数据预警模型，该如何搭建？
导读：数据分析能主动做出预警，是所有人的终极期望。可现实是很惨淡的，经常是指标已经下跌了，业务部门忙得团团转了，数据分析才慢慢悠悠地分析“昨天为啥DAU下降30%”。最后辛苦半天落个“我早知道了，早干啥去了！”的抱怨。那如何提前做出预警？作者对此进行了分析，与你分享。
一、第一步：清晰角色
首先要清晰：预警是给到人的警报。因此谁需要听这个警报，是第一顺位要考虑的。在实际工作中，有四大类角色：
进行预警第一步，就是要先明确要预警的业务场景，把一个场景内所有相关责任人都考虑进来，避免漏了角色（如下图）。
二、第二步：收集动作
其次要注意：问题因人而起，也因人而终。因此第二顺位需要考虑的，是这四类角色对指标走势，到底有啥影响。要分门别类地收集这四类人计划开展的动作，从而为第三步的评估做准备（如下图）。
注意：收集影响动作，是有顺序的，应该从高层→前台→中台→后台。
因为这是这四类人影响指标的顺序是这样的：
高层定的目标，决定了前台执行难度
前台执行质量，决定了中台辅助难度
实际业绩结果，决定了后台支撑难度
后台支撑好坏，决定了问题是否扩大
在工作中，这四个环节环环相扣。如果配合得好，即使出现问题，也能化险为夷。如果配合得差，则相互拖累，越做越错（如下图）。
在实际工作中，并不是一个简单清晰的工作闭环从头做到位，然后再做下一个。每个部门都是一堆工作同时在进行。因此，收集部门动作并非一蹴而就的，而是需要有畅通的信息渠道，特别是当指标开始出现问题苗头时，业务部门做出的应激反应，要有一定程度了解。这样才能更好地辅助判断，做出准确警报。
三、第三步：数据评估
有了第二步动作收集，可以开始第三步数据评估。数据评估是预警的最关键一步，是避免执行期间看到数据波动脑袋空空的关键。
之所以能提前感知指标波动的风险，是基于：过去发生的未来会重现，这样一个简单的道理。因此，有必要对过程发生过什么，进行深入评估。（如下图）
这里涉及多种具体分析方法，之前文章都有分享，不再一一赘述了。
四、第四步：做出预警
有了以上准备，可以做出预警了。预警模型建立后，从制定计划阶段开始，就能开始运作。并且贯穿定方案、做执行、做复盘的各个阶段，并且涵盖了主力、辅助的角色（如下图）。
比如制定了销售目标，那么：
定方案阶段：销售的方案（包括销售计划、人力配置、配套物料/辅销品）是否能支撑当前目标？如果支撑不住，这时就能直接预警，提醒问题。
做执行阶段-作为主力的销售：是否各销售团队执行到位？执行不到位是谁没有到位？影响多少大盘？作为主力角色，只要其下某些分支出现问题，都是要直接发出预警的，避免问题恶化。
做执行阶段-作为辅助的供应链：达标率太好的情况下，是否购货充足？达标率太差的情况下，是否有积压风险？如果销售表现好，但关联的辅助部门马上面临缺货风险，此时也要及时预警！
注意：在过程中预警的时候，要考虑业务部门应激行动。比如有可能业绩很好，库存马上要断，此时应了解是否有补货计划，如果有，在预警时要提及此时，并且分乐观（100%按时完成计划）、保守（50%或更少完成计划）、悲观（无法完成计划），分别给出预警，以及预估结果（如下图）。
这样的预警，给管理层的体验非常好。
管理层能通过分析师的工作，掌控业务全局。
在定方案阶段就能预知风险，从而做充足的准备。
在过程中，不但能看到预警数值，而且能大概锁定问题方向，减少了过程中被“打闷棍”的感觉。
看到预警结果的时候，能同步看到预期处理方案，从而快速做出决策判断。
这样，比事后看到诸如“DAU跌了一大截”“销售连续4天不达标”等结果以后再问为什么，体验好太多了。理想的状态下，可能只要一两个关联指标变差，就能马上感知到主指标跳水的风险。
五、数据预警的错误姿势
数据预警的错误做法，当然是指望一个神威无敌大将军模型，能把所有指标100%预测准确。实际影响指标的因素太多，且外部环境压力，内部主动行为，都很难量化。因此完全把宝赌在靠着极其有限的几个数预测的模型，完全不靠谱。
真正靠谱的做法，是数据分析师保持高度的消息灵通，按照上文的四个步骤，提前做好准备，才能应对变化。未卜肯定先知不了，但是卜过，就有机会发现问题。
很多不懂行的人，会以为数据真的能让人开天眼般洞察一切。实际上恰恰相反，一个数据分析师，得先开天眼，对公司情况了若指掌，之后才能对数据走势做出判断。
这一点切记切记。
当然，这套模型的运行，有三个基础条件：
数据部门与业务、管理层有充分沟通，掌握足够多信息
数据部门对过往发生的目标、方法、执行情况有充分复盘与经验积累
业务流程数字化程度高，各个部门的行动能以数据形式记录
这三点，刚好对应了管理问题、分析方法问题、基础建设问题。因此并非所有公司都能运用。如果公司的氛围实在太差，就只能用一些短平快的预警方法。
作者
接地气的陈老师，微信公众号：接地气学堂，资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。
版权声明
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
