以后在《想正式成为统计数据商品副经理，先掌控那些统计数据挖掘认识论》该文中，撷取了许多此基础的统计数据挖掘方式，从销售业务预测、采用者预测和商品营运四个各方面提供更多了许多预测的瞄准视角。接下去，高阶一步棋，他们再来看一看除了什么样新颖的预测辅助工具。

一、销售业务预测：怎样做确诊卡日丹？

在《想正式成为统计数据商品副经理，先掌控那些统计数据挖掘认识论》该文中撷取过强生预测方式，强生预测方式是财务管理中常见的回收分项的方式，能将核心理念分项回收为数个不利因素平方根的方式，如GMV=来访者数*转换率*客单价。

在略过分项回收后，如果怎样展开更进一步棋卡日丹呢？下月GMV下跌了，是来访者数快速增长的重大贡献却是转换率下降的结论，总之原因在于客单价的提高？

有鉴于此，他们须要导入另两个在财务管理应用领域应用的分析方式——不利因素预测方式。

1. 不利因素预测方式是什么？

不利因素预测方式是在将核心理念分项回收为数个不利因素后，辨识各不利因素对核心理念分项负面影响某种程度的一类方式。

他们将分项回收后，总之，能用genomes法来排序每一不利因素的重大贡献，比如说，假定上月的GMV、来访者数、转换率、客单价分别为GMV0、V0、T0、M0，下月的GMV、来访者数、转换率、客单价分别为GMV1、V1、T1、M1，所以

GMV0=V0*T0*M0

GMV1=V1*T1*M1

他们要推论来访者数，也即网络流量的重大贡献，依照genomes法，假定转换率和客单价与上月那样，来访者数变动所增添的GMV提高为：

Attr_V=V1*T0*M0– V0*T0*M0

反之亦然，排序转换率重大贡献的式子为：

Attr_T=V0*T1*M0– V0*T0*M0

这儿加进的是现代的genomes的价值观，但要采用genomes法须要两个大前提，那就是各变量之间要相对独立，但真实情况下，各不利因素之间都是相互负面影响的，很难保证独立性。

而不利因素预测方式所采用的是连续替代的方式，在排序下两个不利因素的重大贡献时，会考虑到上两个不利因素的变动，能有效地规避genomes法中不独立的问题，他们具体看一下怎样操作。

首先，他们在上月GMV0的此基础上，用下月的来访者数V1替换V0，接着再依次用T1替换T0，M1替代M0，能得到：

上月GMV：GMV0=V0*T0*M0 ①

第一次替代V：V1*T0*M0②

第二次替代T：V1*T1*M0③

第三次替代M：V1*T1*M1④

而每一次替代前后的变动，就是对应不利因素的重大贡献值，即：

Attr_V=②-①

Attr_T=③-②

Attr_M=④-③

GMV1-GMV0= Attr_V+ Attr_T+ Attr_M

2. 举个栗子

下面，他们举个实际的例子来熟悉一下上述方式。

假定9月和10月的统计数据如下：

所以，用不利因素预测方式依次替代后的结论如下：

9月GMV：GMV0=V0*T0*M0=12w ①

第一次替代V：V1*T0*M0=15*1%*60=9w ②

第二次替代T：V1*T1*M0=15*2%*60=18w ③

第三次替代M：V1*T1*M1=15*2%*70=21w ④

各不利因素的重大贡献率分别为：

Attr_V=②-①=9-12=-3w

Attr_T=③-②=18-9=9w

Attr_M=④-③=21-18=3w

由此可见，10月的来访者数较上月有所减少，导致了3w元GMV的流失，但网络流量显然更精准，转换率明显提高，且转换率的重大贡献最大，增添了9w元的GMV增量，此外，网络流量质量也较高，客单价有所下跌，增添了3w元的GMV提高。

因此，后续如果加强网络流量的导入，转换率能分渠道更进一步棋预测，针对高转换率的渠道展开重点营运，而客单价能更进一步棋预测是商品价格提高了，却是采用者买的商品数量更多了。

不利因素预测方式的作用，就在于能找到关键的正向或负向不利因素，当精力或资源有限时，能有的放矢，重点解决关键问题。

3. 替代顺序怎样确定？

看到这儿，不知道大家有没有发现，如果改变一下替代的顺序，各不利因素的重大贡献值会发生变动，比如说，如果先替换客单价，那客单价的重大贡献值肯定跟上面的结论有所差异。

所以，他们如果怎样保证不利因素预测方式的有效性呢？

不利因素预测方式是建立在某种前置假定的逻辑之下的，既然无法将各不利因素割裂展开预测，所以就依次考虑各不利因素的叠加效应，而这个次序须要遵循实际经济意义上的先后逻辑。

比如说，以上述的来访者数、转换率和客单价为例，自然是先有来访者到访浏览，才会有下单转化，之后才会产生交易金额。也即先得有人来，来了才会决定买不买，决定买了再看花多少钱买。

反之亦然，如果他们把GMV拆成价格*销量，所以如果先考虑价格的重大贡献，再排序销量的重大贡献，因为是先定价，才会有销量，而且销量很大某种程度会受到价格的负面影响。

二、采用者预测：怎样预测品牌认知差异？

网络社交媒体和电商平台中沉淀着大量的采用者反馈信息，通过舆情的挖掘预测，能为品牌商提供更多多视角的参考建议，指导品牌商展开商品或服务的优化。

很多品牌商都会定期找调研公司展开调研，从而了解采用者对品牌的认知，以指导下一阶段的品牌形象建设或品牌差异化策略。

有很多调研的预测方式反之亦然适用于舆情的预测，接下去就撷取其中的一类——对应预测。

对应预测(Correspondence analysis)也称关联预测，是一类多元相依变量统计预测技术，是通过预测由定性变量构成的交互汇总表来揭示变量间的联系。

简单来讲，其实就是先将各类变量放到一起展开相关性预测，把关联度高的展开归类，达到降维的效果，如将为二维（两个分类），接着，再看各变量在这个二维空间中的位置，最终推论变量间的关联性。

对应预测与因子预测的差异，就在于因子预测是针对两个变量中的值展开归类，看的是相同变量的相似性，如老鹰和麻雀都可归为鸟类，而对应预测包括数个变量，还能看不同变量的关联性，如老鹰（鸟类）与食物（鼠）的关联度高，麻雀（鸟类）与谷类（食物）关联度更高。

对应预测的具体原理在此不做赘述，大家感兴趣的话可以上网查阅，接下去，他们看一看实际的例子（统计数据都是我编的，如有雷同，如果是抄我的）。

1. 此基础入门：简单对应预测

现在，假如他们将采用者的评论、反馈统计数据，通过切词、归类编码后，得到以下统计数据表：

简单对应预测适用于两个变量交叉预测，他们先选“品牌”和“认知”这两个变量来展开对应预测。

在很多预测辅助工具中都有对应预测的功能或程序包，他们以SPSS为例，在SPSS菜单中选择【预测】-【降维】-【对应预测】，选择行列分别为“品牌”和“认知”，能得到以下摘要表：

他们看到显著性sig=0.000<0.01，卡方检验通过。

然后，观察第一列“维”（也就是所谓的归类）和后面的累积惯量比例，能看到维1和维2加起来的累积惯量比例已经达到99.5%，也即用这两个维度已经能解释“品牌”和“认知”这两个变量中99.5%的信息。

接着，他们能得到具体类别在这两个维度上的得分，生成对应预测图如下：

通过对应预测图预测关联性目前有多种方式，如向量预测、理想点与反理想点等。

这儿他们用最简单的观察法展开定位预测，首先标出几个品牌的位置，然后观察品牌认知的形象词与品牌的距离，距离越近，说明关联某种程度越高。

至此，他们能大致推论出各品牌在消费者心目中的形象。

2. 高阶拓展：多元对应预测

简单对应预测比较直观，但其缺点在于只能预测两个变量。如果他们除了预测品牌形象以外，还想看一看各类型采用者对于品牌认知的差异，所以就须要加进多元对应预测。

在SPSS菜单中选择【预测】-【降维】-【最优尺度】，选择预测变量为性别、年龄、品牌、认知，最终生成结论如下：

从图中能看到，50岁以上女性更偏好悠悠诗，她们觉得悠悠诗是“高端的”。40-50岁人群更偏好星七克和雀窝。

多元对应预测的信息量相对较大，能得到更丰富的解读，但理解较为困难，可酌情选用适宜的方式展开预测。

三、商品营运：怎样评估商品功能价值？

以后的文章中讲到了评估商品采用广度、深度和粘性的分项，用来监控商品当前的采用状况。

但该方式只能适用于商品上线之后的效果评估，而在实际工作中，商品副经理们还经常遇到另一类更为频繁且棘手的问题，那就是——没有资源，排不上期！

需求总是呈井喷之势，而资源始终是挤牙膏状态，商品副经理平日做的最多的事就是展开需求评估，通过形(pai)而(nao)上(dai)的方式，将需求拍出，额，不对，排出优先级。

所以问题来了，他们如果怎样展开优先级的评估呢？

反之亦然，他们能向现代调研取取经，接下去，就跟大家撷取两个方式——Kano模型。

1. 理论此基础——双不利因素理论

在讲Kano模型以后，他们先熟悉一下这个模型的理论依据。

了解过组织行为学的同学对双不利因素理论肯定不会陌生，双不利因素即“保健不利因素”与“激励不利因素”，美国行为科学家赫茨伯格认为，满意的对立面并非不满意，而是没有很满意，而不满意的对立面也不是满意，而是没有不满意。

一段绕口令后，他们举个实际的例子，公司福利、公司政策、工作环境，那些不利因素容易引起员工的不满，但如果满足了那些基本条件，员工就会满意了吗？

那些在员工看来只是基本的“保健不利因素”，就像每天都能吃饱并不能使他们幸福那样，而个人成就、社会认同、个人成长，才是能给员工带来满足感的“激励不利因素”。

赫茨伯格认为“保健不利因素”来自于外部环境，而“激励不利因素”是一类内在激励，马斯洛底层的生理、安全和感情须要都能认为是“保健不利因素”，而自我实现等高层需求属于“激励不利因素”。

说白了，放到商品的语境下，就是有的功能是必需的，但不能让采用者爽，而有的功能真的能让采用者感到爽，激发采用者的“Aha Moment”。

2. 研究方式——Kano模型

Kano模型的底层逻辑和双不利因素理论那样，在做问卷调研时，一般会问正向和负向向两个问题，即：

依照此方式，对于每两个功能，他们都能收集并汇总统计采用者的态度统计数据。

基于上面的统计数据统计，能更进一步棋排序出Better-Worse系数，表示该功能能增加满意/消除不满意的某种程度。

增加后的满意系数 ：（A+O）/(A+O+M+I)

消除后的不满意系数 ： -1*（O+M）/(A+O+M+I)

他们将所有功能的Better-Worse系数放到一张图上，就能对功能展开归类预测了。以手机为例，构建假统计数据制图如下：

通过象限图他们能看到，双屏可折叠等黑科技非常吸人眼球，虽然不是必需的，但却能大大提高满意度。

AI摄影、超长待机等功能属于期望不利因素，跟采用者的满意度有很大关系，所以很多手机品牌商不断在摄影功能、待机时长上做文章。

高性能处理器、大尺寸、指纹辨识已经逐渐正式成为必备不利因素，这与行业的教育引导有关，当大家都习惯了用手机打游戏、看视频，高性能、大尺寸自然会正式成为必要条件。

Kano模型比较适用于商品的需求调研，无论是前端商品却是后端商品，先可基于定性访谈收集需求，再收敛需求展开定量调研。

针对期望不利因素和必备不利因素，须要重点维护及迭代优化，而魅力不利因素属于亮点功能，有时间精力能逐步加大投入。对于无差异不利因素，应当减少维护和营运的成本，甚至将功能下架。

每一功能所处的位置并不是静态的，甚至往往会随着时间推移发生很大的变动，就跟商品都有生命周期那样，功能也会有自己的生命周期，定期运用Kano模型展开商品功能预测，能帮助他们掌控需求变动，从而指导下一阶段的商品升级。

#专栏作家#

本文原创发布于人人都是商品副经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议