巧用what-if分析，轻松实现业绩预测
What-if分析，又称假设分析，是对假设进行的研究和检查。通过将假设分解成比较简单的组成部分来进行分析，需要去发现这些假设可能发生的原因、后果及促成或避免其发生的措施。
在数据分析当中，我们常用它来表述“如果发生了A事件，那么B指标会如何变化”。
例如：如果我们把ROI提高到2.1，我们本月会有多少的毛利额。
在企业当中，假设分析也被广泛应用于目标的拆解，从而达成业绩预测的效果。
一、应用场景
1、平台介绍
某个会员制的电商平台，平台会售卖超市中的日用商品，渠道是由厂家直接供货，无库存压力，故价格会低于一般的经销商。客户群体是周边的小型超市，他们会定期从平台中采购商品，具有较强的粘性。
2、需求背景
客户运营部的负责人，在每个月初需要参加公司的战略会议，从客户维度去制定下个月的业绩目标。所以在每月初，分析师需要根据过往的销售情况，制定9月份的业绩目标。
3、误区/痛点
许多分析师在接到上述需求的时候，会习惯性用时序预测、线性回归、AI模型等几种方式去进行目标制定与预测，这其实是我们经常陷入的误区。因为我们并没有透彻理解目标制定这件事情，其实领导的核心诉求并不是在乎这个数字有多高，有多准确，而是要落地每一个过程和路径。
我们在拿着上述模型做出来的分析报告面对老板的时候，经常会被质疑 “这个数字是如何计算出来的？有什么参考依据？”，这也是我们在使用这些模型时遇到最大的痛点。对于业务侧来说，这类分析报告可读性较差，只有一个结果数据，即使有专业性的术语做支持，但老板们大多数不会买账。
所以在我们了解到痛点，以及理解了业务的核心诉求之后，我们就需要重新审视与思考如何去拆解与制定目标。
实现步骤
1、拆解客户维度常见的指标
客户分类：
• 新客户：本月首次下单的客户。
• 老客户：上个月下单本月复购的客户。
• 流失回拉客户：超过1个月未下单的，被拉回下单的客户
因此，总GMV往下一个步骤进行拆解：
总GMV=新客户GMV+老客户GMV+流失回拉客户GMV
接下来我们继续对这三种客户的GMV进行拆解（ARPPU指客单价）：
• 新客户GMV=新客户数量*新客户ARPPU
• 老客户GMV=老客户数量*老客户ARPPU
• 流失回拉客户GMV=流失回拉客户数量*流失回拉客户ARPPU
老客户和流失回拉客户还会涉及到复购率，回拉率，金额增长率等指标，因此要继续往下拆解：
• 老客户数量=上个月总客户数*复购率
• 老客ARPPU=上个月老客ARPPU*金额增长率
• 流失回拉客户数量=流失客户池*流失回拉率
在拆解目标的过程中，如果大家感觉到杂乱无章，建议大家可以使用思维导图来进行拆解。
2、目标数据集的输出
目标拆解完成之后，我们需要自己去数据库中取数，设计数据结构以及输出目标数据集。
数据：
该数据包含了平台从上线以来，所有的经营数据（客单价及GMV均为万元）。
9月份标红的部分，就是需要我们去假设的事件A，而总GMV就是事件A发生后将要发生变化的指标。
确认需要我们去假设的指标：
次月复购率，金额增长率(客单价增长率)，新客数，新客ARPPU，回拉率，流失回拉ARPPU
而其他指标都是可以通过我们假设的指标计算出来的。（比如9月份，我们有上月客户数的数据，我们假设次月复购率为50%，即可通过客户数*次月复购率得出来9月的老客数。其他指标是同样的道理。）
3、在观远BI平台实现
3.1 上传数据集
将目标数据集上传至观远的数据集中。
3.2 新建全局参数
将需要被假设的指标新建为全局参数
3.3 在数据集新建计算字段，关联全局参数
新建老客维度计算字段：
• 新建计算字段 ”预测_次月复购率“
• 新建计算字段 ”预测_客单价增长率“
• 新建计算字段”预测_老客数“ ，"预测_老客客单价"
• 最终计算老客GMV
新客与流失回拉以同样的方式新建计算字段。
3.4 新建页面，将所有新建的计算字段添加为指标卡。
3.5 新建杜邦分析图，按照之前的拆解逻辑进行将指标卡进行排列。
3.6 新建全局参数类型的筛选器，将6个假设指标添加，再配合指标历史趋势图作为参考。
3.7 完善日期筛选器等信息，输出最终的目标拆解与业绩预测模型
最终效果：领导可以自己修改假设指标，来预测出最终的业绩目标。
总结
使用What-if分析法，来进行业绩目标预测，相较于线性回归以及AI模型，有着以下的优势：
1. 上手难度低，不需要很专业的AI和数学基础，简单的公式配合上观远BI即可实现。
2. 灵活性高，设置好模型之后，领导也可以自己调整页面筛选器来制定目标。
3. 可读性极强，因为进行了拆解，可以完整叙述结果指标是由哪些过程指标计算而来，以及达成这样的目标所需要的达成路径。
