描述 + 预测 + 决策

上一篇文章介绍了business analytics学习的内容是商业、统计、和计算机的结合。但这个结合,并不是1+1+1=3这样的拼凑,而是有机的融合,融合为商业数据分析这个领域。这篇文章,用描述+预测+决策这三个框架,来给大家详细介绍下business analytics硕士的项目在最核心的分析这一块,到底教一些什么。

首先,第一个层级是描述性分析,也就是通过对过去数据从不同角度的呈现,获取商业的insight。这个是大家平时上学工作中已经反复在使用或者看到的了。比如利用excel制作一些图表,是最典型的描述性分析的场景。高水平的描述性分析,主要是基于你的商业思维的能力。所以在MSBA的课程里面,这个分析主要是通过商业类的课程进行培训。从技术的角度来说,有一些数据可视化的technique可以很好、更快地帮助你呈现数据,这也是一些学校会开设data visualization类别的课程的原因。比如R软件,可以一次性生成几十张散点图;再比如现在流行的Tableau,可以很好的生成实时、交互式的图表。

第二层,是预测性分析,这也是business analytics课程最核心的部分。预测性分析,就是通过对过去数据进行建模,一方面可以了解数据之间的相互关系,也能够利用model对其他未知情况进行预测。做预测性分析,excel就基本上是杀牛用鸡刀了,这就是R/Python/SAS 的用武之地了。说到学习建模,主要是有统计建模和机器学习两类。统计建模,是用数学公式来拟合数据,机器学习,则是用类似Alpha 狗一样的穷举法。但两者的很多原则,特别是对模型预测结果的评价,都是一样的。统计建模,所有business analytics项目都会教。机器学习,大部分business analytics项目也都会有涉及。在比较technical的business analytics项目中,机器学习应该是当仁不让的学习的主要模块之一。对于非理工背景的同学来说,这两个名词可能听上去比较吓人,但其实真正学起来也并不复杂,因为business analytics注重应用而非原理。就好像勾股定理一样,拿来就用就好了。

第三层,是决策性分析。也就是当你预测性分析已经有了一个预测模型、了解了变量之间相互关系之后,到底商业中该如何决策。两个主要的教学领域是simulation和optimization。Simulation最典型的是Monte Carlo 模拟,最典型的的optimization tool则是excel的solver。

说了这么多,大家可能有了个初步的概念。我来举个实际的例子让大家感受一下。比如可口可乐过去一年在上海,一瓶可乐的价格大概在2.5到3.5元之间波动,领导层想知道,明年我们这个可乐到底应该卖多少钱,我们的利润将会是最大。Business analytics的商业类课程会教你:利润=收入-成本。而收入=价格*销量。同时,成本也收到销量的影响。如果你做一个描述性分析呢,你会把数据调出来,把最终利润按照可乐卖2.5元, 3元, 3.5元的时间段或者是区域整合出来。然后说,你看我们卖2.5元的时候,利润最高,所以我们应该卖2.5元。这就是一个简单的描述性分析。千万不要瞧不起描述性分析,我估计世界上百分之九十的公司都只做描述性分析,剩下百分之十的公司百分之九十的时间,也都是只做描述性分析。但是未来的趋势,以及business analytics要教你的,是要做预测性分析。为什么需要预测性分析?第一,因为影响销量的变量很多,卖2.5元的时间段利润最高,也许因为当时正好也是夏天,所以生意本来就更好做?所以通过建模的方式,可以很好的包含很多的变量。第二,我们的数据只有2.5到3.5元的,你怎么知道卖四元或者2.7元的时候利润不会是最高?通过建模,可以清晰的构建变量之间的关系,回答类似于,价格降低一毛钱,销量(注意这里并非利润,因为利润与价格之间关系比销量与价格的关系复杂的多,所以一般通过先建模价格和销量,然后再通过财务建模最大化利润)会上升多少的问题。到了这里,预测性分析会给你一个价格与销量之间变化关系的模型,那么价格到底应该定多少的时候利润最高呢?这就是决策性分析要做的事情。一般来说,是通过simulation、财务建模和optimization的手段,确定能够让利润最大化的价格。

以上这些,都是这些年学business analytics、做business analytics的总结,希望对大家有帮助。大家如果有任何疑问,欢迎和我们联系。

Posted in Business Analytics.