KPI指标的预测、拆解及分析-技术圈

KPI（关键绩效指标）随着公司战略目标的发展演变而调整，来自于对公司战略目标拆解，是对员工工作表现最直接量化。KPI 这一特点决定了 KPI 的意义，第一，为公司员工指引方向，确保大家努力方向一致。第二，提供了透明、客观和可衡量的基础。第三，通过定期追踪和复盘关键绩效指标，管理人员能够及时诊断存在的问题并采取行动予以改进。

KPI指标如何预测

本文以电商行业为例，假设公司 KPI 为销售额，需要根据预测的数据，提前做出合理安排，我们能采用哪些方法进行预测呢？

一、加权移动平均法

加权移动平均法，是对观察值分别给予不同权数，按不同权数求得移动平均值，并以最后移动平均值为基础，确定预测值的方法。采用加权移动平均法，是因为观察期近期观察值对预测值有较大影响，它更能反映近期市场变化趋势。

已知 5 个月销售额，第六个月销售额根据前 5 个销售额来制定，离的近权重越大，离的远权重越小，6 月的预测值为 3195.3。

二、Excel趋势预测

在 Excel 中也有相应模块可以进行预测分析，点击图表设计-添加图标元素-趋势线-线性，在其他趋势选项勾选显示公示和显示 R 平方值。

根据公式可以推导出 6 月销售额为 3305（47*6+3023）。

三、机器学习算法模型

机器学习中线性回归、决策树、SVM、xgboost 都可以进行连续型数据预测，机器学习的整体流程如下：

收集数据：找出影响销售额因素，如店铺订单数据、店铺商品数据、用户行为数据、活动促销数据；
数据预处理及特征工程：填补缺失值和删除异常值，对数据进行归一化处理，提取有用特征或创造特征；
划分训练集和测试集：由于最终模型会预测将来某时间段销售额，为了更真实测试模型效果，以时间来切分训练集和测试集。假设我们有2020-06-01 至 2020-09-30销量相关数据。以2020-06-01 至 2020-07-31销量数据作为训练，2020-08-01 至 2020-09-30数据作为测试；
建模：使用线性回归、决策树、SVM、xgboost几种模型对数据进行预测；
模型评估：采用均方误差对模型评估，均方误差越小，模型训练越好。

KPI指标如何拆解

假设需要实现 1000W 销售目标，如果只按照只追销售额，这是一个结果指标，有一定滞后性，当发现结果不好的情况下，可能做不了什么改变，应当将过程指标前置。我们都知道电商常规公式：销售额 = 访问数 x 转化率 x 客单价，转化率和客单价这两个指标相对稳定，在已知销售额的情况下，可以倒推需要多少流量。

按照新用户和老用户来拆解，我们有 1000W 销售额，拆分新老用户销售额可以参考历史新用户和老用占比，根据基准转化率和客单价就可以测算新用户数和老用户数了，最后动作就是如何刺激老用户消费、新用户如何拉新。

按照商品类别来分，分为主打商品和长尾商品，倒推需要多少流量，再去引流。

如果需要将大目标拆解到各区，需要根据业务特点进行拆解，同上述新老用户拆分、产品分类，并配置对应资源及人力。

KPI指标如何追踪

统一数据口径，确保数据准确；
开发报表，监控 KPI 变化趋势及各区完成进度，保证数据及时性；
按照业务场景，拆解 KPI 指标，快速定位 KPI 波动影响因子，比如销售额 = 访客数 x 转化率 x 客单价。基于维度拆解结果或分群，继续下钻，为业务提供“抓手”。

KPI指标如何复盘

查看目标完成进度和时间进度，对于完成率较差区部，要给到压力，对于完成率好的区部，给到相应激励；
看完成率分布，是否偏离100%，是否符合正态分布，为下一次目标制定提供决策依据。