预测分析：预测之后的那个决定

预测分析几乎总是被当作看穿下一季的能力卖出去。真正落到实处的东西要小得多，也有用得多：一个概率，让一个决定比原本早几天做出来。这个区别听上去像学术问题，其实不是，因为它决定了一个项目一年之后还在运转，还是变成了一页幻灯片。

这两头我都见过。有的公司里，预测分析安静地驱动着补货，没有人再讨论它，因为它已经是流程的一部分。也有的公司里，一个技术上干净的模型躺在报告里两年，没有人打开过。差别从来不在算力上，而在于预测的末端有没有坐着一个人，把一个决定挂在它上面。

预测分析究竟预测什么

平实地说，预测分析从过去的规律里算出一个关于未来的概率，仅此而已。中文里通常叫预测分析，学理上它属于统计学的一支，而不是一类产品，这个位置放得更诚实，因为它把不确定性一起说了出来，而不是把它藏起来。

在零售里，大多数应用最后都落到三个问题上。这件商品未来几周能卖多少。哪位顾客正要不再回来。哪个价格放到整季来算比今天的更划算。三个都是老问题，三个在从前也都被回答过，只是更慢，并且由更少的人回答。

预测分析做不到的是给出原因。模型会说某件商品大概率会压货，但不会说这是颜色的问题、价格的问题，还是陈列的问题。谁没有把这条界线划清楚，就会把预测当成解释，然后在这个基础上做出模型从未覆盖过的决定。

此外，一个预测只有在它的时间跨度落在还能动手的窗口里时才有用。关于下一季的预测很有意思，但订单早就下完了。关于未来三周的预测毫不惊艳，却正好落在还来得及补货的那个时刻。

模型从历史里学，而时尚的历史很短。一件商品十二周之后就退出了系列，继任者是新的，没有自己的过去。预测分析在这里几乎永远处在冷启动，必须通过属性来推断，通过颜色、材质、版型和价格带，而不是通过商品本身的销售曲线。

正因为如此，这里的一切都取决于商品是怎么被描述的。如果同一个颜色在三个系统里有三个名字，模型就会学到胡说，而且学得很稳定。一个预测分析项目因此相当规律地变成一个产品数据管理项目，这不是拖延，这就是真正的工作。

再有就是那些很难算进去的外部事件。一个暖和的十月挪动整个品类，一批货晚到两周，一个竞争对手提前开始打折。预测分析预见不了这些事，它只能事后识别出来，拿这些事去评判模型的公司，是在用错误的标准评判它。

这里几乎总是缺一个参照。模型好，不是因为它给出了一个数字，而是因为它比从前做决定的那个东西更准。在多数公司里，从前做决定的是某一个人的经验，而那个经验往往并不差。谁不从一开始就把这个对照一起带着，后来就说不出这份投入到底值不值。

最常见的失败是缺一个决定。预测被造出来了，却没有人事先定下，到了哪个数值由谁做什么。预测分析于是产出一个看上去有意思、却没有后果的数字，两个季度之后有人问这个项目带来了什么，得不到回答。

第二个失败是指标。模型的准确率是一个技术量，不是一个商业量。一个准确率中等、但挂着一个好决定的模型，比一个精确却无处着力的模型值钱。同样的混淆我在营销组合建模上见过，模型的优劣成了争论本身，它背后的决定反而不见了。

第三个失败是以为模型做完了。预测分析比店里任何别的应用都老得快，因为系列、价格逻辑和客群一直在变。没有人定期拿它的表现去对照现实并且校正，两季之后模型交出来的就是没有人再相信的数字，而中间不会有任何一处看得见的错误。

我会从决定开始，而不是从模型开始。一个今天已经在例行做出的判断，一个清楚的阈值，一个被指名的、会据此行动的人。预测分析从第一天起就有了收件人，到了季末这个项目的价值可以用数字说出来，而不必用形容词描述。

我还会从小处开始，具体就是补货。那里的周期短，反馈几周之内就到，一次错误预测的损失是可控的。活动是更差的切入点，因为同时起作用的东西太多，最后没有人能干净地分出模型贡献了什么。

还有我会公开地对待命中率，两个方向都是。一个已经学会用七成把握的预测来工作的公司，处境好过一个在等九成的公司。谁把自己的营销技术栈清理一遍，顺手把什么是用来决定的、什么只是用来观察的分开，其实已经替预测分析做完了一半的活。

我不确定的是，未来几年大模型会接走其中的多少。很有可能一部分计算工作很快就是买来的而不是造出来的。那时候剩下的是不舒服的那一半，而按我的经验，这一半从来没有挪动过：知道自己究竟想做哪个决定，以及把自己的数据整理成一台机器读得懂的样子。