如何通过商业模型帮助决策

过去，当我们讲定量模型的时候，经常把高级统计方法和商业模型混为一谈，在我的训练营里分属于两节课，前者包括对应分析、回归分析、因子聚类、联合分析等，专业领域属于概率论和数理统计范畴，商业模型则比较复杂，例如品牌定位模型、销量预测模型，可能不同的公司都有自己的一套体系，这些模型的背后其实是特定的决策问题，然后由一组特定的数据、特定的分析方法、特定的参考值构成模型主体，就像一个黑箱，但是其输出的结果对于决策的帮助是久经验证的，这个领域更时髦的称呼是营销科学，其理论基础是营销管理、品牌管理、消费者行为学。

 

真正的挑战来了，如此广博深厚的专业领域，我应该如何摘取最精华的部分，在2个半小时的课堂上，呈现给数理功底不同、研究经验不同、商业需求不同的同学们呢？

 

其实，这节课要交付的精髓是，如何通过数据思维应对商业决策？

 

举个例子，如何用数据思维表达品牌定位研究？在品牌研究中，x代表品牌形象，y1代表品牌健康度，y2代表品类偏好，我们应该定位于哪些x，从而实现更精准的定位呢？

 

哪些x能驱动y1更好的增长？哪些x具备更好的差异性且和本品牌有更好的关联性？哪些x能驱动y2即消费者对品类的偏好？

 

所谓品牌定位研究，本质就是要找到这些即能驱动品牌健康度的增长、又能具备差异性、且和本品牌有很好的关联性、且能驱动品类偏好的x。处于这四个维度的交集中的x是理想的定位价值点。如果没有怎么办呢？那就退而求其次，找三个维度甚至两个维度的交集。

 

再举个例子，如何用数据思维表达用户增长？无非是更多人买、买更多、买更贵。例如买更多的数据思维，y有两个状态，y0代表品牌的轻度消费者，y1代表品牌的中重度消费者，我们不知道有哪些x最能影响y，定性假设可能有消费者的年龄、品类的态度、消费的场合、口味的偏好等等，好了，我们可以通过逻辑回归，建立两个状态的y和诸多的、不同变量状态（有定类变量也有定序变量、定比变量）的x的关系，找到用户增长的关键驱动。

 

这样的例子还有很多，如何用数据思维构建新品概念的偏好与预测销量之间的关系？如何构建不同类型用户及其未满足需求的关系？如何构建忠诚度和诸多体验数据的关系？等等。

 

最后，引用阿里的蔡崇信最近的一段分享，我很认同：

“未来数据科学很重要。你应该学习数据科学，它曾经被称为统计学，但数据科学是更花哨的命名方式。...了解数据科学并了解一点心理学。你就具备了在生活中取得成功所需的所有工具。”