KPI指标的预测、拆解及分析
共 1597字,需浏览 4分钟
·
2021-01-13 00:43
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。