业务模型 VS 算法模型，到底该怎么用？ _算法

提到数据，就必须提到各种模型。小伙伴们经常有疑惑：从4P、SWOT、RFM到线性回归、决策数、Kmean聚类，都有人管它们叫模型，那这些模型到底有啥区别？今天一文讲清，大家看完再也不迷路哦。

一个例子，看懂二者区别
模型一词，本身指的是“对现实世界的抽象”，通过少数关键信息，描述复杂的问题。

提炼关键信息的方式有2种：如果从业务角度做提炼，就是：业务模型；如果用数学、统计学、运筹学、机器学习方法论提炼，就是：算法模型。

举个简单的例子，我们常说“营销4P模型” ，这个4P其实是从业务逻辑出发的。站在业务视角，只要我做好了商品、渠道、价格、促销，就能把货卖出去。但是落到数据层面，就有很大区别。商品和渠道属性很难量化，我们只能通过打标签的方式，粗略对比不同标签下销售指标差异（如下图）：

文章插图
图片

商品价格/促销与销量的关系，容易用数据量化，因此催生出一个经典的算法模型：价格弹性模型。首先采集不同价格下商品销量；第二步，拟合函数，总结出量价模型；第三步就可以拿模型推测涨价效果，或者求出利润最大化的价格了（如下图）：

文章插图
图片

注意！方法都是为解决问题而设计的，两种方法各有优势。

业务模型的优势
业务模型最大的优势，在于能从业务角度给出问题的解释。
比如：

是不是我的策略不对？
是不是我的选品不行？
是不是我的执行力不行？

类似“策略”、“选品”、“执行力”这些业务上思考，很难直接用x、y的加减乘除关系来衡量。此时就得构造业务分析模型，先把“策略”、“选品”等名词量化，再用逻辑树的方法，对问题进行拆分，构造一个层层深入的分析逻辑，用排除法找到正确答案（如下图）。

文章插图
图片

业务模型的第二个优势，在于容易观察业务行动的效果。
比如上图中，基于逻辑树，业务改进了执行动作，增加了人力投入。我们可以直接观察：逻辑树顶端问题，是否变好了，从而判断分析是否真的到位（如下图）。

文章插图
图片

业务模型的第三个优势，在于清晰业务主体责任。
比如都是做预测，如果直接用回归算法或者平滑算法给出一个结论，那么业务部门就没法看到自己行为的效果，还会迷惑地问：“那我下周加班不加班，结果一样吗？”“如果我搞不掂A客户，转而做B客户，是不是预测会不一样？”（如下图）

文章插图
图片

此时如果用业务模型来预测，可以直接把整体指标按部门拆开，让各部门填写自己预期情况。虽然具体参数可能需要拍脑袋得出来，但是每个部门能直接看到自己需做到什么水平，从而反向激励业务必须行动。即使没有完成任务，也能清楚看到“是谁没完成” 。从而更快速的思考对策。

算法模型的优势
算法模型最大的优势，并不是比人聪明，而是运算速度快+省事。比如经典的互联网推广问题，各种限制条件一堆：“推广总预算，每个渠道转化率，每个渠道可以预约档期数量”等等。

此时，如果用人力去安排，可能要计算半天，但熟悉运筹学的同学们都知道，这是个典型的线性规划模型，只要能写清楚建模假设，就很容易出结果（如下图）。