提到數(shù)據(jù)，就必須提到各種模型。小伙伴們經(jīng)常有疑惑：從4P、SWOT、RFM到線性回歸、決策數(shù)、Kmean聚類，都有人管它們叫模型，那這些模型到底有啥區(qū)別？今天一文講清，大家看完再也不迷路哦。

一個例子，看懂二者區(qū)別

模型一詞，本身指的是“對現(xiàn)實世界的抽象”，通過少數(shù)關鍵信息，描述復雜的問題。

提煉關鍵信息的方式有2種：如果從業(yè)務角度做提煉，就是：業(yè)務模型；如果用數(shù)學、統(tǒng)計學、運籌學、機器學習方法論提煉，就是：算法模型。

舉個簡單的例子，我們常說“營銷4P模型”，這個4P其實是從業(yè)務邏輯出發(fā)的。站在業(yè)務視角，只要我做好了商品、渠道、價格、促銷，就能把貨賣出去。但是落到數(shù)據(jù)層面，就有很大區(qū)別。商品和渠道屬性很難量化，我們只能通過打標簽的方式，粗略對比不同標簽下銷售指標差異（如下圖）：

圖片

商品價格/促銷與銷量的關系，容易用數(shù)據(jù)量化，因此催生出一個經(jīng)典的算法模型：價格彈性模型。首先采集不同價格下商品銷量；第二步，擬合函數(shù)，總結出量價模型；第三步就可以拿模型推測漲價效果，或者求出利潤最大化的價格了（如下圖）：

圖片

注意！方法都是為解決問題而設計的，兩種方法各有優(yōu)勢。

業(yè)務模型的優(yōu)勢

業(yè)務模型最大的優(yōu)勢，在于能從業(yè)務角度給出問題的解釋。

比如：

• 是不是我的策略不對？
• 是不是我的選品不行？
• 是不是我的執(zhí)行力不行？

類似“策略”、“選品”、“執(zhí)行力”這些業(yè)務上思考 ，很難直接用x、y的加減乘除關系來衡量。此時就得構造業(yè)務分析模型，先把“策略”、“選品”等名詞量化，再用邏輯樹的方法，對問題進行拆分，構造一個層層深入的分析邏輯，用排除法找到正確答案（如下圖）。

圖片

業(yè)務模型的第二個優(yōu)勢，在于容易觀察業(yè)務行動的效果。

比如上圖中，基于邏輯樹，業(yè)務改進了執(zhí)行動作，增加了人力投入。我們可以直接觀察：邏輯樹頂端問題，是否變好了，從而判斷分析是否真的到位（如下圖）。

圖片

業(yè)務模型的第三個優(yōu)勢，在于清晰業(yè)務主體責任。

比如都是做預測，如果直接用回歸算法或者平滑算法給出一個結論，那么業(yè)務部門就沒法看到自己行為的效果，還會迷惑地問：“那我下周加班不加班，結果一樣嗎？”“如果我搞不掂A客戶，轉而做B客戶，是不是預測會不一樣？”（如下圖）

圖片

此時如果用業(yè)務模型來預測，可以直接把整體指標按部門拆開，讓各部門填寫自己預期情況。雖然具體參數(shù)可能需要拍腦袋得出來，但是每個部門能直接看到自己需做到什么水平，從而反向激勵業(yè)務必須行動。即使沒有完成任務，也能清楚看到“是誰沒完成”。從而更快速的思考對策。

算法模型的優(yōu)勢

算法模型最大的優(yōu)勢，并不是比人聰明，而是運算速度快+省事。比如經(jīng)典的互聯(lián)網(wǎng)推廣問題，各種限制條件一堆：“推廣總預算，每個渠道轉化率，每個渠道可以預約檔期數(shù)量”等等。

此時，如果用人力去安排，可能要計算半天，但熟悉運籌學的同學們都知道，這是個典型的線性規(guī)劃模型，只要能寫清楚建模假設， 就很容易出結果（如下圖）。

圖片

更方便的是，如果以后有調整，比如：

1、修改總投放費用

2、渠道檔期數(shù)變化

3、渠道轉化率變化

那么只要修改模型參數(shù)，就能快速出結果了，非常方便（如下圖）：

圖片

算法模型的第二個優(yōu)勢，是能發(fā)現(xiàn)業(yè)務沒注意到的情況。

比如做商品分析的時候，業(yè)務上是可以手動輸出一份《商品關聯(lián)規(guī)則表》，但這個表格的規(guī)則是固定的。如果用關聯(lián)規(guī)則算法，則可以突破業(yè)務思路的限制，發(fā)現(xiàn)更多潛在關聯(lián)銷售邏輯。雖然不見得是“啤酒與尿布”這么夸張的東西，但是也對啟發(fā)業(yè)務思路很有幫助（如下圖）。

圖片

算法模型的第三個優(yōu)勢，就是處理大規(guī)模數(shù)據(jù)了。

典型的業(yè)務模型RFM，做用戶分層時，如果每個指標分3類，那么就有3*3*3=27類，在業(yè)務上已經(jīng)復雜到很難匹配對應策略了。但是如果用協(xié)同過濾算法，完全可以做到千人千面，這也是算法模型的巨大優(yōu)勢。

之所以互聯(lián)網(wǎng)公司傾向于用算法做推薦，主要是源自互聯(lián)網(wǎng)平臺上的商品量以十億記，極難手動匹配規(guī)則。

業(yè)務與算法，如何完美配合

想要做好順暢配合，建議大家在項目啟動前，先花時間梳理好：到底要解決什么問題。而不是一上來先說：我要個模型。先捏個模型出來，再拿著錘子找釘子。

如果要解決的問題本身不清晰，比如：

1、診斷類問題：到底指標異動是因為內(nèi)部還是外部原因？

2、標準類問題：到底該怎么定義“高價值用戶”、“有效的策略”？

3、測試類問題：我有個新想法，還沒實行，不知道有沒有效果？

此時建議做業(yè)務模型，先把問題梳理清楚，把定義明確好，拿到測試數(shù)據(jù)，再看進一步怎么做？

如果要解決的問題定義清晰，且有數(shù)據(jù)積累，就很適合做算法模型。特別是即使業(yè)務很努力，也很難提升效果的時候，比如用戶流失挽留，新用戶電話銷售等場景，天然響應率低，通過模型篩選目標群體能極大提升業(yè)務效率，此時效果好。