩差距，促使⽬标达成。
这样的好处是，围绕⼤⽬标，各个部⻔可以预先拆解⽬
标 ，策划⽅案，并且评估所需资源，这样就为团队⽬标的
制定和绩效的管理提供了基础。
在⽇常管理中，只要定期回顾核⼼指标，看看和预测值是
否存在偏差，就可以及时发现问题，促进⽬标达成。
这也是为什么既然有了⼤⽬标，还需要进⾏业务预测，核
⼼也是帮助公司提前规划资源分配，预知业务⻛险。
那你可能会问，万⼀⽼板制定的⽬标⻛险很⾼，能不能和
⽼板谈⽬标？凭多年业务预测的经验，我⼏乎没有看到过可谈的业务⼤
⽬标，尤其是关系到公司⽤户数量、GMV、利润率和⽤户
价值的核⼼⽬标，但是实现⽬标的路径以及资源是可以被
调整的，公司也会结合业务预测的结果，追踪和调整最终
的经营⽅案。
所以，现在你知道了，业务预测产出的结果，不是⽬标是
否可达成，⽽是需要达成⽬标所需的资源，包括⼈⼒、物
⼒和财⼒，以及指出达成⽬标存在的业务⻛险。这样才能
帮助企业和组织提前规划，应对挑战，达成⽬标。
⾃下⽽上的业务预测
有没有另外⼀种可能，就是⽼板没有明确的⽬标，让你⾃
⼰预测⼀下2020年的销售结果，也就是让你先提预算。
这就是典型的⾃下⽽上的业务预测。
⾸先，有了前⾯的基础，你应该知道，业务预测的结果不
是⼀个数值，哪怕这个数值⽐⽼板⼼⾥的⽬标还⾼。公司
和⽼板需要的，是满意的业务结果，以及⽀持业务结果达成的可⾏⽅案，包括业务规划、所需资源和⻛险评估。
操作的步骤也和上⾯的场景类似，⾸先明确⼀级指标是否
发⽣变化（⽐如从销售额增⻓变成了⽤户增量），然后找
到影响⼤⽬标最关键的3到4个⼆级指标，对⼆级指标进⾏
分析，提出并验证可⾏⽅案，评估资源投⼊和业务⻛险。
这⾥主要有三点差异：
⾸先，在⾃下⽽上的场景⾥，业务预测⾃由发挥的空间更
⼤，调整指标的思路和可能性也更多，所以⼀定要清晰定
义和聚焦在⼆级指标上，避免陷⼊业务细节。可以说如何
定义⽬标，直接决定了预测效果；
其次，在⾃下⽽上的场景⾥，业务经验对于结果的影响可
能会更⼤，所以对于⼆级指标的预测，尽量依赖公司内部
的历史数据、市场上相似公司的实操数据、以及预测模型
来判断，控制个⼈经验对于结果的影响；
最后，通过⾃下⽽上的⽅式得到的业务预测结果，⼀定会
汇总到公司层⾯统⼀讨论和调整，再重新下发到业务部
⻔。所以后续可能会需要结合⾃上⽽下的⽅式，调整业务
预测结果，向公司的⼤⽬标看⻬。⼩结
现在你知道了，⽆论是⾃上⽽下，还是⾃下⽽上。本质
上，业务预测就是缩⼩公司发展⽬标和业务实现能⼒之间
的差距。
⽆论作为专业的数据分析⼈员，还是业务部⻔的操盘⼿，
都需要理解，没有完美的⼯具和模型，可以脱离业务解决
实际问题；也没有绝对的权威，可以脱离数据做出正确的
决策。
⽹景（Netscape）公司前任CEO Jim Barksdale的话，就
可以概括这种平衡：
“如果我们有数据, 就让数据来发声。如果我们仅仅是意⻅
不⼀，那就得听我的。”
好，学完这节课的你已经掌握了业
业务预测的基本⽅法，可以通过指标拆解、评估、分析和验证四个步骤对公司或者
部⻔的业务进⾏更加准确和全⾯的预测，为全年业务⽬标
的实现打下扎实的基础。
⽤数据思维武装头脑、洞察商业，做⼀个万事⼼中“有数”
的思维⾼⼿。
今天的分享，你学会了吗？
