What-if分析，又稱假設分析，是對假設進行的研究和檢查。通過將假設分解成比較簡單的組成部分來進行分析，需要去發(fā)現(xiàn)這些假設可能發(fā)生的原因、后果及促成或避免其發(fā)生的措施。

在數(shù)據(jù)分析當中，我們常用它來表述“如果發(fā)生了A事件，那么B指標會如何變化”。

例如：如果我們把ROI提高到2.1，我們本月會有多少的毛利額。

在企業(yè)當中，假設分析也被廣泛應用于目標的拆解，從而達成業(yè)績預測的效果。

一、應用場景

1、平臺介紹

某個會員制的電商平臺，平臺會售賣超市中的日用商品，渠道是由廠家直接供貨，無庫存壓力，故價格會低于一般的經銷商。客戶群體是周邊的小型超市，他們會定期從平臺中采購商品，具有較強的粘性。

2、需求背景

客戶運營部的負責人，在每個月初需要參加公司的戰(zhàn)略會議，從客戶維度去制定下個月的業(yè)績目標。所以在每月初，分析師需要根據(jù)過往的銷售情況，制定9月份的業(yè)績目標。

3、誤區(qū)/痛點

許多分析師在接到上述需求的時候，會習慣性用時序預測、線性回歸、AI模型等幾種方式去進行目標制定與預測，這其實是我們經常陷入的誤區(qū)。因為我們并沒有透徹理解目標制定這件事情，其實領導的核心訴求并不是在乎這個數(shù)字有多高，有多準確，而是要落地每一個過程和路徑。

我們在拿著上述模型做出來的分析報告面對老板的時候，經常會被質疑 “這個數(shù)字是如何計算出來的？有什么參考依據(jù)？”，這也是我們在使用這些模型時遇到最大的痛點。對于業(yè)務側來說，這類分析報告可讀性較差，只有一個結果數(shù)據(jù)，即使有專業(yè)性的術語做支持，但老板們大多數(shù)不會買賬。

所以在我們了解到痛點，以及理解了業(yè)務的核心訴求之后，我們就需要重新審視與思考如何去拆解與制定目標。

實現(xiàn)步驟

1、拆解客戶維度常見的指標

????客戶分類：

????? 新客戶：本月首次下單的客戶。

????? 老客戶：上個月下單本月復購的客戶。

????? 流失回拉客戶：超過1個月未下單的，被拉回下單的客戶

因此，總GMV往下一個步驟進行拆解：

總GMV=新客戶GMV+老客戶GMV+流失回拉客戶GMV

接下來我們繼續(xù)對這三種客戶的GMV進行拆解（ARPPU指客單價）：

????? 新客戶GMV=新客戶數(shù)量*新客戶ARPPU

????? 老客戶GMV=老客戶數(shù)量*老客戶ARPPU

????? 流失回拉客戶GMV=流失回拉客戶數(shù)量*流失回拉客戶ARPPU

老客戶和流失回拉客戶還會涉及到復購率，回拉率，金額增長率等指標，因此要繼續(xù)往下拆解：

????? 老客戶數(shù)量=上個月總客戶數(shù)*復購率

????? 老客ARPPU=上個月老客ARPPU*金額增長率

????? 流失回拉客戶數(shù)量=流失客戶池*流失回拉率

在拆解目標的過程中，如果大家感覺到雜亂無章，建議大家可以使用思維導圖來進行拆解。

2、目標數(shù)據(jù)集的輸出

目標拆解完成之后，我們需要自己去數(shù)據(jù)庫中取數(shù)，設計數(shù)據(jù)結構以及輸出目標數(shù)據(jù)集。

數(shù)據(jù)：

該數(shù)據(jù)包含了平臺從上線以來，所有的經營數(shù)據(jù)（客單價及GMV均為萬元）。

9月份標紅的部分，就是需要我們去假設的事件A，而總GMV就是事件A發(fā)生后將要發(fā)生變化的指標。

確認需要我們去假設的指標：

次月復購率，金額增長率(客單價增長率)，新客數(shù)，新客ARPPU，回拉率，流失回拉ARPPU

而其他指標都是可以通過我們假設的指標計算出來的。（比如9月份，我們有上月客戶數(shù)的數(shù)據(jù)，我們假設次月復購率為50%，即可通過客戶數(shù)*次月復購率得出來9月的老客數(shù)。其他指標是同樣的道理。）

3、在觀遠BI平臺實現(xiàn)

????3.1 上傳數(shù)據(jù)集

????將目標數(shù)據(jù)集上傳至觀遠的數(shù)據(jù)集中。

????3.2 新建全局參數(shù)

????將需要被假設的指標新建為全局參數(shù)

????3.3 在數(shù)據(jù)集新建計算字段，關聯(lián)全局參數(shù)

????新建老客維度計算字段：

????? 新建計算字段 ”預測_次月復購率“

????? 新建計算字段 ”預測_客單價增長率“

????? 新建計算字段”預測_老客數(shù)“ ，"預測_老客客單價"

????? 最終計算老客GMV

新客與流失回拉以同樣的方式新建計算字段。

3.4 新建頁面，將所有新建的計算字段添加為指標卡。

3.5 新建杜邦分析圖，按照之前的拆解邏輯進行將指標卡進行排列。

3.6 新建全局參數(shù)類型的篩選器，將6個假設指標添加，再配合指標歷史趨勢圖作為參考。

3.7 完善日期篩選器等信息，輸出最終的目標拆解與業(yè)績預測模型

最終效果：領導可以自己修改假設指標，來預測出最終的業(yè)績目標。

總結

使用What-if分析法，來進行業(yè)績目標預測，相較于線性回歸以及AI模型，有著以下的優(yōu)勢：

????1. 上手難度低，不需要很專業(yè)的AI和數(shù)學基礎，簡單的公式配合上觀遠BI即可實現(xiàn)。

????2. 靈活性高，設置好模型之后，領導也可以自己調整頁面篩選器來制定目標。

????3. 可讀性極強，因為進行了拆解，可以完整敘述結果指標是由哪些過程指標計算而來，以及達成這樣的目標所需要的達成路徑。