沃顿商学院全套笔记-四-

沃顿商学院全套笔记（四）

【沃顿商学院】创业四部曲：发现机会、建立公司、增长战略、融资和盈利 - P9：[P09]07_1-7-impact-entrepreneurship - 知识旅行家 - BV19Y411q713

影响企业家精神是一个术语，指的是创建有道德的企业。

透明，并对我们现在的生活产生有意义的影响。

当我们想到一家公司对我们的生活有影响时，想到非营利组织或慈善机构是很自然的，影响企业家不一定是因为，不像非营利组织，也不像慈善机构，他们专注于利润，他们专注于长期的可持续性，他们不依赖捐助者，事实上。

他们专注于通过市场策略创造社会影响，同时。

与传统企业家不同，影响企业家现在专注于双倍或三倍的底线。

如果你看看三重底线到底是什么，第一条底线是利润，这是一条底线，这是传统的会计底线，每个企业都专注于此，但除此之外，一个有影响力的企业家专注于其他方面，比如说，第二个底线是社会影响，三重底线是利润。

社会影响和环境影响，所以社会企业或有影响力的企业的使命有很多方面，事实上，影响企业家精神是社会企业家精神的同义词，但它有时会涉及社会影响以外的其他领域。

比如说，环境影响，如果你考虑一辆特斯拉。

所以它对环境有影响，并进一步。

以开放源码的方式向整个社会提供其专利。

所以其他人都可以利用特斯拉所做的研发。

这再次表明。

影响企业家处理的典型领域包括医疗保健，能源，环境卫生，教育，以及这种性质的地区，这些地区有很大的影响，有时也没有得到充分的服务。

有很多著名的社会企业家，也许最著名的社会企业家是尤尼斯妈妈，他是诺贝尔奖得主，也是乡村银行的创始人，现在，格莱珉银行，该公司已经向800多万借款人提供了贷款，还款率超过95%，公司不依赖捐赠者。

并根据这些贷款的利率自我维持。

另一位著名的社会企业家是伊克巴尔·阿德尔，他是格莱珉手机的创始人，这是一家由格莱珉银行部分拥有的公司，在孟加拉国成立一家移动电话运营商，它成立了，基于为孟加拉国的穷人提供连接的信念。

将有助于增加他们的收入，改善他们的生计，为他们提供更好的就业前景。

事实上，今天格莱珉电话是孟加拉国最大的运营商，拥有超过5000万的订阅者。

沃顿商学院的另一位校友，团队租赁的创始人是另一个有影响力的企业家的例子，他的公司团队专注于技能，目前他们专注于印度的就业和就业能力，并帮助印度100多万人找到了工作。

现在，请注意，在我提到的所有这些例子中。

专注于利润，他们确实是以营利为目的的企业，他们确实有一个商业模式。

但同时他们有一个非常明确的社会使命，利润焦点的配对，社会影响焦点。

使他们成为社会企业家或影响企业家，现在，在大多数方面都是社会企业家，必须做其他企业家需要做的同样的事情，比如说，他们还需要解决产品的市场适配问题，他们不得不用有限的预算雇佣最好的人，他们必须管理财务。

他们必须想出如何生长，所以同样的事情，但同时，确实存在一些差异和一些独特的挑战，社会企业家或影响企业家面临，其中一个非常重要的问题是缩放，扩大一个社会企业的规模并不是最容易的。

因为这些企业家通常会选择一些最棘手的问题，因此，这些问题只是因为选择偏差，不是最容易规模或增长的，此外，社会目标有一定的成本和与之相关的非常真实的成本，比如说。

向偏远或得不到充分服务的人口提供服务的费用，所以成本增加了障碍，使它很难超越最初的一两个社区。

虽然很难扩大任何企业的规模，我认为扩大社会企业的规模更难，因为这些问题，所以一个社会企业家需要考虑你，知道，我如何缩放得更多，有几种途径可用，比如说，一条途径可能是通过合作伙伴扩大规模。

所以如果你想增加你的地理范围，你也许可以通过特许经营来做到这一点，所以你训练别人，它们有助于将你的想法或创新带到其他地区的领域，或者一个可能与另一个在规模上有最后一英里影响力的组织合作，所以说。

或者与具有显著地理覆盖范围和覆盖面的基督教青年会组织合作，和伟大的最后一英里连接时，需要。

在其他情况下，扩大规模的障碍可能是政府制定的政策，在这些情况下，解决伸缩问题的方法是影响政策变化，比如说，对于团队领导，我前面提到的公司，在印度提供就业机会，很明显，公司要扩大规模。

他们的一项重大投资是推动该国的政策变化，现在，社会企业家精神或影响企业家精神不同于传统企业家精神的另一个方面，是一个人管理整个筹款和融资过程的方式，现在传统的风险资本家往往不是影响力企业家的选择。

风险资本家通常希望在五到七年内退出他们的投资，因为他们的基金寿命通常不超过十年。

社会冒险往往需要更多的时间，因为，正如我前面提到的，他们的规模比传统企业慢一点，因此，一个人需要耐心的资本来支持增长，所以当一个人在寻找耐心的资本时，你可能不会经常看到传统的风险资本家。

但你可能会去别处看看，比如说，像盖茨基金会或福特基金会这样的慈善基金会，这些基金会往往专注于特定的领域，他们发出征集建议的呼吁，一旦他们收到最好的建议，他们决定由谁向政府拨款发放赠款。

也是社会企业家的另一个资金来源。

最后是以影响为导向的风险基金，比如海岸线影响基金，敏锐基金，Omidyar基金，这些都是风险资本家，但他们愿意更有耐心，因为他们专注于社会影响，他们明白首都需要更有耐心。

现在很多基金都把重点放在影响上，但他们并不总是耐心的资本，所以一个人必须认真思考。

我的业务可能什么时候到期？

并将其与投资者的预期进行比较，确保它们是一致的，有时，当社会企业满足他们的一些主要标准时，这是一种选择，例如庞大的市场规模和快速扩张的能力。

因此，有许多企业对社会产生重大影响的例子，在通过主流来源筹集资金的意义上，他们是非常主流的公司。

比如风投，那就是风险资本家，现在也是以非常传统的方式运行的。

我已经谈到了影响企业家精神和社会企业家精神，人们也看到了传统企业采用社会使命的例子，这当然也是传统企业家应该考虑的。

沃比·帕克就是一个很好的例子，这是一家在网上销售眼镜的处方眼镜零售商，沃比·帕克有一个购买一个给定的模型，在Warby Parker网站上购买的每一副眼镜，到目前为止。

该公司已经通过这种模式捐赠了100多万副眼镜，汤姆，这是一家鞋类零售商使用非常相似的买一捐一模式，每次你从汤姆那里买鞋，你其实，还向现在有需要的人捐赠了一双鞋。

重要的是要认识到这类模型确实需要钱，所以重要的问题是社会使命是否有助于利润。

以及如何优先考虑社会使命，相对于公司可能拥有的其他优先事项。

他是我以前的学生，谁是Warby Parker的首席执行官，一个说顾客经常把时尚和设计放在第一位，在挑选眼镜的时候，成本是他们的下一个，质量是第三，也许沃比·帕克的社会使命排在第四位，所以很明显。

社会使命不是消费者行为的主要驱动力，但尽管如此，它还是为沃比·帕克创造了某种品牌个性，品牌个性反过来推动消费者的选择，因为我们观察到的一件事是，消费者越来越被目标驱动，他们意识到他们购买的社会影响。

因此，这是他们要记住的一个因素，也许作为决胜局，或者可能，这是一件有助于推动他们的事情，当他们想买东西的时候，此外，社会使命是一个很好的招募工具。

所以对沃比·帕克来说，它是一种帮助潜在员工对机会感到兴奋的工具。

在沃比帕克，这有助于他们留住人。

因为人们喜欢相信他们的工作不仅仅是帮助转移美元。

但也有二次影响，所以从这个意义上说，社会使命对沃比·帕克来说很有价值。

所以总而言之，如果你的想法有两倍或三倍的底线影响，这意味着它对环境方面有影响，或者也有社会影响，一个值得问的问题是，我是否应该像其他企业一样经营我的企业，或者我应该以不同的方式扩大我的业务或筹款。

因为我的企业更像是一个社会企业而不是传统企业，同时，如果你有一个传统的企业，值得一问的是，社会使命是否应该是你的组织的核心使命，如果是的话，下一个问题是。

你如何将一个社会使命与你组织中的盈利模式结合起来，从我们所看到的，有几个原则可以应用，首先是你想先用产品来领导，接下来是任务，因为首先也是最重要的客户选择你的产品或你的公司。

因为你为他们解决了一个根本的痛点，之后社会使命就来了，其次，任务应该是真实可信的，试图强迫联邦航空局任务是没有意义的，仅仅因为你认为这有助于品牌塑造，因为它总是行不通，顾客看穿了这一点，最后。

社会使命应该在一个非常简单的过程中实现，易于理解的格式，比如说，想想沃比·帕克，他们卖眼镜，他们想帮助买不起眼镜的人，获得眼镜，他们实现了一个非常简单的购买。

给出一个对任何潜在客户都非常容易理解的程序，所以总之，让我说，我们在这门课上要说的大部分，关于识别机会和发展企业同样适用于社会企业，因为它们适用于传统企业，所以如果你是一个社会企业家。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P12：[P012]03_regression-analysis-part-1-the-demand-curve - 知识旅行家 - BV1o54y1N7pm

欢迎来到客户分析，正如皮特提到的，大致上有两种方法可以考虑量化数据，一个是提前一个时期做出预测，另一个是预测未来两个以上的时期，所以在这个模块中，我们将讨论第一个在一个周期前做出预测的人，我们怎么做。

这是通过回归分析来完成的，所以我们在这个模块中要做的是讨论一个简单的例子，展示如何进行回归，展示它能做出什么预测，然后我们和皮特一起把它脱掉，谁会更多地谈论未来的两个时期，所以让我们从回归分析开始。

什么是回归，它是关于量化两个或多个变量之间的关系，让我们举一个简单的例子，假设你在看需求或人们购买的数据，你知道价格是如何变化的，我们想做的是考虑如何开始，思考价格如何改变需求，换句话说。

在后面加上一些数字，让我们来看看回归的一些行话，我们要做的是解释一个因变量在这种情况下销售或需求，作为自变量的函数在这种情况下价格，所以换句话说，我们在回归中所做的只是试图预测，不同价格的需求会是多少。

回归是一种使用简单的，线性加法模型来做出这类预测，举一个简单的例子就会变得很清楚，让我们想象一下，这是一家特定公司在不同价格下的需求数据，这家公司想做的是试图了解他们的价格是如何改变需求的。

所以他们最终改变了价格，他们观察到需求，当我们开始考虑量化关系时，我们应该做的第一件事，只是绘制数据，所以让我们来绘制它，情节是这样的，我们在这里看到了什么，在横轴上我们有价格，在垂直轴上。

我们有销售额，我们在这里看到的，这就是你直觉上期望看到的，是随着价格上涨，一方面销售量下降，很直观，很有道理，这就是你所说的需求曲线，价格上涨，销售额下降，回归从哪里来，回归给出了一些硬数字。

你可以盯着它看，随着你的价格上涨，销售额确实下降了，但我们想具体看看，换句话说，我们想回答以下问题，如果我把价格提高一美元，销售额下降了多少，这就是回归的用武之地，回归是做什么的。

试图将我们在这里看到的数据拟合成一条直线，并试图把正式的数字放在需求曲线后面，从广义上讲，我们将要谈论的，一个简单的例子是需求分析，这是回归的一个特定示例，您可以考虑对许多其他类型的数据这样做。

我们在这里做的是销售作为价格的函数，你可以把销售看作是广告的一个功能，你可以考虑你想看到的各种不同的变量，如果它们连接在一起，所以我们能做的最简单的回归分析形式是销售，这是我们的因变量，是价格的函数。

这是我们的自变量，所以如果你看左手边，我们右手边有销售，我们有价格，在价格前面的系数b，在下一张幻灯片中基本上测量价格敏感性，我将向你们展示如何理解B是什么，基本上可以帮助我们理解。

如果我把价格提高一美元，销售额会下降多少？现在，这个方程，哎呀，我们在这里看到的这个方程是一个一般回归例子的形式，你可以把销售额看作是由y表示的，而价格是由x表示的，所以在下面的方程中，我所展示的。

你是一个一般的形式，在那里你可以考虑用许多不同的方式来表达你关心的，比如说，如果你在一家专注于广告和销售的公司，在您的示例中，为什么会是销售，这就是你试图预测的，那是因变量，X是广告，那是你的自变量。

在我们向您展示的这个例子中，Y是销售额，也是价格，一旦你运行回归，你在这里看到的是一条回归线或预测线，这就是你在图表上看到的线，在队伍里，你还会看到一个回归方程。

它基本上告诉你你的销售和价格是如何联系在一起的，你也会看到一个叫做R正方形的东西，让我先给你们一个r平方的直觉，r平方基本上告诉你回归线有多好，你从直线上看到的散射越多奥斯卡就越小，换句话说。

直线不能捕捉到所有的变化，直线越接近直线，你会看到r平方相当高，接近1，换句话说，回归做得相当好，一旦你确定回归做得很好，一般是百分之七十到八十，然后你就可以开始使用这个回归来做出预测。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P13：[P013]04_regression-analysis-part-2-making-predictions - 知识旅行家 - BV1o54y1N7pm

我们在横轴上看到了什么，我们在垂直轴上有价格，我们有单位的需求，除了你之前看到的点，我们也看到一条直线，那是你的回归线，这基本上是在捕捉，价格如何影响需求，特别是，如果你注意到价格前面的系数是负9。

当价格上涨一美元时，这告诉你什么，预计销售量将下降九分，它是负面的这一事实很有道理，为什么随着价格的上涨，预计销售量将下降。我们在这里还看到了什么，回归线预测的也是，如果你的价格是零，几乎是免费的。

大约会卖出十台，这就是我们在回归线中得到的，我们还看到了什么，我们还看到一个叫做r平方的东西，那是从零到一的数字，它基本上捕捉到了你的回归有多好，那个数字越接近1。

回归很好地捕捉到了需求是如何随价格变化的，那个数字越接近零，不幸的是，回归做得不是很好，我们在这里看到了什么，r平方相当高，大约是百分之八十九，那是一个很高的r平方，典型的R平方70%到80%。

这是相当高的，我们现在能做的就是，我们确信，回归很好地理解了需求是如何与价格等待的，我们可以开始使用这种回归来做出预测，这就是我们所追求的，我们要找的是，我们如何预测不同价格下的需求。

这就是我们下一步要做的，所以这么做，我们可以采取多个步骤，我们从看回归线开始，这就是我们之前展示的，开始插入不同的价格，我们可以首先取数据集中已经有的价格，并比较我们预测的回归线。

或者从回归中做出预测是与实际数据进行比较，这就是首先显示的，我们在这里看到的是实际数据，和预测的回归线非常接近，这并不奇怪，回归的r平方，记住哪些措施，这种回归有多好是相当高的，我们还能做的是更进一步。

这就是回归的力量，我们也可以开始考虑需求，对数据集中没有的价格的预测，这就是我接下来要做的，看看上面的价格，对呀，当你看到这些价格，这些是数据集中没有的价格，这些是未来的价格。

这时经理可以开始考虑如何使用回归，对他没有测试过的价格做出需求预测，到目前为止。

我们在这里看到的是回归可以预测需求，也是这个价格，这就是回归的美妙之处，看一些数据，我们可以开始理解需求与价格的定量关系，看回归的拟合度，穿过r平方，一旦你确信回归做得很好。

您可以开始使用回归来进行需求预测，一旦你能做出需求预测，最优价格仅一步之遥，直觉是这样的，如果我们能以不同的价格做出预测，我们可以开始考虑收入和利润，以这些不同的价格，一旦你能做到这一点。

然后你就可以开始了解应该收取什么价格来获得最大的收入或最大的利润，如果你知道你的潜在成本，所以回归的美妙之处在于我们从整体数据开始，我们开始量化变量之间的关系，一旦我们有了这些。

我们就开始考虑如何做出需求预测，下一个，你可以开始考虑最优价格和不同的价格。

弄清楚你的需求是什么，我们刚才给你看的是一个简单的例子，使用一个因变量和一个自变量，但当然，回归可以扩展到涵盖多个自变量。

总体思路又是这样的，在左手边，我们有y，它是因变量，在右手边，我们有X，哪些是你的自变量，在这一页的底部，你看到一个例子，人们可以推测销售额是价格的函数，但价格可能不会驱动一切，可能是广告，可能是升职。

回归可以处理任意多的自变量，这个想法，你想做的和你想做的完全一样，就是看看右手边价格的变量组合，广告促销，看看每一个的相对影响，看看他们现在对整体销售的贡献有多大。

回归，正如我提到的，只是做出需求预测的一个例子，它是了解需求驱动因素的一个很好的工具，作出需求预测，谈最优定价。

但还有很多很多其他的例子，所以回归是一种方法，你可以开始考虑像手推车这样的事情，你可以开始思考神经网络之类的东西，P后面会讲到的所有这些预测分析工具。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P15：[P015]06_making-predictions-using-a-data-set - 知识旅行家 - BV1o54y1N7pm

受够了这种抽象，谈论第一时期第二时期第三时期，我想变得真实，我想和真实的客户谈谈真实的数据集，实际向我们提供数据的组织的真实行为和真实决策，我将从一个非营利的背景开始，你可能会发现你可能不会有吸引力。

从某种意义上说，这并不重要，让我给你一些细节，然后当我们把数据集作为一个整体来看时，你会发现它适用于各种不同的设置，利润非营利，国内国际，b至b至c，我想每个人都会发现这种基本数据的吸引力。

我想谈谈一个特定的非营利组织，随着时间的推移，它正在观察它的捐赠者，就像这么多公司一样，他们会带走他们的顾客，他们的捐助者，我们会找到一大堆，同时被收购的，我认为这实际上是一个非常重要的教训，超越分析。

在预测模型之外，对公司来说，能够在队列的基础上看待他们的客户是非常重要的，让我们找出我们同时获得的所有客户，我们通过同样的运动获得它们，也可能是通过同一个渠道，或者他们都和我们做了同样的第一次购买。

在这种情况下，这将是一个基于时间的队列，我们要看看一群捐赠者，他们第一次向这个非营利组织捐款，在一千九百九十五，所以换句话说，我们对这些人一无所知，它们对我们来说根本不存在，直到1995年。

他们捐款说嘿，我们这里有一个新的捐赠者，所以，我们要跟踪这些人六年，1995年之后，然后我们要对它们做出预测，在那之后的五年里，所以我们又在谈论一个很长的数据集，公司可能根本没有的数据，在过去。

但今天因为数字化的一切，创造这些变得越来越容易，客户的这些悠久历史，比以往任何时候都重要，能够就谁将做什么发表声明，将来什么时候，所以你可以在这里想象数据结构，我们有一万一千一百零四位顾客。

电子表格中的一万一千一百零四行，然后我们有一堆列，每列代表一年，我们只是问，他们有没有，或者他们现在没有捐款，我们不在乎他们可能捐了多少钱，虽然很少有人一年赚超过一个，我们甚至不在乎调频的M部分。

我们所关心的是这些捐款的规模，他们有没有捐，如果他们真的捐款了，我们就给1分，给0分，如果他们不这样做，如果你先看看这里的数据结构，你看到这整列的，因为这告诉我们所有这些客户都是在19年获得的，九十五。

现在你看到一堆0和1在右边，基本上是说，他们有没有，或者在被收购后的六年里，他们没有每年捐款，所以让我们首先关注这些数据，真正更好地了解它，然后我们要做一些声明，将来谁可能做什么，在我们这么做之前。

不过，看看这个数据集，这是一群顾客随着时间的推移在做或不做事情，所以在这个特殊的情况下，是捐款，但是你可以想象这个相同的数据结构，哦，我不知道有连锁酒店，所以我们有一群人在我们的忠诚计划中。

他们住在我们的房子里吗，或者不是在给定的月份，可能是给信用卡公司的，这些人有循环利息费用吗，或者不是每月，它可能是一个手机游戏应用程序，人们玩这个游戏吗，或者不是在日常基础上。

所以我希望你能看到这个数据结构是非常通用的，非常实用，我不在乎1和0代表什么，他们的购买，不管他们是，你知道的，嗯，在社交媒体上发帖，住旅馆，利息费用，不管是什么，我甚至不在乎什么时间段，所以在这里。

我们把重点放在一年作为期间，但它绝对可以是一个月一周一天，哪怕是一秒钟，视情况而定，所以在我继续之前，我只想让你欣赏，这种数据结构的通用性，你们中的许多人对数据做出了贡献，作为消费者作为公司。

试着跟踪和预测你可能在做什么，在商业方面也是如此，您可能正在使用这样的数据结构，帮助你变得更舒服一点，让我在这里挑出几个例子，我想，我想让你帮我做个预测，根据你所掌握的有限信息，你在这张幻灯片上看到的。

我想让你对某些类型的顾客做一些预测，例如，让我们从这里的鲍勃开始，所以看看鲍勃，你可以看到鲍勃在1995年被收购后，同样，我们不会预测1995年的购买，因为我们对鲍勃或这个数据集中的任何人一无所知。

直到购买发生之后，看看鲍勃的六个机会，他六次都捐了，他打了六个中的六个，所以让我们在接下来的五年里对鲍勃发表声明，所以事实上我想，我希望你真的把它写下来，你对有多少捐款的最佳猜测是什么。

鲍勃将利用接下来的五次机会，如果你的答案是，我不知道我不知道，那你是绝对正确的，因为老实说，我不一定关心鲍勃，我不一定在乎这一个顾客，我真正关心的是，我做出好预测的能力本身并不是鲍勃，会是波。

告诉我所有有这些相同特征的客户，所以虽然我可能很难对其中任何一个做出陈述，一旦我开始把它们分组在一起，在这个数据集中，你会看到，我想成为大约1200个鲍勃，我希望能够对鲍勃的平均情况做出陈述。

所以如果我们想想鲍勃自从被收购后六分之六，平均有多少捐款，他们会在接下来的五次机会中，所以他们中的任何一个都将为零，一次、两次、三次、四次或五次捐款，当我们看他们所有人的时候，有的会变成零。

有的可以做五个，有人会做两三个，他们的平均数是多少，我要你把那个号码写下来，好的，那是鲍勃，现在让我们看看这边的Sara，自1995年被收购以来，莎拉什么都没做，她是鲍勃的对立面，她六杆零杆。

她什么也没做，所以我想让你对莎拉做一个预测，或者又是莎拉，所有这些客户从被收购到现在什么也没做，你可能想知道，我们为什么要对莎拉发表声明，她六年来什么也没做，让我们把那些顾客赶走，他们。

它们对我们来说不值钱，而事实是，任何一个莎拉的可能不值钱，但为什么我们对追踪莎拉这么感兴趣，因为他们太多了，即使你看这张幻灯片，看看自从被收购以来，你看到了多少带零的莎拉，原来萨拉，也就是说。

在一段可观察的时间内被收购后什么也不做的客户是非常非常常见的，在此数据集中，他们代表了大约33%的顾客，我在许多数据集中看到，通常超过50%，所以，而这些时间中的任何一个都可能不值多少钱，在某种程度上。

它们有任何价值，当我们把所有这些加起来，在未来，尤其是当我们从长远来看，所以我想让你写下你对莎拉的预测，平均有很多捐款，他们会在接下来的五次机会中，我还有一个小问题要问你，现在我想让你比较玛丽和查米拉。

好的，我甚至不打算说他们的事，你可以在这里自己看到数字，所以我想让你看看玛丽和查米拉，事实上，我想让你回答两个问题，问题一在接下来的五年里，他们中哪一个的平均价值会更高。

第二个问题是多少所以花点时间，看看玛丽一家，看看夏米拉斯，想想是什么让其中一个比另一个更有价值，我要你写下来，并预测哪一个更有价值，我们会休息多少，我们会回来再回来，谈谈你可能使用的一些逻辑。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P16：[P016]07_data-set-predictions-mary-sharmila-or-chris - 知识旅行家 - BV1o54y1N7pm

好的，所以你有时间考虑玛丽和查米拉，那么那么那么他们中的哪一个会是，更有价值的客户，其中定义了值，在接下来的五次机会中，可能会有更多的捐款，所以其实，所以如果你觉得，那么玛丽才是将来更有价值的人。

举起你的手，很好，对于那些认为夏米拉会更有价值的人来说，让我们看看他，好吧，你们谁认为会是平局，你认为玛丽和切尔米勒会，几乎是一样的，有人去打领带吗，没有人喜欢领带，从来没有人喜欢领带，你知道。

我是认真的，如果我们在这个分析空间里，这是我们作为顾问或供应商公司的工作，为客户数据库打分，说谁最有价值，谁是最没有价值的，以及每个人在两者之间的排名，如果我们说这两个是平局，听起来就像。

我们不知道我们在这里做什么，有趣的是我们不喜欢领带，让我们来谈谈玛丽对施米勒，有趣的是，我看到的并不是全部，但大多数人都为玛丽举手，尽管你知道对于那些投票给Sharmila的人来说，我能理解为什么。

因为如果我们回顾玛丽对莎米拉，似乎很明显，为什么夏米拉会是更好的顾客，因为如果你把他们捐款的数量加起来，玛丽做了四个，施米勒做了五个，如果你去这个非营利组织或任何公司说，嘿看。

这里有一个顾客买了四次东西，这里有一个顾客买了五件东西，你认为哪一个对你更有价值，人们会给你一个有趣的眼神，嗯，很明显，不是吗？我要拿五比四，但你们中的大多数人没有投票给Shmilla，2。

你们大多数人都投玛丽的票，为什么会这样，一个错过了两次捐赠机会的人怎么会，可能比只错过一个的人更有价值，当然，这个问题的答案，如果可以的话，你知道说它现在在镜头前，因为这不仅仅是他们捐款多少的函数。

或者他们错过了多少机会，但考虑到他们什么时候创造或错过了这些机会也是非常重要的，你看和玛丽在一起，是呀，她确实错过了两次，但在这两种情况下，她都是后来回来的，但对莎米拉来说，最后是零。

这可能意味着不仅仅是，哎呀，我忘了，这可能意味着她不再喜欢我们的组织，她不想和我们打交道，这可能意味着她不再有任何需求，对于我们提供的这项特殊服务，她可能搬到了其他地方，可能她死了，我是说，我不知道。

但是这个零可能有各种各样的原因，我们为Sharmilla看到的可能不仅仅是一个，哎呀，它可能是一个，她走了，她不会再回来了，所以对于那些投票给玛丽而不是夏米拉的人来说，你看着最后的那个零，说那是零。

莎米拉的一个零很有分量，事实上，它比我们在玛丽身上看到的两个零更有分量，如果你仔细想想这个逻辑，如果你投票给玛丽而不是夏米拉，你在这个过程中发明了什么，嗯，如果你想想我们刚才说的，记住我们的调频。

让我们把m部分放在一边，因为我们不知道他们花了多少钱，但你所做的是在r和f之间进行权衡，你基本上是说如果你投玛丽的票，最近胜过频率，我宁愿看到一个我认识的人最近和我在一起，因为他们还活着的机会更大。

比对我做得更多的人，但有一些合理的机会，他们走了，这就是为什么我们直销的祖先称之为RFM，因为他们一次又一次地注意到，最近比频率更重要，这比货币价值更重要，基本上所有刚刚投票给玛丽的人。

你只是基本上重新发明了轮子，这是一件伟大的事情，人们认识到，最近和频率是这两个关键的汇总统计数据，在某种意义上，我甚至不关心0和1的具体组合，如果你能告诉我最后一次是什么时候发生的，有多少个。

我只需要知道这些，那对我来说就足够了，在玛丽一家和夏米拉一家之间做一些交易，如果我们更进一步，这是一个很好的例子，说明我们不一定相信数据，我们在看数据，作为数据表面下发生的事情的指示，换句话说。

最近和频率很高兴知道，但更重要的是，它们是真正潜在的不可观察的指标，人们购物的倾向，退学，做其他种类的事情，是那些潜在的不可观察的东西，这将帮助我们做出更好的预测，尤其是从长远来看。

这正是我在这里所说的，我们看着像玛丽这样的人说她刚刚捐款了，她当然还活着，我们期待，她很有可能在接下来的一段时间里捐款，因为她上次就在附近，但在夏米拉身上，我们看到了零，我们问自己，她是不是错过了一个。

还是她永远离开了，她是一个可能会回来的休眠顾客吗？还是说她是个一去不复返了的顾客？再次为我们回答这个问题，它可以给我们一些迹象，那个，我们需要讲一个故事，关于数据表面下发生的事情，为了让我们真正理解。

做我们想做的长期预测，让我再举一个例子，所以我保证这是最后一个，让我们把玛丽和克里斯比较一下，我想让你做同样的事情，玛丽和莎米拉，我想让你看看他们的历史，我不想让你被他们中的任何一个缠住。

我想让你想想整个图案的一般管道，谁会更有价值，玛丽家或克里斯家，所以花点时间想想看看模式，想想那里有什么相关的，告诉我，你会去找玛丽吗？一个人将来可能会买更多的东西，你会去找克里斯吗。

或者你会说他们是一样的，所以考虑一下，我们会马上回答。

那么你从这些模式中提取什么，以确定它们之间的比较，我现在要读懂你们中一些人的心思，我打赌你们中的一些人看着这里清晰的图案说，自从克里斯被收购，他已经归零了，零一一，所以当我展望未来。

我想克里斯要去零一一，零一一，你知道吗，你掉进了我的陷阱，所以再一次，我不一定相信数据，你真的相信克里斯每三年，正在思考，嗯哼，今年是我跳过的一年吗，然后我再干两年，可能不是。

我想只是有更多的混乱和噪音，当人们真正做出这种决定时，所以我真的不想看非常具体的模式，我想绘制适当的汇总统计数据，这会告诉我一些事情，不是所有的，但关于表面下发生的事情，当然。

你们中的许多人做的另一件事是，我希望你们都这么做了，是你看着玛丽和克里斯，你首先看的是最近的和频率，你看着玛丽和克里斯说，嗯哼，他们现在是一样的，你们中的一些人可能会停下来说，看皮特。

告诉我最近和频率是最重要的，尽管玛丽和克里斯有不同的模式，他们的r和f是一样的，所以我要对他们一视同仁，即使在某些情况下我不喜欢领带，如果我没有任何真正好的相反的信息，我要戴那条领带。

但我打赌你们中的一些人不愿意就此罢休，你们中的一些人说好，好的，最近和频率是一样的，所以让我们找一个决胜局，让我们从最近的一个时期回顾一个时期，我们看到了什么，哦，他们都捐了款。

我们现在需要进行双加时赛，我们看到了什么，哦，玛丽捐了一笔钱，克里斯没有，我和玛丽一起去，我对你说羞耻，羞耻，羞耻，因为当我们的祖先间接营销发明RFM时，一切都是关于最近和频率，这不是关于三阶，最近看。

事实是玛丽和克里斯最近都给了，我们知道他们上节课还活着，我们知道他们在那之前还活着，所以从某种意义上说，我真的不在乎他们倒数第三次购买发生在哪里，我所关心的就是用我最近的时间和频率说出来。

这就是为什么我之前又拿领带开玩笑了，我们往往不喜欢他们，我们倾向于认为这是软弱的表现，我们不能做分析和分类这些客户，但在某些情况下，如果我们没有真正好的信息来做到这一点，整理，我们还不如打领带。

我认为这对马里恩·克里斯来说是合适的，好的，现在的例子已经够多了，我想现在，我们已经做了足够多的工作来激励这个数据集，我们想用它做的事情，以及一些早期的见解我接下来想做的是。

虽然是谈论一个非常具体的模型，一个关于数据表面下发生的事情的故事，这将使我们对鲍勃和莎拉做出准确的预测，玛丽，Sharmilla，克里斯。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P17：[P017]08_probability-models - 知识旅行家 - BV1o54y1N7pm

好的，让我们把这些拼凑在一起，所以我给了你这个数据，渴望预测接下来会发生什么，如果你考虑回归方法，我们可能会做的是，我们本可以把这个数据集，我们可以把它碎成碎片，我们可以说，让我们看看你上半场的数据。

假设头三年，试着预测你在接下来的三年里会做什么，我们可以运行回归模型，我们可以用R和F等度量，如果我们有他们来预测你在下半年会有多少捐款，然后我们可以把回归的结果，并就未来三年发表声明。

我们可以做到这一点，如果我们想做的只是陈述一个时期，我们会这么做的，这可能绝对没问题，我对此没有任何问题，但是如果我们想在更远的地方做预测会发生什么，我们不想把自己局限于任何一个时期，我想把所有的数据。

每个客户六年的数据，因为他们被要求发表声明，不仅仅是任何一个时期，但在永恒的余生中，这是标准回归模型之间的对比，这又是壮观的，如果我们想在一个时期发表声明，相对于我所说的概率模型。

能够讲述更多关于表面下发生的事情的故事，为了能够在更长的视野内回答问题，也许以那些直接的短期地平线类型的问题为代价，所以我想看看这些0和1，并讲述是什么驱使他们的故事，在某种意义上。

回归是关于使用任何解释变量，你得讲那个故事，它不会让你真正深入到你所拥有的数据的表面之下，嗯，这就是我想做的，我想提出有一些行为机制，我们无法观察到的东西，这促使人们同意，不，那是驱动0和1。

我想想想人们正在使用的某种过程，决定是否在一段时间内捐款，让我想想最简单的过程，换句话说，经常在回归中，事情会很复杂，我想引入营销、经济、竞争和人口统计，我想带来尽可能多的信息，我想走到相反的极端。

我不想把这些信息都带来，而是，我要说的是，每个人是否捐款的决定，将是掷硬币，所以让我们想象一下，你知道的，头我捐尾巴，我不做，你认为人们真的在掏出硬币，在做这种决定的时候，可能不是几乎肯定不是。

他们在做什么，嗯，我不知道，这是相当复杂的，这将是很多很多的函数，很多不同的东西，我们可以观察到的一些事情，比如营销活动、社交媒体、竞争和人口统计，是啊，是啊，其中一些我们可以观察到。

但我们仍然可以观察到很多事情，当你每天做决定的时候，想想你自己，有时这取决于，你知道你早上橙汁用完了，所以你得跑去商店，你没有计划去你孩子生病的地方，我们刚刚雇了一个新人，外面有这么多因素。

以微妙但有力的方式推动我们的决定，我的观点是，我们所做的决定似乎是随机的，就像我们在抛硬币，当我做的时候，它是尾巴，我不会再这样了，我不是说字面意思，但这有点像，如果你在高楼顶上，你看着周围的人。

他们看起来像蚂蚁对吧，不仅仅是因为它们很小，而是因为它们看起来太随意了，就像，这个人为什么向左转，为什么那个人在他们的脑海中变得很好，他们所做的一切可能都有很好的理由，但作为一个外部观察者。

我们看不到这些原因，所以说，而不是试图说好，让我们试着预测左或右作为温度的函数，湿度，风旋转，你知道你在某个时候做不到，信噪比如此之低，以至于人们的行为就像随机的一样，所以我要一直走到那个极端。

我要建立一个客户行为的随机模型，我要说的是人们在抛硬币，他们做购买或捐赠的故事，他们不会，但有一个陷阱，不同的人在抛不同的硬币，不是每个人都有一个五五分的硬币，不同的人有不同的倾向。

所以一个人可能有一枚硬币有10%的时间出现正面，一个人可能有一枚硬币90%的时间都是正面的，所以这并不意味着像发条一样，每十个机会中就有一个发生在购买上，但这意味着如果我长时间观察你。

大约10%或90%的人会出现，我甚至不一定那么关心具体的模式，我更关心的是整体倾向，从长远来看，如果我要看着你，我只想知道有多少捐款，在未来很长的一段时间里，你要做什么，所以我有一枚硬币。

它将捕捉到这一点，真正的关键是硬币因人而异，硬币可以在许多不同的方面因人而异，你可以想很多不同的，不同种类的图片，可能会捕捉到硬币是如何变化的，所以如果你看这张幻灯片可能每个人都有一枚相当相似的硬币。

只有少数人更低，几个人更高，也可能大部分硬币都很头部，那就是人们倾向于捐赠，也可能硬币很tay，大多数人都不愿意捐款，或者我们可以得到一个U形曲线，那里有一些人真的很喜欢它，有些人不是。

可以有很多不同的形状，我甚至不会选择哪一个。

我会试着选择合适的统计分布，可以捕捉所有这些不同的形状，所以有能力捕捉人们在硬币嘴唇上的不同，他们的购买倾向会让我走得很远，但如果你想想马里恩·查米拉的故事，不仅仅是知道进行这些捐赠的总体倾向。

我们是不是也要知道一些，这个人是不是还活着，这就是为什么你们中的许多人投票给玛丽而不是夏米拉，因为你们中的一些人相信夏米拉，她在最后有一个零，她可能已经走了，这意味着我们需要第二枚硬币。

这里的这个坏男孩，这是死亡硬币，好的，我们每个时期都抛硬币，又大又重的硬币，当这枚硬币正面出现时，所有这一切意味着你活着有另一个机会，我买尾巴，我不知道，但当这个出现在尾巴上时，我走了，我永远走了。

我不是真的说死亡，我希望你明白，但我是说，人们只是放弃购买某些种类的产品，服务，产品类别，我不知道为什么你不再需要它等等，所以我们有引号，死亡硬币，我每次都要把这个翻过来，当它抬头的时候。

它没有告诉我任何关于我实际行为的事情，它只是给了我一个掷硬币的机会，发生一些行为，但当这个出现在尾巴上时，我走了，我永远走了，这将是我的全部故事，以同样的方式，我们将考虑到人与人之间的差异。

我们用的花哨的词是异质性，就像我们考虑到购买率的异质性一样，我们还将考虑死亡率的异质性，如果你还记得我给你看的这张照片，它显示了关于有多少人可能有，你知道的，非常高与低的死亡倾向，这里也是一样的。

我们要选择一个统计分布，这将捕获，只是人与人之间的差异，以及它们有多容易死亡或生存，一次又一次，我不知道，即使你有一个非常容易死亡的硬币，我不知道你到底什么时候会死，你在抛硬币，那很泰雅。

它很可能会出现尾巴，但你可以很幸运地度过2-3-4-5个时期而不发生这种情况，都是随机的，都是概率，所以我要有这两个硬币，每个人都带着不同的，有不同重量的，在购买上正反面，和死亡的头对尾。

这给了我们我喜欢称之为购买的东西，直到你死模特，这些模型已经在市场上使用了近30年，它们不是我自己发明的，虽然我很高兴地说，我帮助推广和扩展了它们，我们发现在许多，许多不同种类的上下文，不管是购买。

无论是参加不同种类的活动，各种各样的活动，当人们有反复的机会让某事发生时，不管是交易，网站访问量，提出保险索赔，等等，这些Bito Udai模型非常强大，他们对购买和死亡做出相当长期预测的能力。

我们将来可能会看到，他们对下一个时期发表声明的能力，也许和回归模型一样好，而且老实说，如果你的目标只是发表关于短期的声明，使用回归模型，他们是最好的，但如果你，如果你想发表关于长期的声明。

然后这些类型的模型和其他类似的模型，我不是特别支持任何一种型号，但我只是在说看数据的想法，讲述一个关于它下面发生的随机过程的故事，讲那个故事，掷硬币，纺车，您可能想使用的任何随机化。

讲述一个关于这些倾向如何因人而异的故事，讲述一个关于这些倾向如何随着时间的推移而变化的故事，然后算算，我现在要为你跳过所有的数学，虽然没那么难，在这种情况下，实现这个模型一点也不难，如果你有兴趣。

我们会发布一些链接，到论文和技术笔记，让您了解这些模型的开发，但让我们休息一下，然后让我们谈谈如何让模型栩栩如生。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P18：[P018]09_implementation-of-the-model - 知识旅行家 - BV1o54y1N7pm

所以让我们从鲍勃开始，我们可以看到鲍勃在桌子的右下角，现在记住我让你为鲍勃做一个预测，或者为了鲍勃，我问你在接下来的五场比赛中你希望他们捐多少，大家可以看到，根据模型，这不一定是真实的数字。

但它离它很近，预测是三点七十五，我打赌你们中的一些人看着数字说哇哦，这是相当低的，我打赌你们中的一些人预测了五个，我打赌你们中的一些人说看，鲍勃六投六中，他要给，每次我们给他机会。

所以在接下来的五场比赛中，他给了五场，我们不仅有点过于乐观，但也许说起来有点天真，你知道他总是会给，他总是会在身边给予，当我们想到我们的巴托迪故事，当我们明确地认识到人们行为的随机性时。

我们意识到你知道吗，很有可能，在接下来的五年里，事情可能会发生，即使是会导致他们辍学的鲍勃，即使他们还活着，考虑捐款，不能百分之百肯定他们会给，所以你可能会对这个低数字3点感到震惊，七五。

你可能会说哇哦，那个数据集或那个模型有些奇怪，但让我告诉你，它总是这样工作的，我看了很多很多的数据集，我们跟踪那些真正高端的客户，那些真正忠诚的人，我们看看他们在未来的一段时间里会做什么。

而且往往比你想象的要少得多，这本身就有非常重要的意义，因为我看到很多公司说，哇喔，让我们建立总统的金牌，蓝丝带，鲍勃红地毯俱乐部，让我们向他们展示我们有多爱他们，试图提高所有的价值。

所以我们成立了一个特别的俱乐部什么的，然后我们观察鲍勃在接下来的五年里做什么，我们说哇哦，鲍勃怎么了，他们过去六分之六，现在他们只跑了三分，七，五分之五，你对鲍勃做了什么，你被解雇了，当我开玩笑的时候。

我也很认真，如果我们对客户没有正确的长期期望，我们经常投资过多或不足，我们判断的方式，这些投资的质量可能还有很长的路要走，所以有一个关于鲍勃的警示故事，但他不是我们唯一想看的人。

我们可以把目光移到左上角，我们可以说莎拉呢，现在我敢肯定你们所有人都看着莎拉，然后说，我打赌她将来不会值很多钱，在接下来的五个中，你知道她可能只捐一点点，你说得很对，根据这个模型。

我们预计在接下来的五个小时里捐款的数量将是零点。

零七，所以再一次，任何个人莎拉，但总的来说，酸味是一种响亮的咆哮，这就是为什么我们不一定要担心，他们中的任何一个，在这个数据集中有3464个萨拉欣，所以总的来说，它们实际上值很多钱，他们是集体的。

它们比大多数其他射频细胞都值钱，我们在这里的桌子上看到的，然后是玛丽和查米拉，这样你就可以看到Mary和Charmila在桌子上的位置，你可以看到玛丽的捐赠比查米拉少一次，但最近和我们在一起。

所以如果你把眼睛放大到桌子的那个地方，你会看到我们对玛丽一家的最佳猜测是2。711，换句话说，为了那些婚姻为了那些人，不管0和1的实际模式，但对于那些为捐款买了四次东西的人来说，最后一个是在最近的机会。

我们对他们的最佳猜测是27。1，在接下来的五场比赛中，这个很有趣，尽管查米洛六分之五，真的很好，你知道的，她捐出了我们给她的80%以上的机会，而是因为她错过了最近的一个，错过的捐赠很有可能是她的信号。

实际上完全消失了，而不仅仅是跳过一个，夏米拉只值1。81英镑，换句话说，在接下来的五个人中，我们只希望那些谢尔米勒能赚1点8分，或者大概，你知道的，三个，6%的捐赠机会。

玛丽一家现在比什米拉一家贵百分之五十，对于你们中的许多人来说，这是一件轻而易举的事情，玛丽当然值钱多了，你可能不会对此感到惊讶，但是对于那些投票给Sharmila的人来说，我看到你在外面。

你知道会很震惊的，不仅是夏米拉，尽管她的五笔捐款比玛丽一家的价值低，玛丽一家只赚了百分之四，但百分之五十，我是说那真的很大，我们再次看到这种模式，每一个这类数据集，我不是说这个数字总是百分之五十。

有时它更小，有时它更大，你会在另一个例子中看到，我很快就会给你看，但它是实质性的，不能忽视，最近特朗普的频率只是一个非常，要记住的非常重要的一课，当然最后也是最不重要的是玛丽和克里斯，在这种情况下。

因为模型只考虑最近和频率，我们要说他们是一样的，是啊，是啊，我们可以观察它们的具体模式，也许可以试着区分它们，但当我们看着玛丽和克里斯的时候，为什么要费心呢，在其他人的背景下，反正他们几乎是一样的。

所以我们不要把它切得比我们真正需要的更细。

所以我希望你能欣赏模型的预测，不仅仅是因为我们要评估这个特定的模型做得有多好，但是我们学到的一些教训，如何说鲍勃在与夏米利斯的婚姻中变得不那么值钱，这些都是一般的想法。

当我们观察一个客户群随着时间的推移，不管我们用什么型号，也许根本没有模特，当我们谈论预测分析时，不一定是关于嘿，这里有一个有效的统计模型，但它对未来会发生的事情有洞察力，我们还没有机会观察到。

所以这些模式是非常普遍的，但要真正让你相信这一点，我们需要看看模型工作得有多好，所以我想做的是把我们一直在看的这张桌子，总结一下，我们可以看的地方，不仅在模型预测上，但是等效的实际数字。

而不是给你看实际的数字，对于这些特定的新频率单元中的每一个，我想把它们折叠在一起，只是根据频率来观察它，然后根据最近的情况，所以我要做的是，我要坐我们的位子，我要看看排，我要平均横列。

我要在各栏之间取一个加权平均数，说，人们预期购买的数量是多少，根据他们购买了多少，在接下来的五次机会中，他们最终购买了多少，所以你可以看这两张图，你可以看到模型对实际情况的预测有多好。

无论是频率还是最近，如果你看左边的频率图，在图表的顶部是鲍勃，这些人是过去六次捐款的人，只能是波波，图表顶端的数字是3。75，如果你仔细看，你可以看到，这是根据模型的预测，如果你看下面。

您将看到与鲍勃相关联的实际数字，这个数字是3。53，换句话说，模型优于预测，鲍勃一家将来会买的东西的数量，现在很近了，其实很近，它在里面，比如说百分之五之类的，但是呃，事实上，这是一个更低的数字。

所以如果你认为3。75很低，就像哇哦，鲍勃实际上发生了什么，比那还要低，所以你让鲍勃在那里买了六个东西，你有锋利的磨坊主赚了五个，玛丽做了四个，一直到Bimac图，你会让酸变成零，在所有这些情况下。

这个模型在预测实际购买数量方面做得很好，按频率组分列，右边的图是最近的等价图，所以让我们根据你上次购买的时间来平均每个人，所以在这个里面，我们要带鲍勃和玛丽，把它们放在一起，因为他们在，在最近的销售中。

最近一个时期，我们会说我们希望人们买多少东西，根据他们上次购买的时间，他们买了多少东西，再一次，实际和预期的相互映射得很好，无可否认，这张图不像另一张图那么漂亮和完美，尤其是向它的左边。

那些有一段时间没有购物的人，模特似乎在杀死他们，低估了他们会买多少东西，但还不错，它仍然做得很好，考虑到这是一个非常简单的模型，我们在五年内运行和预测的。

我想我们可以忍受这些错误，是呀，我有其他各种各样的学术论文可以进一步缩小这一差距，这个变化，掷硬币的故事等等，如果你有兴趣，我可以给你指一些文件，但我想你已经明白了，这个模型在预测购买数量方面做得很好。

根据最近或频率，但让我们把这些都放在一起，做一个关于采购的总体说明，对于整个客户群来说，这就是你在这两张照片中看到的，左边的图表显示了购买的累计数量，所以我们有11000人，让我们只看他们买，购买。

随着时间的推移购买，我们可以看到我们在哪里打破了六年的模型校准期，从五年预测期，在该五年预测期内，很难看出这两条线之间有什么区别，模型近乎完美，它变得不那么完美了，当我们一年一年地看的时候。

这就是右边的图表所显示的，这实际上是一个非常诊断的图表，在任何一年，模型又会有点太高或太低，我们的目标不一定是在每一年都达到目标，或者也许超越，如果我们站在2001年底，在我们的模型校准期结束时。

记得2001年是可怕的一年，我们用那些做什么，这个模型中的那些因素，我们完全无视他们，无视他们，我们只是说人们只是抛硬币，一如既往，这向你展示了这个的力量，好像随机的故事。

我们可以忽略非常有影响力的因素，如果有人在2001年站在这里说，我们看着路，从2000年到2006年的轨迹，相当惊人，所以再一次，有时我们太低了，有时我们太高了，而是为了得到一个整体的感觉。

对于那组客户来说，购买会是什么样子，它给你腹部的好感觉，如果我们想从2006年到2079年，如果我们想对客户的总体终身价值做出陈述，我们可以做得很好，所以那是，呃，我将与你们分享的对这一数据集的分析。

我想你对此有很好的了解，在我们写的实际论文中，我们展示了各种其他图片和各种其他诊断，以及其他各种细节和故事，我想你得到了亮点，我只是想花时间给你看另一个数据集，所以我想给你看同样的东西。

我不会告诉你所有的参数，我不打算给你看估算电子表格，这将是另一个非营利组织，但我们在观察捐赠者，客户在更长的时间内，你可以在这里的图表中看到，相同的基本想法，我们在顶部有最近的，我们在行上有频率。

只是很多，更多的机会，但你可以用和我给你看的桌子一样的方法来阅读它，和鲍勃·玛丽、莎拉等等，事实上，我们仍然有相当于鲍勃一直到底部，对呀，所以这些人会捐出每一个机会，因为他们需要。

你仍然可以看到玛丽和查尔米拉之间的权衡，在这种情况下，Charmilla非常有趣，这些人从总共19个机会中，他们为最初的18个中的每一个捐款，他们以18比18获胜，然后他们跳过，所以如果你18投18中。

然后你就跳过了，这不仅仅是，哦，1。我忘了把支票寄过去，更基本的事情发生了，当然在我们的模型中，我们会说你死了，但你退出的可能性非常非常大，我们还不能确定，我们不可能确知，但有更高的可能性。

如果你想要18个中的18个，跳过，你退出的可能性要大得多，与我们原来的夏米拉相比，他五分之五，然后跳过一次又一次，我希望你有这种直觉，不是模特的问题，这是关于理解未来客户行为的这些模式。

因为你可以盯着这个东西，你可以看到我们把它框成热图的方式，真正了解谁是最好的客户，你真的可以再次看到最近和频率之间的权衡，最近特朗普的频率。

我想给你看的最后一件事，从这个BITO中出现的另一个很好的诊断，我模型是关于客户有多活跃的想法，让我们不仅看我们认为他们会买多少东西，但让我们看看像这样的客户，用这种特殊的射频模式确实是活的。

这就是你现在在这张图表中看到的，如果你从右边看，每个人都活着，如果你在最后一段时间捐款，这是有道理的，不管这是不是你被收购后的第一次捐赠，或者如果你是鲍勃，你每次都捐款，我们知道你必须活着。

上次你有百分之百的机会还活着，所以你退学的可能性很小，当我们进入下一个时期，所以你在这里看到一个稍微不同的模式，但又一次，如果我们往下看桌子的底部，你可以看看Charmilas，你知道吗。

如果你18分中的18分，但你最近一次没有捐款，你还活着的机会很低，然后你可以看看桌子的另一端，你可以看着撒拉汉说，你知道莎拉的，他们可能不在我们身边，如果你在过去的十九年里没有捐款，你可能已经走了。

但另一方面，你可能会惊讶地注意到，而莎拉，他们身上剩下的不多了，但那些酸实际上更有活力。

或者至少有更大的机会活着，比以前捐几次的人，但已经有一段时间没有出现了，如果你以前捐，但现在你退出了，就像迷人的磨坊主的故事一样，那你就是债务人，把它放在引号里，而不是一个根本没有捐款的人。

因为和莎拉在一起，我们不知道是不是她走了，或者她真的还活着，但她的捐赠倾向太轻了，很少见，我们要过一段时间才能看到她做任何事情，所以我们的猜测是酸实际上更有活力，比以前捐款的人，但已经不在了。

他们给了我们充分的理由相信他们退学了，再一次，这不仅仅是为了炫耀一个特定的模型，但这些都是前瞻性的，从客户级数据集再次出现的洞察力，很乐意分享更多关于它的信息，但我认为这只是一个非常好的。

预测分析的一个例子。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P21：[P021]02_what-is-prescriptive-analytics - 知识旅行家 - BV1o54y1N7pm

今天我们要讨论规定性分析，我想做的第一件事，讨论了规定性分析和描述性分析之间的区别，和预测分析，你们在以前的讲座中接触过，描述性分析获取收集的数据，并尝试将数据映射到您可以在数据中理解的模式。

和预测分析，试图从消费者的行为中提取并从他们过去的行为中预测，他们将来要做什么，我们要怎么处理处方，我们要试着给出一个建议，我们会试着说，考虑到我们以前的预测，并给出了消费者如何与。

比如说公司和其他消费者，我们能就公司需要做什么提出建议吗，为了改变消费者的行为，我们将涵盖四件事，今天我们将讨论如何定义处方问题，或者如何定义目标，你想解决什么，为了改善公司的行为，我们将定义两个术语。

是公司的目标或公司的目标，我们也会试着看看一个公司如何优化，一个公司能做些什么来达到这个目标，一个公司可以做些什么来实现这个目标，最后我们要看模型，我们要讨论，采取行动如何与公司的目标联系起来。

并影响公司的目标，最后，我们将对比赛进行一个非常简短的介绍，或者公司如何互动和回应其他公司的行动，首先我想告诉你问题出在哪里，现在听起来很模糊，所以我将在几秒钟后展示一个例子，但是通过说一个问题。

我想说的是，我想说我需要有一个目标，我想最大化的东西，优化实现，我可以通过采取行动来实现这个目标，现在，地图的方法，行动如何影响目标被称为模型，现在让我们花几分钟来看看。

你们在上一节课中看到的非常独特的例子，所以我想说的第一个例子是，你如何找到最优价格或最优价格，为了销售最大数量的产品，所以在描述性讲座中，Yanar教授已经向你展示了下面的需求曲线或下面的图表。

在这张图中，你可以在x轴上看到的是你为一个产品设定的价格，在y轴上你可以看到出售的数量，当你改变产品的价格时，当你提高价格时，你可以看到，数量下降了，现在让我们试着定义一个目标。

我们想做的第一件事是我想说，我们怎样才能最大限度地增加产品销售呢？我们怎样才能最大限度地提高现有产品的销量呢？在这种情况下目标或目的只是最大化数量，我们想把它做得越大越好。

我们能采取的行动只是一个简单的行动，我们可以改变价格，我们可以改变产品的价格，增加它或减少它，通过改变价格，我们鼓励或不鼓励消费者购买或不购买该产品，最后我们需要一个模型现在模型可能非常非常复杂。

但在这种情况下，我们已经有了模型，模型基本上是图，我之前给你们看过两张幻灯片，你也可以在右下角看到，模型基本上告诉我们如果我们改变价格，比如说，如果我们提高价格，数量会减少多少，用于，例如，如果我们。

我们看这个图，我们可以看到，设定一个售出的价格，产品的最大数量，问题是，我们能把价格再调高一点吗，我们能用某种预测或表扬来给公司，说，我们能不能增加销售量？答案其实是肯定的，我们可能无法，你知道的。

给人们钱买产品，我们实际上可以花钱让他们购买产品，但我们可能会免费给他们产品，我们实际上可以将价格设置为零，在这种情况下，我们采取了我们以前见过的回归，或者是把线延伸到左手边。

然后我们可以用回归方程看到，如果我们把x等于零，这意味着价格等于零，我们得到y的值是十三点十三。

这是我们能卖出的最大数量，所以在这个例子中，我想给你看的是，我们可以通过改变价格来增加或减少销售量。2。我们的目标是最大限度地增加销售量，模型只是图表，Yena教授给你看的回归方程。

我已经向你展示了如何找到更低的价格。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P22：[P022]03_using-the-data-to-maximize-revenue - 知识旅行家 - BV1o54y1N7pm

在第二个例子中，我想给你看看，我将向您展示如何使用描述性部分中的相同数据，得到一个完全不同的结论，并为公司提出不同的建议，这就是处方的力量，您可以使用不同或相同的数据。

而是为了实现不同的目标和采取不同的行动，所以现在我们想让公司的收入最大化，大多数公司实际上并不想最大化他们销售的产品的数量，但实际上他们想赚最多的钱，或者通过销售产品创造最多的收入。

我们可以利用杨格教授向你们展示的需求曲线，um估计，实际上公司的收入会是多少，不仅仅是能卖出多少产品，所以让我们看看我们怎么做，我们想做的第一件事是定义目标，就像我们以前定义的那样。

目标是最大限度地增加收入，与前面的示例不同，我们试图最大化数量，我们需要定义的另一件事是动作，动作又是设定价格或改变价格之前的相同动作，问题是改变价格如何影响销售产品的收入，在这种情况下。

我们需要一个模型，我们需要一个模型来描述，1。产品的定价与销售量之间有什么关系？公司创造收入，现在我们需要稍微思考一下，想想当我们提高或降低一个产品的价格时会发生什么，对于公司的收入，现在你在问一件事。

我们如何计算收入，也许好吧，你把产品数量和销售数量乘以价格，这是公司产生的总收入，所以在这种情况下我们有两股力量在运作，比如说，当我们降低价格的时候，当我们降低价格的时候，正如我们以前看到的那样。

销售量直线上升，所以我们销售更多的产品，但另一方面，我们每卖出一件商品所赚的钱就少一些，因为我们降低了价格，所以当我们相乘的时候，乘法的一边都向上，就是数量，在另一边，就是价格下降。

我们真的不知道收入是会上升还是下降，通过降低价格，1。我们提高价格时，也会发生同样的事情，如果你提高价格，销售量下降了。但每个项目的价格或项目产生的收入不断上升，我们还不能肯定是否应该提高价格。

或者降低价格，现在我想指出的是，这叫做权衡，在那里你改变，你做一个动作，你定价，但收入或公司的目标可能会上升或下降，取决于实际结果，问题是我们如何才能找到为我们带来最大收入的价格。

所以让我们看看我们怎么做，我们想做的一件事是，我们可以用Excel试着说每个价格，我们实际上创建了一个表，你可以在幻灯片的底部看到每个价格，售出的数量是多少？也就是称为需求的列。

如果我们以价格最大化需求，收入会是多少，例如，例如，你可以看到三美元的价格，需求将是七点四十三项，总收入将是两个，两点，两元九，如果我们提高价格，需求越来越大，收入一涨再涨，但在某个时候，收入会下降。

问题是，我们能在这表中找到现在产生最大收入的价格吗，其实很简单，4。我们可以按价目单来买，看看哪一个产生的最大数量，但在一般情况下，问题可能很难解决，很多变量要改变很多行动要采取，这不是一个离散的方法。

我们可以做到这一点，并解决它，试着用图形化的方法找到最大的收入在哪里，所以在这张幻灯片中，你会看到我在那里画了一个图表，从上一张幻灯片中获取上一张表，并生成一个图表，在那里你可以看到y轴上的实际收入。

作为价格在x轴上变化的函数，你可以看到，比如说，在这种情况下，最大的收入大约是以5。5美元的价格产生的，我们如何找到这个最大值，我们试着在图中找到点，这里是最大化的，它被这个箭头突出显示了。

然后我们把虚线，基本上到了底部，在x轴上找到产生这种收入的价格，这是我们所说的将使收入最大化的价格，在这种情况下是5。5美元，所以到目前为止我们所做的，我们讨论了我们想要解决的问题，并得到了处方。

因为一个问题有三个部分，它有一个优化的目标，可以最大限度地，最小化，用它有动作的数量做某事，公司或消费者可以采取，它可以改变产品的价格，也许给某人看广告，而是不同的动作，它有一个模型来连接动作。

以及它们如何影响不同的目标，或者我们试图优化的不同目标，使用与你在以前的讲座中看到的相同的描述性分析，我们得出了两个不同的结论，如果你想最大限度地提高销量，你应该设定一个零价格，你应该免费给你一个产品。

如果你想最大化销售产品所产生的收入，实际上你想定一个5。5美元的价格，下节课我想讲的是参数，以及模型的不同部分如何影响决策和建议，5。我们先介绍一下贵公司的情况，然后再讨论市场结构。

我们能用描述性数据找到最优价格吗。

而不知道顾客是如何与产品互动的。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P23：[P023]04_parameters-of-the-model - 知识旅行家 - BV1o54y1N7pm

在这次讲座中，我们要做的是在模型中引入参数，我会试着看看一个公司如何考虑到其他变化，当它采取行动的时候，在我们的例子中，改变价格，所以让我们试着看看一个公司现在如何实现利润最大化，有一点要记住，收入。

即公司赚的钱不会自动转化为利润，因为公司也有成本，也许有时候生产一个产品实际上要花更多的钱，比你卖得太便宜赚的钱多，所以在这种情况下，公司希望利润最大化，他想确保，在为该项目的所有生产成本祈祷后，1。

银行里还有存款，它实际上可以赚钱并继续运营，所以现在我们必须考虑这个项目的成本，和目标，正如我所说的，是为了利润最大化，也就是收入减去成本，所以让我们把成本引入模型，假设同一型号中的每个产品。

我们之前讨论过生产成本两美元我们能做的是，我们可以用以前创造的收入图，对于x轴上的每个价格点，我们现在在总成本的点上，生产我们销售的那些数量的产品会花费我们的成本，所以在这种情况下，你可以看到红色虚线。

这是总费用，我们将制作一些有趣的东西，我们可以在这张图中看到首先是，如果我们把产品卖得太便宜，虽然数量可能很高，收入很低，实际上收入低于成本，我们实际上会在左手边赔钱，你可以看到红点比蓝点高。

所以实际上现在那里的利润是负的，如果你看图的右手边，当我们提高价格和收入时，蓝点一上一上，成本也会下降，因为我们设定的数量较低，在某个时候，这是绿色箭头所在的地方，我们正在使利润最大化。

这基本上是收入和成本之间的距离或差额，在这一点上，我们试图找出，我们想寄的价格是多少，我们想出售产品，我们怎样才能找到这个最大的利润，在某些情况下，使用收益和成本图不是很方便，我已经给你看了。

我们可以把它们的区别，我们可以同桌，我在上一节课已经给你们看过了，现在计算成本，计算收入，收入减去成本，你就会得到利润，在这种情况下，我们得到了一个利润图，我们可以看到大约6。5美元的价格。

我们要使利润最大化，然而，从这张图中很难判断，利润在哪里，而且很难做到这一点，对于一个非常大的价格组合，我想问一个问题，就是，我们能不能找到一个原则，我们能找到最大利润的方法吗。

而不必实际计算利润和计算那些，并为每一个价格组合绘制这些图表，现在答案是肯定的，让我们来看看什么样的力量或权衡，在这个利润图中运作，所以我们想看到的是我们可以，如果我们能应用一个原理而不是画复杂的图。

或者使用将应用的表，并帮助我们在任何类型的这些问题中找到最大的利润，所以让我们来看看在这类问题中作用的不同力量，我在上一张幻灯片中已经用图表向你们展示过了，我们注意到的一件事是，卖得太便宜会产生负利润。

好的，实际上有一个最低数量或最高数量你想出售，为了从你们公司获利，另一件事是我们发现的产生最大利润的最优价格，与我们发现的产生最大收入的价格不同，对呀，其实，2。我们需要稍微提高价格，从5。5美元到6。

5美元以获得更高的利润，问题是我们能不能用这个原理，5。为了获得更高的利润，我们必须提高价格，当我们在模型中包括成本时，因为在收入的例子中，我们假设没有成本，当我们引入利润和成本时。

现在我们看到我们需要提高价格来产生更多的利润，所以让我们试着理解优化是什么，做，这个利润最大化过程实际上是做什么的，我们的想法是，我们实际上试图改变价格，慢慢地提高它，直到收益的收益不高于实际成本。

我们通过生产更少或更多的产品来介绍，所以让我们来看看一个例子，当我们把价格从1。5美元提高到2。0美元时会发生什么，好的，我们首先要看的是，收入将从13。17美元增加到16。66美元，所以差距是3。

49，我们实际上实现了收入的增长，但成本也会下降，为什么我们把价格提高了一点，数量下降了，实际上我们生产这种产品的成本更低，在这种情况下，成本下降了零点九美元，利润总共增加了4。39美元。

所以实际上我们的利润还是有正增长的，如果我们把价格从1。5美元提高到现在的2。0美元，3。如果我们提高价格太高，会有什么后果，让我们来看看，如果我们把价格从6。5提高到0。7，会发生什么情况呢？

我们做和以前一样的计算，现在收入实际上减少了，从2782下降到2681，所以实际上我们损失了1。01美元的收入，这就是为什么我们在幻灯片中有一个负号，成本也会下降，因为当我们提高价格时，数量下降了。

在这种情况下，成本下降了零点九，当我们把它们汇总在一起的时候，或者我们取差额求收入减去成本，我们会看到实际上我们的利润有一个负变化，我们实际上损失了11美分，所以在这种情况下，我们看到。

如果我们把价格从较低的价格提高到稍高一点的话，我们有正的利润，如果我们把价格从很高的价格提高到更高的价格，这将我们引向一个原则，即我们看起来是正确的，我们看到的是我们在慢慢地提高价格，利润的增减不同。

问题是我们应该在多大程度上提高价格并找到最佳利润，我们应该把价格定在多高，停在这里，这是最优利润，这个想法是，你只是增加，直到利润的变化为零，直到它从正变成负，我们如何找到这种情况发生的时间。

我们可以像以前看到的那样看看收入的变化，我们可以看看利润的变化，当他们平等的时候，当收入的增加等于成本的增加时，或者收入的减少等于成本的减少，然后我们说我们需要停在这里，这是最优利润。

这个原则叫做边际收益等于边际成本原则，边际收入是指我们增加了多少收入，当我们把商品的价格改变一个单位时，边际成本是指成本增加了多少，当我们把商品的价格再改变一个单位时，这些数量的变化增加或减少，好的。

这个原则适用于很多很多类型的利润最大化，所以在上一张幻灯片中，我们已经看到把价格从低的价格提高到稍微高一点的价格，实际上产生了正利润，增加了我们的利润，同时又把价格从很高的价格提高到更高的价格。

实际产生负利润并减少利润，所以问题是我们如何知道什么时候该停下来，1。我们该不该提高价格呢？我们怎样才能找到最优的价格，答案很好，2。我们必须提高价格，直逼无利可图，直到我们从正收益转移到负收益。

如果不计算利润，我们怎么能轻松地找到这一点呢？答案是，我们可以观察收入的变化，看看当它等于成本的变化时，如果收入的增加等于成本的增加，那我们就不会有额外的利润了，如果收入的减少等于成本的减少。

我们也不会有额外的利润，这个原则叫做边际收益等于边际成本原则，边际收入是公司通过多销售一件商品而获得的额外收入，通过改变它从销售的数量，让我们说，一到二或者三到四或者四到五。

边际成本是公司需要支付的实际成本，为了多生产一个项目，我们能做的是，我们可以看看我们以前看过几张幻灯片的表格，实际上取每一行之间的差异，说我再卖一件要多少钱，或者再卖两件，所以再卖三件。

以及多设置一个或两个项目会增加多少成本，或者当这两个数字相等时再加三项。

这就是我们找到最优价格和最大利润的时候。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P24：[P024]05_market-structure - 知识旅行家 - BV1o54y1N7pm

所以在这堂课中，我们将讨论市场结构，以及市场上不同类型的消费者和市场上的公司，实际上影响了我们对最优价格的选择，或者我们在以前的讲座中发现的最大利润，所以在我们开始之前，让我们试着思考一分钟。

会有什么不同吗，如果我们知道在这个市场上有一个单一的消费者，或者多个购买产品的消费者，也有关系吗，如果我们销售的产品有竞争产品，那我为什么要问这些问题，让我们看一个非常简单的例子。

如果有竞争产品或我正在销售的产品，如果我提高价格，也许并不是消费者买我的产品少了，也许他们只是转而购买更便宜的产品，他们对其他产品的品牌忠诚度更高，我再也不会回来买我的产品了。

所以让我们来看看什么是市场结构，以及不同的例子实际上如何改变我们在不同的市场结构中可以获得的最大利润，所以市场的结构是模型的一部分，到目前为止，在模型中，我们试图回答的是。

这些行为如何影响目标或我们试图最大化的目标，现在，我们还增加了一个问题，当我们采取这些行动时，市场上的其他人还在做什么，例如，如果我们改变价格，市场上其他公司也在调整价格吗？问题是。

我们能使用与以前相同的描述性数据吗，也影响和指导我们在不同市场结构和不同模型下寻找最优价格的决策，答案是，我们当然可以，让我们在第一个例子中看到其中的两个例子，我想告诉你这个问题的答案。

当我们知道在我们的市场上有许多消费者购买产品时会发生什么，所以让我们现在假设，例如，在这个市场上有很多，许多许多消费者，我们在图表中看到的需求曲线是由每个消费者生成的，最多购买一件商品，因此。

消费者要么购买零件商品，要么购买一件商品，但没有消费者想购买更多，4。如果我们把价格降低到最低限度，每个消费者最多会购买一种产品并使用它们的价格是6。5英镑，仍然是最佳的。

我们在上一节课中发现的利润最大化的价格，答案其实是肯定的，如果你仔细想想，需求函数和图表没有变化，或者我们产生的收入表，因为我们知道有多个消费者，每个人最多只想买一样东西。我现在想看的是会发生什么。

如果我们知道我们之前看到的需求曲线来自一个消费者，问题是有什么区别，如果我们知道市场上有一个消费者，相对于市场上的多个消费者，我们可以考虑或注意到的一件关键事情是，如果有一个消费者，需求曲线显示。

在不同的价格下，有多种商品被出售，这可能意味着消费者可能想购买不止一种商品，所以我们能做的就是，我们可以尝试改变我们向消费者销售商品的方式，问题是，消费者是否愿意为同一商品的不同数量支付不同的价格。

我们能以不同的价格出售吗？然后第二个项目，等，所以让我们来看看下表，了解这是如何工作的，我们想做的是计算一个叫做支付意愿的东西，而愿意支付的最多是多少，消费者愿意为我们卖给他们的下一件商品买单。

所以想象一下下面的销售过程，顾客来了，我会告诉他们第一件商品要十分，七十块，第二项要九美元，第三件要七美元，消费者是否仍然愿意购买桌上的所有这些产品，在右手边，你可以看到这个计算的一半项目的数量。

通常你可以对整个项目这样做，半件，季度项目，等，取决于产品的类型，我们可以在右手边看到对于不同数量的商品，我在计算下一个要出售的商品的价格，例如，如果我已经为下半件商品卖出了一件商品。

消费者愿意支付10。14美元到9。59美元，基本上是需求曲线上的价格，然后价格，让我们假设下一个半项在三个项目到三个点之间，五项，价格是7。92美元，价格是7。37美元，我们可以取这些数字。

试着计算出平均价格，消费者会愿意为这个额外的半件商品买单，这样做的方法是计算需求曲线或图表下面的曲面，因为基本上它给了我们平均价格，消费者将愿意为商品的每一个部分付费，所以让我们来看看两个例子。

如果我从来没有向消费者出售过任何商品，我知道对于第一个小数项目，消费者愿意支付11。26美元的价格，当消费者买到半件商品时，他们最多愿意为这个额外的部分支付1070美元，如果我们按这个平均价格。

基本上就是电偶极，曲线下方的梯形面，我们愿意支付5。49美元，我们可以对三到三个半的项目进行同样的分析，我们会看到数量在3到3个半之间，愿意支付的是3。82美元。

现在我们知道消费者愿意为每增加一件商品支付多少钱，问题是我们的利润是多少，为了了解利润，我们也需要看看成本，这是表格上的第四栏，并将其与支付意愿进行比较，也就是桌子上的第三列，如果我们做计算，基本上。

我们将支付意愿减去成本，我们会得到利润，我们每增加向消费者出售半件商品，就会进行成本核算。所以前半部分，下半项我们能得到4。49美元，我们会得到4。29美元，这意味着第一个项目是前半部分，加上后半段。

我们现在的利润是4。49美元加上4。29美元，如果我们想知道我们出售的第四种商品能赚多少钱，这意味着三到四个项目，我们就会得到愿意支付3到3。5英镑的价格，利润是2。82，利润在3。55到4。04之间。

利润是两块五四，这笔钱就是我们出售商品的利润，我们能做的就是，我们可以计算出每一捆我们将获得的总利润，或者我们将销售的每一数量的产品，所以我们最多可以做一个项目，最多两件，最多三项，等，一直到最多九项。

你会注意到在最后的第九半项目，实际上是第18项，但这是第九项，我们正在出售，利润正在变成负数，那就是回报的意愿，消费者低于成本，我们实际生产产品的成本，意思是对我来说不值得。

我不会从给消费者发送额外的商品中获利，我可能想停下来，那么我们如何利用这一切来增加利润呢？我们能做的就是，我们可以卖一种叫做捆绑的东西，一捆基本上是要么接受要么离开，向消费者提供，在一捆里。

我们在告诉消费者，1。你可以按这个价格买这么多的东西，否则你什么都得不到，这是你的选择，如果我们给消费者提供8件半商品会怎么样，价格是5。53美元，我们想问的第一个问题是消费者是否还会购买我们的产品。

问题是答案是肯定的，答案是肯定的，因为这是消费者支付意愿的总和，我们知道对于这些部分项目中的每一个，消费者还是会愿意付出代价，我们想问的第二个问题，生产这个包的总成本是多少，答案是八个半项目乘以两美元。

这是我们要生产的整个产品的成本，这是十七美元，利润就是收入五五，五分之三减去十七美元，一共是三块八五毛三，有趣的是，如果我们比较这个案例，它是向一个消费者出售一个捆绑包。

我们实际上是在为消费者设定更高的产品数量，我们也赚了更高的利润，与之前多个消费者的情况相比，我们看到最优利润几乎是，以前的，我们卖给消费者的数量也少得多，不能再好了，这里的结论是。

如果我们知道一点是单个消费者还是多个消费者，这些消费者是真的想要一件还是两件，我们可以选择是否一捆一捆地卖给他们，这将增加我们的利润，或者我们需要为每个消费者以相同的价格为每一件商品定价。

然后我们不能利用支付的意愿。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P25：[P025]06_competition-and-online-advertising-models - 知识旅行家 - BV1o54y1N7pm

在这个讲座中，我将展示不同模型的不同例子，问一个不同的问题或一个错误的问题，我可能会给你错误的建议或处方，这就是为什么在规定性分析中，了解这些行为实际上是如何影响的是非常重要的，我们试图最大化的目标。

所以到目前为止，我们所涵盖的是我们的目标，什么是行动，什么是模型，好的，我们已经看到了几个改变模型的例子，但使用相同的数据会影响建议的行动，我们已经看到有时我们建议较低的价格，比如说。

最大限度地提高销售量，有时建议更高的价格以最大化销售收入，有时会建议更高的价格来最大化所有产生的利润，主要是因为引入了成本，问正确的问题是非常非常重要的，我们试图最大化什么。

我们的消费者在这个市场上做什么，让我们看几个例子，我想讨论的第一个例子是两个不同公司之间的竞争，所以问题是，我们在之前的分析中是否假设了任何不适用于竞争公司的情况。

当有一个竞争产品可以从我们的产品中夺取市场份额时，答案是肯定的，我们做了，我们假设如果我们改变价格，消费者的行为符合我们从数据中描述的需求模型，但我们没有说其他公司是否也会回报，价格更低。

或者更高的价格，但实际上如果我们降低价格，竞争对手不也降低价格吗，然后这个问题，我们需要做些什么来应对，2。如果竞争对手把价格降低到比我们低一点的话，所有的消费者都去购买竞争对手的产品，1。

我们该不该降低价格？甚至比消费者低一点，如果我们这样做，竞争对手也会削价，我们会降低价格，他们会降低价格，我们会打价格战，实际上利润会被侵蚀，可能利润为零，我刚才描述的。

也就是我的公司在回应竞争对手的公司，竞争对手的公司对我的价格变化做出了回应，这叫做战略互动，这就是博弈论领域通常处理的问题，并试图解决另一个问题，我现在要介绍，在下一节课中。

我将向你们展示一些关于它的细节，所以让我们来看看在线广告是如何在网络上运作的，基本上这些是你们都浏览的网站，这些都是你看到弹出作为追逐的在线广告，你和跟随，你必须你，把产品放进购物车。

当公司给你看这些广告时，他们能做什么，他们需要做出选择，他们给你看广告了吗，还是他们把广告展示给不同的消费者，还有他们能做什么，他们可以说我想给一个消费者看同样的广告，但是在多个网站上。

如果这个消费者访问雅虎网站和eBay网站，亚马逊网站和CNN网站，我要展示同样的广告，对同一消费者，这些广告会追逐，因为很难分辨，如果这些广告真的影响了消费者购买产品的决定。

公司所做的是他们做一些叫做归因的事情，在过程结束时，他们试图衡量每个广告的影响，关于消费者决定购买的一个简单方法，也就是说，消费者点击广告了吗，如果消费者点击广告，更可能的是广告有更大的影响力。

公司试图衡量的是所谓的点击率，基本上，如果我把这个广告给一百个消费者看，他们中有多少人会真正点击广告，点击到，看过广告的消费者数量，实际上是广告的点击率，所以让我们看一个例子。

你在这个图中看到的基本上是，广告商如何在线分析数据，他们说的是，他们说，我要把这些广告在不同的频道上给同一个消费者看，或者X轴上的不同网站，你看到了吗，向同一消费者显示广告的频道数。

所以一些消费者看到了零广告，只是没看到任何广告，一些消费者看到了一个广告，一些消费者在两个网站上看到了广告，一些消费者在三个网站上看到了，在左手边，我们看到点击率，概率是多少。

或者实际点击广告的消费者百分比，所以如果你没有看到广告，你不点击广告那很好，太完美了，从这个分析来看，如果你在不同的网站上向消费者展示越来越多的广告，随着点击概率的增加，他们点击的次数越来越多。

这意味着这些广告实际上变得越来越有影响力，你在下一节课上展示的广告越多，我将向你展示的是如何分析这些数据并试图理解，这个模型有意义吗。

向消费者展示越来越多的广告，实际增加。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P26：[P026]07_conclusion-s - 知识旅行家 - BV1o54y1N7pm

在上一节课的最后，我向你们展示了一个在线广告活动的图表，我们在x轴上看到的，使特定消费者接触广告的网站数量，在左边的y轴上，我们将看到点击率，消费者点击这些广告的概率是多少。

如果他们在不同的频道上看到越来越多的广告，这个结论正确吗？让我们好好想想，我们让消费者接触的越多，他们点击的越多，有没有其他解释，或者我们能想到这些数据中可能发生的其他事情，你知道吗。

让我们试着看一个不同的实验，我们试着看看数据告诉我们什么，因为我们测量点击率，因为这些网络实际上是通过点击率来补偿的，那就是广告商付钱给网站，如果消费者点击更多的广告。

也许网站会向真正点击广告的消费者展示广告，无论如何，那就是网站知道如何识别消费者，点击了很多广告，他们给他们看广告，即使广告没有影响，这可能就是发生的事情，所以让我们来看看这个图表，这个图非常非常有趣。

在这个例子中，我们看到的是我们显示的和点击率，或者点击添加的概率，在消费者已经访问了广告商网站之后，那是一位消费者说过的，我将以极高的概率购买该产品，只有在那之后。

网站才开始向消费者展示这些广告很多很多很多很多次，我们可以看到，如果你在访问后展示一个单独的广告，实际上点击率有所上升，实际上消费者说，哦，这个广告让我想起了那个产品，我没有买了就放在购物车里。

或者我想再看看这个品牌，实际上有一个凸起从零到一，从没有看到广告到真正看到一个广告，但是当我们增加广告的数量时，显示的越来越多，那就是当我们在不同的网站上显示越来越多的广告时，我们回到以前的速度。

就在我们展示附加广告之前，那就是，这些网站实际上知道如何识别无论如何都会点击广告的消费者，但对点击率没有影响，点击率没有上升，它只是保持不变，我展示的广告越来越多，所以总结一下。

我们已经看到了如何应用相同的描述性数据的例子，对不同目标的相同预测分析，不同的模型实际上找到了不同的最优动作，我们已经展示了如何根据我们的目标找到这个动作，我们觉得，或者我们有时会错误地说这个图表。

其实，这张图描述了消费者实际做的事情，如果我降低价格，消费者会购买更多，如果我提高价格，消费者会减少购买，这是一个普遍的真理，但我们所知道的是在这张图之外发生了什么，很多时候。

解释是一个因果模型是有点问题的，正如我们在上一张幻灯片中看到的，如果我们认为广告是随机展示给消费者的，那当然，当我们播放更多的广告时，这张图暗示消费者点击广告的次数更多，但如果网站可以选择向谁展示广告。

也许他们会把广告给消费者看，他们会点击广告来最大化他们的利润，然后我们的结论，所以总结一下我们需要做的是，我们需要非常，非常小心地从描述性数据中得出结论性结论，变成可能产生错误结论的行动。

为了解决这个问题，我们有时需要做一个实验，或者我们需要测试不同的模型看看哪一个最能描述现实。

因此，如果您想了解更多关于这些主题的信息，我在这节课中所讨论的内容涵盖了不同的领域，在经济学中，在市场营销中，以及在其他领域，特别是，经济学中的消费者理论涵盖基本的定价理论，我们在这节课中做的优化练习。

此外，竞争和更复杂的模型需要了解一些博弈论，在经济学中，这个领域被称为产业组织或IO。

它着眼于公司如何竞争，也如何与消费者互动，在接下来的一系列讲座中，您将看到一系列讨论不同案例研究的应用程序，并应用你在这些讲座中学到的不同原则。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P28：[P028]02_the-future-of-marketing-is-business-analytics - 知识旅行家 - BV1o54y1N7pm

喜欢欢迎大家，如果你想了解我们演讲的内容，论商业分析与市场营销的应用，可能连你都知道，我总是喜欢从前面的幻灯片开始教东西，如果你注意到这里，幻灯片上写着营销的未来，然后在括号里是科学。

我这么说是因为对我来说，营销的未来是商业分析，今天没有公司，应该考虑纯粹的大众营销，今天不应该有公司，这不是在考虑个人层面的客户，今天没有商号了，不应该使用技术来更好地衡量他们的客户。

括号里的原因是科学现在你可以测量东西，市场营销真的成了一门科学，意思是，我们有数据我们在我的介绍中一直在讨论，这是第一步，你捕捉到了什么数据，我们有办法探索这些数据，今天有方法探索海量数据集。

第三件事我们有模型可以建立，我们有方法可以优化，然后我们可以给我做商业决定，听起来像一门科学，又是这样，本讲座下节课的重点将是商业的应用。

分析与市场营销，如果你想问第一个问题，我总是喜欢问，你如何计算公司利润，现在你可能会说，这不是一个很难的问题，收入减去成本，那是公司利润，我说有点，我是说，是呀，从金融角度看，那可能是对的。

但不是从营销分析的角度，从营销分析的角度。

你应该想的不是，如果你愿意，想象一个矩阵，你的客户的行和他们购买的产品的列，矩阵的条目为，他们在一个给定的产品上花了多少钱，当然，其中一些可以是零，他们没有买任何产品，但如果你想这么想，很多人都说。

我把这些列加起来，我要看看每种产品能赚多少钱，我要看看制造那种产品要花多少钱，我会计算公司利润，而商业分析的营销观恰恰相反，专栏不是你的利润中心。

产品不是你的利润中心，但行是你的利润中心，你应该为每一个顾客着想，我卖给每个顾客多少钱，我为那个顾客服务要花多少钱，我从每个顾客身上赚了多少钱，然后我把行相加，希望你们都记得，对我们大多数人来说。

这可能是八年级的数学，无论从列还是行中添加数字表，和还是一样，所以经典的财务方法是收益减去成本，关于利润的经典商业分析和营销方式是。

我从每个客户那里得到多少收入减去成本，让我们把它加在所有的顾客身上，现在这样思考营销分析的优势，就是有些客户有负值，你应该怎么做，你解雇那些顾客，有些客户对公司有很大的价值，这些是你不仅要培养和保留的。

但你必须找到更多的，所以即使是在第一张实质性的幻灯片上，你可以在某种程度上看到营销分析的心态是如何运作的，它一次工作一个客户，所以再次盈利，一次一个客户，这真的将是这些幻灯片剩下的潜在主题。

我要告诉你们像谷歌和亚马逊这样的领先公司，等，想着赚一笔钱，一次一个客户，技术是如何改变这一点的，所以如果你愿意，这真的是技术的交集，已取得的数据和统计数字，商业分析与市场营销，今天的科学，所以让我从。

嗯，什么是客户分析，对你们中的许多人来说，这似乎是一件显而易见的事情，嗯，我们实际上花了七年时间来写这个定义，你可能会说等等，你干这行已经二十年了，你花了七年时间写这个定义是什么，答案是肯定的。

这就是花了多长时间，但如果你看看我们说的话，客户分析是指集合，所以首先你必须有数据，你必须收集它，就像我在介绍中所说的，如果你不测量它，就像什么都没发生过一样，二是数据的管理。

所以必须有人能把这些数据收集到大型数据库中，以及是否将其存储在云中，或通过服务器，或者在本地，有人必须管理数据，你必须分析数据，数据本身就是数据数据，不会给你直接的洞察力，你得分析数据。

最后是这些数据的战略杠杆，所以客户分析指的是集合，组织粒度数据的管理分析和战略杠杆，关于其客户的行为，另一部分是关键，我刚才说的是粒度的本质，这又回到了如何计算，利润分析，商业分析，客户分析。

从市场营销的角度来看，是关于粒度数据的，在最细粒度的级别跟踪每一个客户，下一个，你又可以看到了，固有颗粒，它侧重于个人层面的行为，不是聚合模式，所以这个例子，嗯，我喜欢一直用，就是，你知道。

如果一家公司想预测某个州的销售额，非常有趣，非常重要的业务问题，但那不是客户分析，你想计算它，一次一个客户，其次是行为上的，嗯，二十年前真正改变的事情，当我开始在杜邦，我在他们的客户营销部门工作。

当我们想了解顾客的情况时，我们调查了他们，我们问他们是做什么的，但现在你可以衡量他们的所作所为，而古老的营销表达是，你知道，什么预测未来的行为，真的很好，过去的行为，行为预测行为比所谓的。

陈述意图数据符合行为第三，这是前瞻性的，我在介绍中谈到了这一点，当我给那个老营销笑话，你知道只有很难预测，当它关乎未来，但是市场营销的商业分析是一门前瞻性的科学，我的客户下一步要做什么，它是多平台的。

所以这不仅仅是你可以在网上测量什么，它是线上离线调查数据的集成，等，如果你喜欢这种语言，你会听到所有的时间，有数据融合的问题，如何将来自不同平台的数据融合在一起，所有这些都是营销客户分析的一部分。

广泛适用，所以请注意，客户这个词在引号中，例如，如果我是Expedia，那么客户可能是去我的网站寻找旅行的人，我的客户可能是向慈善机构捐款的人，或者献血的人，如果我是辉瑞，像制药公司。

我的顾客可能是医生，也可能是消费者，直接向消费者，所以从最广泛的角度来考虑客户，最后是多学科的，所以如果你在看这个课程，你在市场统计领域，计算机科学，信息科学，运筹学，适用于各个垂直行业。

它适用于零售业，制药，电信，等，客户分析应用的好处在于，它没有行业界限，这真的是跨学科的，对你们这些人说几句话，想了解更多关于客户分析的信息，除了在市场营销方面，除了它的应用，在本课程中。

你可以去一个网站，WCAI沃顿结束，埃杜，嗯，我的同事，皮特·法德和我，www。icj-cij。co。uk，客户分析总监，和，大家可以看一下。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P29：[P029]03_the-golden-age-of-marketing - 知识旅行家 - BV1o54y1N7pm

我总是喜欢思考它的方式，这是嗯，这是我最喜欢的演讲之一，也许在过去有一两次我称之为营销的黄金时代，我又想起了二十年前，这是我杜邦前的日子，这是当我还是个大学生的时候，在一家营销公司工作，做电话营销。

所以我们打电话给人们，我们会记录下对话，我们会衡量他们是否会回应，甚至拿起电话，我们会收集我们对人的了解的数据库，我们以为男人，哦伙计，想象一下现在科技发展到什么程度，我们开始了解。

如果我们能记录下我们能记录的人，我们可以把他们说的话编码，我们认为我们有很好的数据，如果你今天去一家公司说嘿，我有好消息要告诉你，这就是你对客户的了解，如果你还记得舞台，我说过的其中一个。

第一阶段是数据，如果你把二十年前的数据，这就是你今天的数据，你应该被解雇，这不是今天最好的数据，在接下来的五分钟左右，我想说的是，总是有更好的数据，但不要被等待完美数据的想法所麻痹。

因为我总是喜欢说完美的数据永远不会到来，你必须分析你所拥有的数据，但不要扔掉数据，你可能会再次收集，技术是驱动，我们收集数据的能力越来越好，所以再一次，就像一个简短的轮廓。

我将首先给你们一些市场营销的历史数据，那么回到我的五步计划有什么想法，今天营销中有哪些类型的数据集，第二，当今市场营销中最新兴的数据集是什么，其中许多会让你震惊，因为我想如果我告诉你谷歌有惊人的数据。

你会说，当然啦，亚马逊，当然，有很多公司你没有想过这一点，今天有惊人的数据，然后我想和你谈谈一些真正未来的数据，比如移动数据，路径数据，就像你在哪里，所以想象一下，一家公司不仅知道你做了什么。

但你站在那里，当你做的时候，我最近花了很多时间研究的另一个问题是眼球追踪数据，所以想象一下，一家公司不仅可以知道你买了什么，或者你没有买什么产品，但你看了和没看的，我们将详细讨论这一点，预测分析。

这是我框架的第三、第四和第五部分，在那里我要和你们谈谈真正的公司，使用分析来做真正的项目和真正的预测问题，可能会让你震惊和惊讶的部分，就是每一个例子，我今天要向你展示的不仅仅是真实的，但今天正在做。

这些不像，你知道的，他们将推出这个，他们今天实际上在用这些，所以如果你想想我刚才给你的大纲，前两部分讲的是，如果你愿意的话，我在介绍中谈到的一个，这就是今天营销中的数据集类型。

所以希望你们中的许多人看到和听到这个，你可以想嘿，我可以收集那种数据，你知道我为什么不能从这些伟大的数据中获得好处吗，第三部分我们将讨论，如果你想要未来的数据集，以及如何使用这些。

第四部分将是今天大公司对这些的应用，嗯，如果我们坐着，我只是简单地给你上一堂历史课，嗯，你可能没想到你会报名参加课程，沃顿商学院的营销分析并上历史课，但我要给你们上一堂简短的营销历史课。

在二十世纪五十年代和二十世纪五十年代，如果你喜欢20世纪50年代数据的黄金时代，我会知道现在每家商店发生了什么，你们中的许多人今天可能坐在工作岗位上，其中存储级数据是您拥有的数据类型，换句话说。

这就是您现在的粒度级别，我来说个好消息，好消息是许多公司在商店层面做出决定，3。这家店应该卖多少钱，3。这家店的盖子怎么盖？这家店应该有什么品种，如果这就是你的决策水平，然后存储级别数据。

对你的决定来说可能很好，但它不允许你再做客户分析，在二十世纪五十年代，你可以回答的商业问题，是嗯，如何将存储级别的价格与销售额相关联，所以想象一下建立一个回归模型，这在前面的分析模块中谈到过。

如果你把销售额作为你的结果变量，把价格作为你的输入变量，想象一下建立一个回归，试图从现在的价格来预测销售额，如果您在商店级别有关于价格的数据，你可以开始考虑优化价格，优惠券的效果如何。

所以你可以想象在每家商店，在给定的产品类别中兑换了多少优惠券，并试图了解买了多少，你可以试着理解地区或地理差异，你也可以理解店内促销的效果，但要明白这些都是2015年及以后的相关问题。

但在二十世纪五十年代，因为数据在存储级别，你不能做客户级别的分析，你可以做商店级别的分析，对你们中的许多人来说，这仍然是相关的问题，我的兴趣和我对你的建议是推动贵公司收集更详细的数据。

从商店级分析转向客户分析，同样，这仍然留下了很多钱，原因同样是在客户层面做出决定而不是在商店层面做出决定，以这种方式将数据货币化的方式有很大的不同，在二十世纪六七十年代，我说直邮统治了地球。

我怀着极大的喜爱说这句话，因为大多数营销分析，今天的商业分析实际上来自直邮文献，所以当我还是个孩子的时候，在70年代长大，嗯，你会被送回家，我记得我的父母会收到这样的邮件和传单，当然。

公司知道他们给你发了哪些邮件和传单，事实上，他们可以改变它，逐户，取决于你过去买的东西，如果你想直接邮寄，在六七十年代是顾客的开始，或者如果你想要家庭级别的分析，他们知道你买了什么。

他们可以控制哪张传单，或者寄给你哪本小册子或目录，这样他们就可以做目标营销，如果你想让他们知道你的反应，他们可以运行一个在前面的模块中谈到的实验，他们可以随机分配不同的家庭接收不同的东西。

他们现在可以看到影响，当然它的缺点是，他们知道他们派你去做这种类型的广告，但不是其他广告，他们不知道你在他们公司外面买了什么，六七十年代新的可回答的商业问题，现在你可以把价格，个人水平。

价格到类别和购物行为，但他们所知道的只是他们目录中的价格，他们可以尝试测量目录的频率和时间对购买行为的影响，想想这是在六七十年代完成的，想想这在今天仍然有多重要一家公司发送电子邮件，他们应该多久送一次。

有什么时机，他们应该让他们分开一天吗，相隔三天，相隔五天，所有这些都来自直邮，文献产品分类，也许你派布拉德洛一家，瘦目录，你也许你派他的邻居，厚厚的目录，那么你给人们发送的分类如何影响他们购买的东西。

最后是广告的类型，客户或家庭级别分析的一个好处是，你可以测试不同的广告信息，你甚至可以测试，你应该是红色背景还是蓝色背景，你应该用16点字体还是10点字体，我听过的最伟大的名言之一。

所有的时间都是我市场部的一个同事写的，杰瑞风，他说，只做实验，如果你想知道答案，对我来说也是如此，六七十年代的直邮，制定了五点计划，我说过，他们知道那种商业问题，他们想回答。

他们知道他们可以在单个家庭层面上测量事物，至少他们寄给你的，他们知道他们可以改变事情，他们知道他们可以建立模型，他们知道他们可以瞄准人，他们现在可以在此基础上做出商业决策，当然。

它还留下了很多钱在桌子上，因为他们会知道你在他们的目录里买了什么，但他们不会知道你在杂货店买了什么，你在一个，你知道一家大百货公司，他们只知道他们的垂直，你在那儿买了什么？

所以他们甚至不知道你在竞争对手那里买了什么，所以像美元钱包分享这样的事情，在客户终身价值中非常重要，他们现在不会知道，让我们想想二十世纪八十年代，这是大多数人认为的现代营销科学。

原因是因为商店扫描仪来了，我们今天都习惯了，但我记得有一天商店扫描仪还不存在，所以你没有去收银台，在超市里，一家商店，所有的东西都被扫描了，以前不是这样的，所以除了所谓的日记面板数据。

你真的不知道个人家庭现在买了什么，当然你有最详细的数据，一次又一次，这是工业，垂直不可知论者，呃，服装店有这个，体育用品商店有这个，呃，超市有这个，每个人都可以跟踪个人级别的数据，现在，美也是很多的。

让我把这和另外两个非常重要的话题联系起来，这是排名第一的忠诚度计划，所以顾客总是认为忠诚度计划对他们有利，他们确实如此，但请记住，当你在超市出示忠诚卡的那一刻，他们知道是你，或者你用信用卡付款的那一刻。

他们知道是你，所以现在他们可以创建所谓的面板数据集，他们在哪里，他们能够随着时间的推移测量你，这意味着他们可以随着时间的推移为你做目标营销，所以我一直在谈论的一件事是忠诚度计划，信用卡数据，等。

而你认为这是客户的利益，绝对是，毫无疑问，对公司有利，因为现在他们可以对你做客户分析，因为如果你每次去超市都用现金支付，他们怎么知道是你，他们不知道是你，你用现金支付，他们没有，他们知道有人买了什么。

但他们不知道是你，客户分析的关键是将行为与时间联系起来，20世纪80年代的扫描仪允许了这一开始，所以再一次，二十世纪八十年代是现代市场营销时代的开始，因为第一，你可以在结账时打折。

你可以随着时间的推移跟踪客户，你可以给人们优惠券，事实上。今天仍然这样做，非常有名，卡特琳娜公司是发放优惠券的大师，你知道我买帮宝适，尿布，他们给我折扣价，等等，它再次让我对商店的体验有了更多的了解。

现在再来一次，这是很棒的数据，但现在还不是数据的黄金时代，所以想象一下，你今天有了这些数据，你就会错过一大块，这就是我想为90年代和2000年谈论的，这导致了最伟大的洞察力，那真的是互联网。

所以互联网真的改变了营销的面貌，但也许不是因为你认为的原因，你可能认为的原因是产品畅销，通过网络销售产品改变了营销的面貌，答案是你是对的，它是一种替代的分销渠道，但实际上这不是原因。

很多人可能不知道这一点，但让我们在这里暂停一下，我让你自己想两三秒钟，你认为美国有多少商品是通过互联网销售的，这是我坐在前面，停顿两三秒钟，假设我告诉你，它刚刚达到6%，大多数人认为这个数字要大得多。

所以从客户分析和营销的角度来看，与其说互联网是销售东西的第二个渠道，不如说它是销售东西的第二个渠道，这是一种测量你所看到的东西的方法，以一种非常有背景的方式为您提供广告，所以我知道你在福特网站上。

所以我可以给你发一个汽车广告，我知道你在一个特定的网站上，也许是度假网站，所以现在我不仅可以在那个网站上给你看广告，但我可以稍后用嘿重新定位你，我看到你在法国度假，你其实是，已经过了十分钟了。

或者甚至是两天后，我还在为你做去法国度假的广告，互联网使公司能够在客户分析方面做得淋漓尽致，我总是喜欢把互联网看作是一种，现在你有了互联网数据和购买数据，如果你把这些融合在一起。

我必须把这当成急诊室医生，你进了急诊室，你在流血，医生是做什么的，他想知道你为什么流血，嗯，我的观点是，如果你是一家公司，你在制造一种产品，你想知道为什么是什么推动了你的销售。

我想你不仅想知道人们在买什么，80年代的扫描仪数据可以告诉你，但你想知道人们在考虑什么产品，和他们没有选择购买的，所以互联网和购买数据融合在一起，如果你愿意，获取您的博客数据。

并将其与超市和商店的扫描仪数据融合在一起，现在你有一个很好的广告图片，当然如果你能加上第三块，也就是电视，现在开始来了，突然间你有了一个完整的视图，你真正想要的关于客户的数据来对他们进行分析。

所以再一次，来自互联网数据，你可以跟踪，呃，他们去了哪些页面，可能最重要的部分是他们考虑哪些产品，因为我总是喜欢思考的一种方式是想象两个场景，一种情况是你的销售额很低，因为人们认为你的产品不喜欢它。

另一个原因是你们的销售额很低，因为人们甚至不考虑你的产品，我宁愿要后者而不要前者，前者意味着每个人都知道你的产品，他们已经考虑过了，但他们不喜欢，后者意味着也许你只需要在广告上花更多的钱来提高知名度。

如果没有人们正在考虑什么产品的数据，你不知道，目标广告是很大的一部分，事实上，有一个，你知道的，它经历了它的双驼峰循环，早在90年代末，然后在2000年中期，他们死了，因为人们说好。

它们不会直接导致点击，但现在他们又回来了，当人们意识到他们产生意识，他们接下来产生品牌资产，互联网允许你链接到过去的经验，这样你就可以通过他们的IP地址跟踪他们，通过所谓的饼干。

随着他们的下降和最后一部分，这是我想向你们强调的部分，因为我一直在谈论的这个模块的一部分是获得正确的数据，找到一种将在线和离线数据联系在一起的方法是至关重要的，因为现在很多人都在做所谓的展示。

他们去商店，他们看实体店，然后在网上购买，很多人在网上看，然后线下买，你把这两者联系在一起真的很重要，忠诚度计划是做到这一点的一种方法，有办法通过给人们折扣和优惠券来做到这一点，通过认识自己。

他们去商店，你得把忠诚卡数据和在线数据联系起来，许多公司失去了进行现代营销的能力，客户分析，因为他们没有正确地将在线和离线数据连接在一起，如果你愿意，新数据的爆炸就在这里，所以如果你看看所有不同的名字。

谷歌脸书，推特，雅虎，一个Tumblr，Flickr，等，可能是，所有这些公司都有很好的数据，这可能并不奇怪，公司想知道的，但是这一系列的公司呢，例如，um Expedia，Expedia有哪些数据。

Expedia有每次有人进入他们的网站，当然，当你在Expedia上时，请注意，他们要么让你登录，或者他们说以新客户的身份登录，因为他们想随着时间的推移跟踪你。

这里给出的另一个例子是siriusxm无线电，卫星公司，卫星广播公司，他们当然知道你的倾听行为，他们想知道，我想知道听某种音乐的人，如果他们更有可能取消他们严肃的XM账户，想象一下，呃，赫兹。

汽车租赁公司，他们感兴趣的一个问题是你下一步打算租什么车，他们能给你升级吗，所有这些公司的共同点是什么，你可能不会想到所有这些公司，这里所有的公司都盈利，一次一个客户，他们都有个人层面的数据。

他们用来货币化，他们都在应用客户分析方法。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P3：[P003]01_what-is-descriptive-analytics - 知识旅行家 - BV1o54y1N7pm

欢迎来到客户分析，我是拉古·阿亚尔教授，我是沃顿商学院市场部的营销学教授，我在这里大约有十年了，在这段时间里，我教授了市场研究和其他与客户分析相关的课程，今天我们将讨论描述性分析，我希望你和我一样兴奋。

谈谈描述性分析，所以这些天，大量大数据的收集和分析外包给第三方公司，专门做这些事情的人，在这个模块中，我会向你介绍在不同行业从事这类工作的公司，例如扫描仪数据，作为杂货店或媒体公司衡量观众参与度的指标。

但即使你不参与这些行业，或者你想在较小的范围内从事描述性数据分析，了解这些公司是很重要的，他们收集这些数据的方式，以及数据试图探索的问题，为什么会这样，这是因为这是一种思考这类问题的方式。

通过了解这些公司，你将在思考和形成关于描述性数据的问题时带走可操作的技术，你可以使用的技术，在您试图分析的任何描述性数据环境中，那么什么是描述性分析呢，描述性分析可以用多种方式定义，所以一个是。

描述性分析是一种通过决策将市场与企业联系起来的方法，描述性分析的另一种思考方式，这是做出可操作的决定所需要的信息，另一种方法是系统收集和解释数据的原则，这里的公共线程，一个常见的线程正在获取良好的数据。

但我还想说的是，这是数据和管理者必须做出的决策之间的协同作用，这有助于很好的分析，那么经理们可能要做出哪些不同的决定，一套决定可能纯粹是探索性的，所以想想品牌经理，他们在看他们的品牌销售。

突然他们开始下降，问题是他们为什么要下降，是因为顾客的喜好变了吗，是因为顾客喜欢竞争对手吗，可能会有各种各样的事情发生，所以从这个意义上说，在这个阶段，它纯粹是探索性的。

我们在试图理解为什么事情没有解决，我们期待他们的方式，另一组问题可以纯粹是描述性的，再举个例子，回到品牌经理那里，我想知道，我的顾客是什么，钱包份额，他们花了多少钱，我的竞争对手有多少钱。

谁是我们的客户，我们的分割是什么样的，所以这类问题需要确凿的数据来了解客户有多少，比如说，购买我们的产品或其他竞争对手的产品，另一组问题可能是纯粹的因果关系，这里的想法是，比如说。

如果我改变了我网站的登陆页面，它会如何变化，消费行为，它会改变吗，它会增加点击率吗，它会把它打倒吗，等等，所以这些问题，右边那个，最极端的，因果问题需要系统的数据收集。

在如何收集数据方面进行了仔细的思考，所以我们在这里看到的是从左向右，需要收集的数据类型，需要收集数据的条件类型也在不断变化，所以我们今天在这个模块中继续，我们将讨论经理们需要回答的不同类型的问题。

什么类型的数据最适合回答这些问题，所以让我们从探索性类型的数据收集开始，所以说，探索性的数据收集通常是为了发展最初的预感，或者是洞察力，我们回忆起一个例子，我们从品牌经理开始，思考为什么销售额下降。

可能有各种不同的原因，通常这种类型的数据收集是第一步，这是一个非常重要的步骤，可以广泛地理解潜在的问题可能是什么，它提供了广泛的指导方针，说明你应该更严格地寻找什么，我想到的典型技术是什么。

当您开始考虑探索性数据收集时，这是焦点小组，焦点小组已经在那里很长时间了，什么是焦点小组，一个房间里大概有八到十个顾客，通常你会有一个版主来设计焦点小组的整体流程，你想让这些人来谈论这个品牌。

他们对品牌的看法可能会相互影响，换句话说，你可以观察动态，它是合理的无结构的，这是畅所欲言的谈话，作为一个品牌经理，你想做什么，深入了解当今消费者的痛点，和数据年龄。

分析和大数据焦点小组在某种意义上发生了变化，到许多不同的方式，市场调查，在线社区或互联网社区基本上是焦点小组和类固醇，你可以考虑各种不同的公司提供这项服务，例如。

焦点焦点所做的基本上不是看着十到二十个人，你开始考虑100到200到500人在一个小组里，你监视他们不是一次，但在六个月到一年的时间里，这里有什么想法，这里的想法是随着时间的推移与你的消费者建立关系。

这一百到两百人开始互相建立关系，他们变得越来越舒服地谈论真实的感受和真实的见解，联络点，当然啦，不是唯一一家做这件事的公司，有很多，许多其他公司，例如，C空间就是其中之一，还有许多其他竞争对手。

互联网社区有很多优点，一个是提高与客户的参与度，所以这些顾客在一起互相交谈，和品牌谈了大约六个月到一年，所以很明显，在相互交谈方面，这种密切的集中，与品牌的沟通，这真的提高了他们的参与度。

第二个更短的截止日期是可能的与焦点小组，在试图让这些人进入一个房间方面有后勤问题，得到一个版主等等，因为你要观察这些客户大约六个月到一年，你实际上可以有更短的最后期限，有啊哈的时刻出来了。

最著名的例子是克拉夫特的百卡路里包，他们做了什么，他们基本上有一个社区，他们合作过的，c空间，他们有一个社区，开始看着，人们想在零食里吃什么，洞察力是什么，并不是人们想停止吃零食。

他们真正想要的是低卡路里的零食，纳贝斯科的100卡路里包装取得了惊人的成功，但也有警告。

有什么大的警告，罗伊可能很难确定为什么，因为当你很早就开始接触互联网社区时，可能很难预测，卡夫会有什么样的见解，这太棒了，但并不是每一个可能的例子都是这样，所以仔细想想，当你可能想要互联网社区的时候。

仔细思考，值得六个月到一年的投资吗，非常重要的是要确定。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P30：[P030]04_applications-roi - 知识旅行家 - BV1o54y1N7pm

让我在接下来的五分钟左右的时间里简短地告诉你一些商业问题的样本，这就是为什么人们对分析如此兴奋，然后我要进入心脏和肉，这是今天一些公司的一些应用，所以这可能是我四处旅行和世界各地的公司交谈的时候。

人们想要回答的最重要的问题之一，是广告归因问题，或者如果你想知道每个广告值多少钱，或者广告的阿ROI是什么，所以想象一下你坐在这里，在Coursera上收听这门营销分析课程，想象你说，你知道的。

我有十万美元的预算用于公司的市场营销，我想把它花在电视上吗，我想把它花在收音机上吗，所以我想把它花在搜索引擎营销上，你如何计算出每一个的投资回报率，这是一个典型的应用区域的例子，人们花了很多时间思考。

不幸的是，今天的艺术水平是不是艺术水平，今天常见的做法是所谓的最后一次点击归因，这是你做的最后一件让你获得荣誉的事情，换句话说，如果我买你的产品之前做的最后一件事是在这里，广播广告，嗯。

一定是广播广告干的，但如果你真的想想这个逻辑，是什么让你听那个广播广告，而不是换车站，然后一天后你买，或者想象你在谷歌搜索，哪个或一个，你知道吗，如果有，使用你最喜欢的搜索引擎。

想象一下使用谷歌或必应搜索，现在突然间你知道了外面的一系列选择，所以真正重要的是，归因是理解人们所看到的事物的整个路径，这里有一个我以前处理过的数据集的例子，让我们从数据集的末尾开始，让我们努力前进。

假设您在一个站点上进行了转换，例如，嗯，我在这里给你举的例子是一个汽车网站，所以想象一下有人皈依了，这意味着他们实际上已经预约了测试，开车，不幸的是，在美国，你实际上不能在网上买车。

但你实际上可以设计你的车，你可以把它寄给经销商报价，他们认为转换，但想象一下我对你的道路了如指掌，您在站点转换之前所做的，就像我知道你去埃德蒙兹，com并查看了一则广告，我知道你上过CNN。

com和你成为广告的目标，我知道你在凯利的蓝皮书上看到了一则广告，我知道你去谷歌搜索了，然后我知道你去了一个广告商网站，最后你实际上在那个网站上转换了，所以一天结束时，嗯上次点击属性，会说。

把所有的功劳都归功于谷歌的点击通过，但那可能不对，所有这些事情，你之前看到的所有广告，这可能是导致你，实际上去谷歌，做那个搜索，去找广告商，最终再次单击，这是最重要的问题之一，另一个我喜欢研究的问题是。

我实际上花了大约一年的时间在一个项目上，ESPN全球体育界的领导者，有点，嗯，这与2000年的双子世界杯有关，足球锦标赛，哪个是最大的，众所周知，我认为世界杯足球赛是世界上转播和收视率最高的赛事。

他们想通过分析来回答的一个事件，是嗯，如果他们推出一个移动平台，这会蚕食他们的电视观看吗，它会蚕食在线流媒体的人吗，它会蚕食去PN的人吗，www。icj-cij。com，现在，这是一个重要的商业问题。

我相信你们中的许多人也面临着这个问题，如果一个频道蚕食另一个频道，那可能不是坏事，如果另一个频道更有利可图，但是手机广告的价值比其他广告低得多，你可以收取更多的电视广告比你可以收取更多的移动广告。

如果移动广告在蚕食，那是件坏事，所以这是ESPN想知道的一个问题，如果他们推出一个观看世界杯的移动频道，会吃人吗，这就是市场营销中所谓的GRPS的基本问题，这就是所谓的总评分点。

ESPN想了解的是他们有两个想法，他们想接触到尽可能多的客户，在这种情况下，世界杯的内容和频率，他们希望这些客户尽可能多地观看内容，所以如果你喜欢，有多少家庭会观看任何内容和频率，是内容的体积。

你把这些东西相乘，你现在有抓地力了，ESPN为什么关心GRPS，因为他们收广告费，他们的抓地力就越多，他们能收的广告费就越多，所以这是一个分析问题，那是，怎么，如何在增加另一个通道。

影响ESPN可以服务的GRPS总数，以下是调查结果，和，这可能会成为事后显而易见的发现之一，但可能事先不明显，也就是可以，如果你为你的公司推出一个移动频道，不一定是，espn，你肯定会蚕食你的其他频道。

但我只想说，顺便说一句，这可能是移动销售，如果你在手机上卖得更多，你会在网上少卖吗，答案大概是，但让我说两件事关于第一个，你最好蚕食自己的销售额，比别人蚕食你的销售，其次，他们发现即使ESPN犯规。

我通过分析发现这一点更普遍，即使移动频道确实部分地蚕食了你的其他频道，总体积实际上上升了，以及它为ESPN工作的方式，世界警察在一天内吃人，意思是，如果我在某一天花更多的时间在手机上。

那天我打算少看电视。但总的来说，我给了你一个额外的渠道来与我的公司接触，这是当今分析的一个非常强大的应用领域，事实上，你可以通过多种渠道测量人们，如果你喜欢电视，移动网络流媒体视频，意味着什么是重要的。

是全部订婚，你不必担心每个渠道的利润最大化，想象一下同样的事情在销售中也是如此，如果你有线上和线下销售，你不应该担心，如果我在线启动，这会蚕食我的商店吗，嗯，也许吧，但你应该关心的是总的盈利能力。

这是两者之间的相互作用，只有通过改进的数据和分析，你能估计一下那个问题吗？嗯，下一个是什么嗯，如你所知，我是个超级高尔夫球迷，所以我花了很多时间想高尔夫，其中一个，这是一个问题，价格折扣有多值钱。

我想用高尔夫的方式来回答这个问题，但这也是一个开创性的问题，今天通过分析被问到，所以这里有一个例子，很明显我叫埃里克，嗯，想象一下你给埃里克发了一个关于打高尔夫球的价格促销。

假设我是一个对价格敏感的顾客，所以我打高尔夫更多，那倒是真的，所以你可以做的一件事是，你可以测量人的比例或人数，你寄优惠券，两个高尔夫折扣，你可以看到他们是否更多地打高尔夫。

我的观点是这完全是错误的答案，而且会低估折扣的效果，现在的问题是为什么，大多数人不会一个人打高尔夫，例如，如果你给我打高尔夫球的折扣，我可能会更多地打高尔夫球，然后我会打电话给我的三个朋友，这是四人组。

让我们都打好高尔夫球，不仅仅是为了我更多地打高尔夫，但对于我更多打高尔夫的朋友来说，有一项关于，如果你喜欢你的社交网络的价值，和，人们发现，大约三分之二的折扣价值往往是，对于您发送给的人。

但大约三分之一的价值来自他们现在交谈的朋友，当然你怎么知道你知道，因为你必须有埃里克和谁谈过的数据，一旦你现在派他去，你从哪里得到的数据，你今天可以从Facebook上收集这些信息，实际上有公司在那里。

我知道这听起来很恐怖，你可以把手机放在手机上的应用程序上，它实际上可以测量你的对话，你当然知道你注册了这个应用程序，但今天衡量口碑的能力，让我们对当今营销的价值有了更好的认识，同样。

可能会有比其他客户更有价值的客户，这不仅仅是因为他们对营销的反应更多，而是因为他们告诉更多的朋友，换句话说，他们不仅将营销内化，他们把它外化给他们的朋友，所以好好想想，这些问题，你知道。

我应该把营销功劳给谁，你知道，嗯，渠道互相蚕食吗，折扣的价值是什么，这些都是开创性的标记问题，直到最近，通过收集更好的数据，一些无法回答的问题，你可以把它们综合起来回答。

但你永远无法在个人层面上衡量它们，我最后想说的是Facebook的投资回报率是多少，这可能是你们中许多人正在处理的一个问题，换句话说是更多的喜欢或提到有价值，我总是喜欢把它框起来，当然。

谁不希望他们的产品更受欢迎呢，但我声称这是错误的商业问题，这就是为什么这是错误的商业问题，因为想象一个数据集，你不仅有赞，但你也有在线广告，有人看到了想象一下你也有电视广告，有人看到。

想象一下你也有脸书，他们在Facebook上看到的想象一下你也有很好的购买数据，如果你对Facebook上的购买数据进行回归，我向你保证有更多喜欢产品的人，在脸书上点赞越多的人就会买得越多。

但这不是问题所在，这不是Facebook值得的原因，截至今天的700亿，可能是750亿，明天八百亿，大多数人认为Facebook的信息收集，包含在线和电视数据，别告诉你，所以这意味着。

如果我做了一个回归，试图预测购买，基于在线和电视，还包括脸书数据，Facebook将有一个显著的正系数，这意味着，即使我知道你在网上做了多少，即使我知道你看了多少电视广告。

知道你在Facebook上看到了一个给定产品的多少赞，比传统的在线或电视广告更能帮助我预测购买数据，这就是客户属性和客户级别数据的魔力，如果你有这个数据，你就可以开始分解了，是电视吗，是脸书一遍又一遍。

对于数据集，我的分析表明Facebook确实有预测能力，超越，只是传统广告，但解决这个问题的唯一方法是通过更好的数据，所以Facebook和在线有更大的短期影响，这部分可能并不奇怪，你可能感兴趣的部分。

观看电视广告有更长期的影响，我的意思是，如果你看到Facebook广告，你在你的Facebook提要中看到一个赞，在您的新闻提要中，你可能会说，哦，我很高兴我的朋友喜欢这个产品。

但五分钟十分钟后你可能就会忘记这件事，另一方面，电视的效果要长得多，对我们来说最迷人的部分，市场是有效的，我的意思是，如果一个电视广告的成本是Facebook广告的一千倍，电视广告的经济价值是。

Facebook广告的经济价值，意思是，基本上，在这些不同的渠道中，你花费的金额除以影响的金额基本上是不变的，我们对市场的效率感到惊讶。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P31：[P031]05_radically-new-data-sets-in-marketing - 知识旅行家 - BV1o54y1N7pm

让我在接下来的五到十分钟左右，告诉你一些全新的数据集和营销，我第一次和你谈的是，你知道20到30分钟左右这里有一些传统的电视数据，在线数据，等，让我和你谈谈一些全新的数据集和营销。

让我鼓励每一个听这个的人，思考如何使用这些数据集。

为了更好的决策，所以我最喜欢的研究之一，我已经谈过了，我以后会再谈的，想象一下你可以跟踪下面的数据，想象一下你可以获取数据，想象一下，让我们把超市放在商店里，想象一下你可以收集人们意图的数据。

在进商店之前他们打算买什么，现在，你为什么想知道这个，然后你可以比较他们打算买的东西和他们实际买的东西，然后你可以看到有多少计划外购买发生，想象一下，你可以收集购物者路径数据和射频识别数据，换句话说。

你可以跟踪商店里的顾客，现在，那真的很有价值，因为再一次，让我回到我之前举的例子，让我们假设你是一个儿童麦片的制造商，你们销售额低的原因，不是因为你的产品不喜欢，而是因为没有人去商店。

你的产品是商店的一部分，您的产品所在的位置，嗯，你可以通过购买不同的货架空间来改变这个问题，在整个商店里移动你的产品，视野；视野，想象一下你真的可以有眼球追踪数据，你可以测量人们在看什么产品。

因为想象一下，例如，你是苏打水，你做苏打水，你的苏打水坐在架子上，但没人看好它，如果他们不看，他们买不到，最后是购买数据，所以今天关于分析的令人兴奋的部分又是，想象一下。

在单个客户级别上拥有所有这些数据集，并在它们之间进行链接，让我给你们举一个我五年前参与的项目的例子。

和我的同事一起，皮特·法德和我们的前博士生，萨姆·韦，这是一个名为路径跟踪器的数据集，我们实际上跟踪人们在商店里移动，你可以看到一个小超市推车坐在那里，你可以看到这些红色的同心圆从那里向外移动。

意思是代表无声的ping，你听不到，但那是无声的响声，它被发送到商店周围的不同扫描仪，可以让你在一英尺内对整个商店里的人进行三角定位，所以这就是今天在应用中可用的数据集，五年前，当我们做这个项目的时候。

这是通过在超市手推车底部安装小设备来完成的，那是最好的技术，那是2009年市场营销的黄金时代，现在是两千零一万，五年后，我们大多数人，如果不是我们所有人，口袋里有手机，你应该知道。

你的手机公司在任何时间点都知道你的地理空间位置，他们可以将地理空间的价值货币化，所以让我们假设你有一个数据集，你现在不仅知道人们在收银台买什么，记得回顾几张幻灯片吗，那是二十世纪八十年代的数据。

扫描仪数据，但现在想象一下，我可以知道你在商店里的实际位置，顺便说一句，这不仅仅是存储中的物理数据，这可以应用于网站数据，我不仅知道你去了什么网站，但你去那些网站的时候，你在那些网站上花了多长时间。

把它看作是空间数据，想象一下一个顾客可以在商店里被跟踪的世界，所以你现在看到的这条实线，代表客户的路径，一个顾客在整个商店的路径，你看到的黑色小方块每五秒钟代表一次它们的物理位置。

红色方块代表他们在商店不同地点购买的产品，像大多数商店一样注意到，你拿起右边的牌，你顺时针逆时针转，然后你结账，通常在商店底部中心的末端，所以这将是商店里一个人的典型路径，购物者如何在整个商店移动。

可能是你有兴趣回答的一个问题，嗯，我记得，小时候，这是在我出生之前，但是有一个著名的节目《把它留给海狸》，它讲述了一个发生在20世纪50年代的节目，注定是一个全美国家庭，他们总是会展示上上下下的人。

超市的过道，上下上下上下上下，事实证明，实际上，只有通过分析，我们今天知道这个吗，事实证明，这实际上不是人们在商店里移动的方式，人们不会在过道上走来走去，事实上，如果你从过道的一边走，从另一边走。

那叫导线，如果你走在过道的一边，从另一边出来，回到端盖周围，那叫锯齿形，你下去的地方，让我们说，绕着五号通道走，然后上六号通道，这叫之字形，事实证明，大多数客户只遍历一次，意思是他们只走过道，一次。

事实证明，大多数人都做所谓的远足，他们走进过道，然后从同一边出来，他们进来了，大多数人不会在过道上走来走去，我们现在知道这一点是因为客户层面的分析。

所以这不是人们移动的方式，嗯，我现在给你看的是，是一个商店符号图，你可以看到，大多数人在过道中央移动和注意到的地方，你可以在这里看到中心，从来没有人走到过道的中央，大多数时候人们只去大约三分之一的路。

然后他们现在又回到了同一边，为什么那口井很值钱，让我回急诊室，医生的例子嗯，我是专业人士，我是一个产品的制造商，我在超市里卖，我的销售也不是我希望的那样，现在我开始怀疑，嗯哼，我想知道。

为什么我想知道这是不是因为人们不喜欢我的产品，或者我想知道是不是因为当他们去商店的时候，他们从来没有很好地参观过我的产品，客户分析现在允许您这样做，所以你从这家店看到的。

水平布局是人们只是不去中间的过道，他们通常只在，所谓的赛马场或商店的外环，他们几乎从不在内部过道上做，基本的想法是货架空间不好，所以你不应该为顾客不去的货架空间付费，事实上，你可以证明。

我们分析了成千上万家不同商店的数据，这可能会让你在实体店感到惊讶，超市，服装店，体育用品商店，等，大多数客户在任何一次访问中只覆盖大约两个，商店的5%，这很了不起，所以75%的顾客都不会去。

这是一个机会，知道我现在给你看的东西是很有价值的。

这是所谓的商店热图，红色是热的，绿色没有那么热，但还是很热，黄色不那么热，然后蓝色是冷的，通知，那里真的真的很冷，过道中间很冷，商店的外圈热，赛马场，这就是为什么你会看到公司为商店的外环花了很多钱。

他们想在端盖上，他们想成为最后的过道，顺便说一句，你知道这一点的唯一方法，现在，你真的能让人类坐在商店里吗，观察人们去哪里并记录下来，你可以，不能缩放，用很大的误差测量，你能在店里放摄像头吗。

已经做了很多年了，你可以，但它很引人注目，现在，突然间有些人知道他们被监视了，也许他们的行为不同，另外，你必须把视频数据，你必须，你得让它可以量化，完成客户级分析，就是，我现在可以一个接一个地跟踪客户。

他们去我的实体店，我可以把这和他们的购买数据联系起来。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P32：[P032]06_the-perils-of-efficiency - 知识旅行家 - BV1o54y1N7pm

我认为很有趣的另一部分，我们在这里做的一些工作是所谓的旅行推销员问题，这可能是一个你们很多人都不熟悉的问题，但这是一个自20世纪50年代以来就存在的老问题，一个推销员必须访问一堆不同的城市。

所以在美国地图上，我在给你看，每一个红色，每个红点代表一个不同的城市，一个覆盖美国的推销员必须访问，旅行推销员的问题说，销售员游览所有这些城市的最短路线是什么？因为销售人员显然不想把时间花在旅行上。

他们想花时间拜访客户，现在你可能会说这和分析有什么关系，它和零售业有什么关系，嗯，和它有很大关系，所以我们感兴趣的是在商店里移动更有效率的人，他们是买多了还是买少了，换句话说，你想要高效的购物者吗。

还是你想让人们一次又一次地游荡，原因回到我的五点框架，想想这个，这是我们以前从未有过的数据，这是第一阶段，二号，我们现在能够创建像热图这样的东西，让我们可以探索数据，看看商店的哪一部分被覆盖了，第三步。

现在我们要分析数据，在旅行商问题的框架下，我们要看看，是某些类型的购物者，进出购物者更有效率的人，都是，他们对公司更有价值，或对公司价值较低，第四步，然后我要和你谈谈你应该瞄准谁，第五步。

我将向你展示公司的决策，所以这是一个很好的例子，它有所有的五个点，我又在说这个了，嗯，你可以在这张照片上看到，让我们想象一下绿色的圆圈代表这个人购买的产品，图中的红线表示最短的可能路径。

那个人本可以拿起他们的手推车，购买那些产品，现在就结账，让我们说清楚，这不是任何人走过的路，这是他们能走的最短的路，我们有兴趣了解，是走更短道路的人还是对公司没有更多价值的人，例如，A上的路径。

如果你喜欢图片左手边的人，这是一个比B更有效率的购物者，如果你喜欢B，变得摇摆不定，B不只是参观他或她买东西的商店，但在商店里闲逛了很多，现在的问题是你更喜欢哪个顾客，很明显之前，我转向真相。

在下一张幻灯片上，接下来的几张幻灯片，你们每个人都应该思考，你想让客户的事情变得高效吗，还是你想让人们在某种程度上游荡，这就是所谓的三角形图，嗯，真正有趣的是什么，你可以在这张幻灯片上看到。

它说平均茶匙最佳现在是2 8，这个数字是什么意思，这意味着商店里大约75%的活动是不需要的，这意味着人们可能会花四分之一的钱，基本上是在商店里的时间，仍然购买他们购买的商品，现在，问题是好是坏。

所以这个三角形图的巧妙之处在于，每一个点都代表了我们分析的大约一百万客户中的一个，你可以看到在上面我们有TSP最优，所以如果人们真的在尽可能短的路径上移动，你会看到这个三角形顶部的所有这些点，你没有。

如果正确的行程偏差，那是什么意思那是什么意思，比如说，在商店里，想象一下你应该先拿起牛奶，然后奶酪和面包，但你去面包，牛奶奶酪，这叫做旅行偏差，这意味着你用了一种有效的方式，但你走错了顺序。

所以好好想想，正如你所知，你必须购买产品，a b和c，你应该去abc，但你去了c a b，那是行程偏差，然后顺序偏差，对不起，那是顺序偏差，那么行程偏差与抖动的多少有关，所以我从牛奶区走到面包区。

我摇晃了多少，我偏离了我的最佳路径多少，你在这里可以看到，大多数人都不是最佳购物者，最后一块现在是第四步和第五步，我给你的关键数字的框架，这是我用黄色告诉你的，第四组是走错顺序或走错顺序的人。

它们有最多的抖动，注意到这些人平均购买大约十件商品，每次他们去商店，效率最高的人，也就是第一组，只差大约一半，所以请注意，注意到我是如何将新数据，人们在商店里去的地方，我研究过那些数据。

商店的哪些部分最值钱，我现在已经把数据，我通过旅行销售人员模型进行了分析，我现在看的地方，我可以给每个人分类，它们的效率也很高，它们在A点和B点之间摇摆的程度，它们的顺序对吗。

现在我已经把它带到了行动步骤，在那里我可以看到哪些客户更有价值，事实证明，你不想让人们匆匆忙忙地穿过商店，你不希望他们那么有效率，现在的挑战是你必须能够识别出哪些类型的人，越摇晃的类型，哪些人不是。

不幸的是，这显示了我们数据集中的一个限制，我们没有人口统计数据，所以我们没有年龄，种族，收入，性别，都市化，你知道，他们住在城市社区还是农村社区，如果你这么做了，你可以，然后开始说现在，我看看该针对谁。

现在，我知道该针对哪些类型的客户，不幸的是，在这种情况下，我们有很好的数据，我们有关于地点的数据，我们有后来的购买，但我们没有人口统计数据，有一个很好的例子说明如果没有这些信息，我做出了一个商业决定。

我需要找到在商店里闲逛更多的顾客，那太好了，很高兴知道，下一步就是，当然知道那些顾客是谁，他们是什么类型的，我能认出他们吗？我能用不同的方式营销他们吗。

因为我宁愿有更多这样的客户类型而不是其他类型的客户。

我想告诉你的下一种数据，这又是，营销科学的未来是眼睛摄像头数据，现在，你可能会说眼睛相机数据，你的意思是，人们戴着眼睛摄像头在商店里走来走去，你们中的许多人可能还记得，你可以称之为失败或不失败。

在谷歌眼镜上，这是谷歌对…领域的进军，让我们让人们戴眼镜，他们所看到的一切现在都被跟踪了，如果你戴着眼镜，你实际上可以跟踪，人们在商店里寻找的地方，嗯，我们实际上对一千多人做了一项研究。

我们有他们的地方，戴上这些类型的眼镜，所以这是一个实验，这是一个田间实验，我们把这些眼镜戴在人们身上，我们跟踪他们看什么，所以你可以用这个眼睛相机看到左边一个人的照片，你可以在右边看到。

从眼睛相机上看是什么样子。

然后我们想注意的第一件事，我一直想知道这个问题，但同样没有正确的分析和数据，你永远无法回答，你知道，如果我给你看，比如说一杯橙汁，呃，所谓的橙汁平面图，商店里橙汁的地方，你宁愿在商店的什么地方。

你宁愿高高在上，你宁愿在最下面的架子上，通过眼球追踪数据和分析，我们现在可以回答这个问题，你可以看到或者把它想象成一张热图，红热蓝冷是许多产品类别的最佳高度，大约五英尺六英寸，你可能会说嗯。

为什么那口井，女性的平均身高约为五英尺，在许多超市里有六个等等，百分之八十到九十的购物者是女性，你想把它放在眼睛的高度，人们不喜欢往下看，人们不喜欢抬头看，人们喜欢看眼睛的高度。

你可能也会在这张照片中注意到，线形图的左侧，好像比右边热一点，你可能会说我想知道为什么这是真的，嗯，我们从左到右读，所以我们从左到右扫描，所以如果你可以选择在货架的右手边，架子的左手边。

你想在架子的左手边，因为当人们走向一个物体时，我们从左到右扫描，因为我们从左到右读，我们在眼睛的水平上扫描，然后有时我们上升或下降，如果我们找不到产品，我们想要这么高的水平，在左手边是商店里最好的位置。

你们中的许多人可能在你必须为货架空间付费的行业工作，或者你想知道理想的货架空间是什么，这是通过一次测量一个客户，观察他们的眼睛数据，我们可以注意到女性，男人大约五英尺六英寸，大约五英尺九英寸。

它的左边比右边好，正是通过分析，我们才能够回答这个问题，所以另一件有趣的事情是，现在是第四步和第五步，这样做有什么商业含义，我现在给你们看的是x轴，因为我们可以测量你在架子上看到的是什么。

不仅仅是你在x轴上买的东西，你看，你看到的三个不同的变量，有人盯着，不要看产品，他们从来没有看过它，或两次以上，我们感兴趣的是商店营销工作，你宁愿我们的产品看更多，买了更多，你可以在这里看到的是绿线。

我们所做的是通过他们的眼球追踪设备来测量人们的专注力，那是在他们头上，我们知道你看了多少次给定的品牌，零一次或两次或多次，然后当你离开商店的时候，我们调查了你，说，2。你记不记得现在看到过那个牌子。

让我从绿线上说个好消息，更多向上倾斜的视图，你看得越多，你记得看到的越多，我不知道，也许我不会因此获得诺贝尔奖，但以前从来没有人看过这些数据，所以回忆起意思，你记得看过这个产品吗，记住那是有价值的数据。

因为你不打算买，你今天没有买，并不代表你以后不会买，更多的浏览量更高的召回率，考虑一下怎么样，我们还问了人们，您考虑购买的品牌再次通知，向上倾斜的曲线，你看到的产品越多，你就越想买。

只是一遍又一遍地把你的名字放在人们面前，不仅提高了召回率，但它引起了人们的考虑，最后，你可能最关心的是购买，有一条向上倾斜的曲线，稍微平一点，这并不奇怪，一些查看产品的人，或者很多很多不一定买，因此。

回忆和考虑受到更多观点的巨大影响，选择少这样，但又一次，这就是分析的力量，因为现在你又可以开始说嘿了，我看到不同形式的广告有潜在的长期价值，这不仅仅是选择，和事实，选择可能是最后一件事。

回忆和考虑会很快到来，现在人们已经看到了你的广告，高级广告现在，他们更有可能召回它并考虑你的产品，希望如果你的产品有很好的好处，人们真的会再次购买它，这是一项伟大的研究，我们使用了单个客户级别的数据。

在存储中测量，所以从这里得到的另一件事，因为我们也有关于人们计划购买和计划外购买的数据，因为你还记得第一张幻灯片，我给你看了仓库里的数据，我们在人们进商店之前问过他们，你打算买什么？原来。

这是你可以在这里看到的部分，十分之四十分之四，这个数字对我来说很震惊，人们在商店里买的60%的东西，他们进去了，当他们，当他们再次进入商店时，我们是怎么回答的，让我回到我的五点框架，我们有数据。

我们知道我们想测量这个，所以我们在他们进入商店之前测量了意图，我们知道他们在商店里买了什么，原来，也反过来，他们计划购买的东西的40%，他们现在实际上并没有买，这是对营销工作的一种强化，换句话说。

你并不总是买你想买的东西，这是分析如何影响商店营销的一个很好的例子，嗯，购物的未来，嗯，你们中的许多人可能已经在当地的商店展出过这个，超市商店，等，但如果你不知道这件事，让我告诉你接下来会发生什么，嗯。

这是一种叫做媒体车的东西，所以想象一下在你的商店里走来走去，你把你的东西放进篮子里的地方，想象一下你面前的屏幕现在给你产品推荐，就像你把意大利面放进手推车一样，上面写着酱汁在右边两个过道上。

或者想象你买了薯条，你说，好的，我现在去哪里买啤酒，所以想象一下，就像亚马逊在网上做产品推荐一样，实时想象产品推荐，根据你的物理位置和你在车里放的东西，那现在来了，我的研究表明。

我想知道这是不是一件好事，因为这可能会让人们更有效率，购物者，他们可能不会买更多，但另一方面，这可能会让他们更经常地回到商店，因为他们可以更有效率，购物者，我认为未来是广阔的。

但你应该期待在未来看到像媒体车这样的东西，帮助你。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P33：[P033]07_analytics-applied-kohls-netflix-amex-and-more - 知识旅行家 - BV1o54y1N7pm

所以这节课的最后一部分我想谈谈，今天是一些领先公司对先进管理和营销科学的非常酷的应用，这些公司将所有五个方面结合在一起，他们使用了更好的数据，更好的探索性方法，更好的预测方法，他们使用了更好的优化。

实际做出影响他们销售的产品和服务的商业决策，所以让我从第一个开始，你们很多人可能都知道，科尔百货公司，嗯，那是一家很大的百货公司，全国连锁百货公司，有点像中低端百货公司，他们在做所谓的，顺便说一句。

还记得我之前的幻灯片吗，这不是谷歌、亚马逊或脸书，这是一家实体零售商，Coles执行以下操作，他们在做所谓的智能手机瞄准，所以说，比如说，当你走进商店时，他们有关于你地理空间位置的数据，你可能会说嗯。

他们怎么会有那么好的，如果你有，你的WiFi接入了你的手机，打开你的手机，你走进商店的那一刻，你拿起商店里的WiFi网络，它知道你的地理空间位置，所以他们用他们的WiFi网络来知道你的地理空间位置。

每个人的手机都有所谓的固定IP地址，这样他们就能知道是你，他们现在可以把它和你的所作所为联系起来，如果你去了他们的网站Coles。com，让我们说，他们知道埃里克·布拉德劳站在鞋子过道前。

他们现在可以给我实时的鞋子折扣，无论是通过短信还是通过电话，他们实际上可以给我实时折扣，因为我站在鞋子的过道前面，现在让我们用我的五种力来回顾一下，如果你愿意，科尔斯为什么能这么做，他们有数据表明。

是我通过我的手机和WiFi网络，他们可能希望这与我在网上的行为有关，可能通过他们的数据，网络在商店的线上和线下，他们知道我站在哪里，现在他们采取的行动是给我一个有针对性的，或上下文折扣。

考虑到我的物理位置，这是极有价值的数据，你知道营销中有句古老的格言，不仅仅是出卖人，合适的产品，这是正确的产品，在正确的地方，在正确的时间，嗯，科尔斯在利用并说，什么时候派埃里克布拉德利去，男鞋折扣。

当他站在男鞋过道前面的时候，它不值钱，我到商店前三十分钟，它没有那么值钱，三十分钟后它就值钱了，就在我站在那里的时候，所以这是一个公司认识到，他们可以收集更好的数据，他们可以利用这些数据进行决策。

他们会对它采取行动，这里还有一个，网飞，我想我们中的许多人已经成为这些内容的超级粉丝，事实上，Netflix正在创造，对于那些不知道的人来说，二十二十。

Netflix上消耗的视频内容将比任何其他提供商都多，包括YouTube，包括任何广播，就像NBC，www。icj-cij。com，好好想想，网飞，你将是，的，美国人将在网飞观看更多内容。

比世界上任何其他地方都神奇，大多数人都想得很好，Netflix在创造内容方面很幸运，别那么快，那不是真的，所以让我告诉你Netflix在做什么，Netflix正在做所谓的元标记数据，这意味着，当然啦。

当你登录网飞，他们知道你看什么，这是客户分析的极致，他们可以一个客户一个客户地衡量客户，你在看什么，但这是他们也在做的，你看的每个节目都有所谓的元标签，或者如果您喜欢属性或描述符。

所以他们知道埃里克·布拉德劳看了一个节目，一个发生在20世纪70年代一个温暖天气城市的警察表演，所以想象一下，拥有数百万客户的数据语料库，好吧，现在，而不是说嗯，我们能创造什么节目，现在。

想象一下导演坐在那里说，我看到数据告诉我什么了，人们真的很喜欢发生在温暖天气城市的警察节目，你知道在二十世纪七十年代嘿，让我们为二十世纪七十年代温暖的天气制作一个警察节目。

所以像Netflix这样的公司正在做的是，他们使用数据挖掘和客户分析方法来创建内容，实际上这让我想起了十年前我做的一个项目，是如何优化设计广告，使用广告成功的属性，我记得突然惊醒。

这可能是一个在它的时代之前的想法，我记得我去了所有不同的广告公司说，你知道吗，我知道你用艺术来创作广告，我有一个科学的方法让你做这件事，我知道广告里应该放多少音乐，我知道你是否应该在广告中养狗。

我知道你是否应该在广告里生孩子，我以为他们会拥抱我，像埃里克布拉德利，你是救世主，嗯，他们还没有为科学和艺术做好准备，他们只为艺术做好了准备，我希望Netflix正在做的事情。

可以给内容创作问题带来更多的科学性，另一个例子，显然最大的问题之一，为什么好，你在其他关于营销内容的讲座中听到的驱动因素之一，是客户终身价值的理念，我想我不需要重复，但我会简单地重复一遍。

在他们翻腾之后，所以你说，嗯，他们没有，你知道，你填写了很多数据，有什么问题？嗯，你的社交网络数据是一个非常强的预测，不管你是否要搅动，这就是今天许多公司正在做的，他们在刮，这都是合法的。

他们合法地从万维网上获取数据，让我们说埃里克布拉德劳夫，就像，我在Facebook上说了什么，我有多少朋友，我发的是什么照片，Flickr和所有其他类型的东西，他们正在获取数据，他们把它作为额外的变量。

预测我是否会翻腾，就像，比如说，如果我今天把它发布在Facebook上，哦伙计，我破产了，我刚丢了工作，这可能很好地预测了我是否会翻腾，要知道，所以这带来了很多问题，更好的数据。

公司可以管理和收集这些数据，他们可以量化这些数据，这意味着他们正在使用所谓的自然语言处理技术，从我在网上发布的东西中获取文本数据，他们把它变成了数字数据，它们可以融入数值流失模型，那对我来说很了不起。

这已经走了多远，一次又一次，不仅公司在这样做，但作为顾客你应该知道这一点，当你在网上发布东西时，你应该知道公司正在刮这个，事实上。下一个想雇用你的人就会从你那里搜刮信息，关于你的社交媒体使用情况。

他们在决定你是否知道你符合他们的标准，基于此，所以这是非常有价值的数据，这现在是分析领域的一部分，下一个例子是在医疗保健方面，虽然我不是医疗保健专家，我是分析专家，当今医疗保健的头号问题。

当今医疗保健的两大问题是第一位的，右边写的，患者依从性，所以说，你如何让病人服用处方给他们的药物，这是一个很大的挑战，第二种是所谓的预测分析，这就是我之前在底部给你看的，如果你想想今天医学的运作方式。

为什么政府和地球要花这么多钱，是因为我们等到你生病，然后我们以最佳的方式对待你，但想象一下我可以从你的医疗记录中预测到什么，这就是我给你看的左边的照片，想象一下我可以预测疾病，在你现在得到它们之前。

你将得到20年的时间，而不是试图通过最优地对待你来解决问题，我尽量不让你得这种病，所以想象一下我知道埃里克·布拉德利，二十年后我会得高血压的，嗯，为什么我现在不开始服药呢？防止我得高血压。

现在我把一个被动的问题变成了一个主动的问题，这就是当今医疗保健分析的未来，它试图预测人们在遥远未来的疾病，但如果你想想我们一直在谈论的，你看我说的，我的同事们谈论，这是分析，这是营销分析。

我的目标是个人客户，根据他们的病人记录，根据他们服用的药物，根据他们的，可能是家族史，基于他们对商品和服务的消费，我要瞄准他们的最佳位置，为了让他们坚持药物的正确方法，并有正确的协议来预防未来的疾病。

这不是向后看，这是前瞻性的，这可能是我最喜欢的一个，哪个是谷歌免费出租车，如果你没有听说，谷歌在过去的五年里一直致力于无人驾驶汽车，现在，你可能会说哇哦，这有点有趣，那一定很酷，是啊，是啊。

但现在有一个机会，他们正在考虑将其货币化，所以你在左边看到的只是一个购买历史数据的例子，你在右边看到的是一个计算客户终身价值的公式，想象一下谷歌在做以下事情，我只是拿布鲁明戴尔斯作为例子。

想象一下我去布鲁明戴尔斯网站，我开始说嗯，我喜欢这个，我喜欢这个，我喜欢这个，我开始想我现在想买的各种各样的东西，布卢明代尔可以测量这个，现在他们说嘿，等一下，布拉德洛回来了，他是个很有价值的顾客。

想象一下谷歌和布鲁明戴尔合作，说等一下，我知道布拉德洛采购线很有价值，但想象一下，我们派了一辆无人驾驶汽车给埃里克，布拉德劳夫家，去接他，免费开车送他去布鲁明代尔，所以想象一下谷歌与零售商合作。

实际上提供免费的商店，基于您的客户终身价值，如果你喜欢所有分析中的拉什莫尔山，这可能是，谷歌知道你在做什么，与实体或在线零售商合作，根据客户终身价值将一辆实际的汽车送到你家，它具有数据捕获的所有方面。

和行动，也就是把车送到你家，顺便说一句，如果你认为这是幻想，这永远不会到来，我向你保证不仅路上会有无人驾驶汽车，但路上会有无人驾驶汽车与分析联系在一起，星巴克，星巴克实际上是一家在分析方面更出色的公司。

比人们认为的要多，如果你看到这里，我给你这两张照片，这似乎是一个矛盾的说法，好像他们不在一起，就像客户忠诚等于没有交易，你什么意思，客户忠诚度等于没有交易，我会给我的顾客最好的交易，我更好的顾客，对呀。

否，那是不对的，你应该给最好的交易的人，给他们交易的人，改变他们的行为，所以让我们想象一下，埃里克布雷德洛停在早上8点8分，在星巴克，每一天，你觉得，如果他们给我一个交易，我要去星巴克，我是说。

我怎么能每天都停在那里，嗯，也许他们可以给我一个交易，让我在这里得到更大的钱包，也许与其在工作时给我松饼在星巴克给我咖啡，我在星巴克都买到了，但你不给你最好的客户交易，你给你的客户交易。

投资回报率最高的，星巴克通过他们的忠诚度计划认识到了这一点，他们想给那些处于忠诚边缘的人交易，他们想把不忠诚或不经常光顾的顾客变成常客，他们不是想把常客变成常客，因为常客已经是常客了。

所以他们把分析提升到了一个新的水平，他们认识到你不仅仅对待收入最高的客户，你对你的顾客最好，该支出的投资回报率最高的最佳，顺便说一句，从你这里购买最多的通常不是顾客，人们总是搞错，高价值客户已经忠诚度。

他们已经买了很多，你可能会得到他们很多美元钱包，或者已经是内部客户了，你想把小费给一个大买家的是那个中等客户，而不是对一个轻买家，这些是你应该瞄准的目标，星巴克知道这一点，下一个呼叫中心。

你们中有多少人可能不想承认，不幸的是，你知道你看不到我，我看不见你，但你们中的很多人可能不想承认这一点，但是你们中有多少人给一家公司打过电话，因为你有一个糟糕的产品体验，开始对着电话尖叫。

或者开始对另一条线上的人尖叫，我想我们每个人都必须诚实，说我们现在已经做到了，你可能会说这和分析有什么关系，嗯，这一切都与分析有关，以及今天的营销和销售是如何进行的。

想象一下Eric Bradlow打电话，让我们想象一下我打电话给康卡斯特，我的本地供应商，我什么也不说，我的意思是我喜欢康卡斯特或一个好的有线电视提供商，但是很多人打电话来说他们对康卡斯特感到不安。

我不是在找康卡斯特的茬，嗯，他们知道他们有一个，如果你想在康卡斯特解决客户满意度问题，让我们想象一下我打电话给康卡斯特，我开始对着电话尖叫，我的有线电视又停了，画面模糊了，废话废话，我开始对他尖叫，嗯。

两件事，第一个对你来说并不奇怪，首先康卡斯特知道是我，那是呼唤，因为我是从我家打来的，他们可以看到我家里有十台电视，顺便说一句，我没有夸张，我是一个电视家庭，我喜欢电视，我有很多康卡斯特盒子。

这意味着我是康卡斯特非常有价值的客户，这样他们就可以看到那个通知，已经，看看数据，我的手机现在链接到我的帐户，他们能看到是我，他们不问我，是我，他们知道是我，当我打电话的时候，上面的人在回答，电话。

知道我一生的价值，他们可以看到我花了多少钱，我平均每月购买，他们可以看到我已经做了15年的顾客了，第二件事是他们可以听语调软件，现在可以倾听我声音中的愤怒然后决定把剧本放上去，对于人，嘿，布拉德洛。

愤怒，搅拌器，搅拌器，不好，得做点什么，这里有一个例子，一家公司采用了真正自然的语言和语调软件，并将其与CRM系统和数据库管理合并，他们把这些合并在一起，他们可以做两件事中的一件。

一个是剧本可能是为人准备的，等一下，等一下，冷静点，布拉德利先生，我们知道你很生气，等，或者他们可以给我接通另一个人，谁更善于处理愤怒的人，这甚至是使用分析的更大可能性，这里有一个公司做得更好的例子。

客户关系管理，呼叫中心路由，如果你愿意，通过使用分析，嗯，亚马逊船，在你买之前，这又是一种，我最喜欢的一个，嗯，你又在这里看到一张照片，某人的购买历史，你可以看到一张无人机的照片，否，我不认为。

亚马逊真的要让无人机在我家上空飞行了，准备送包裹，但亚马逊能做的，我在导言中简要提到了这一点，在总结中的一点是，亚马逊能做的是，他们可以在我之前预测埃里克·布拉德洛要买什么，买它。

他们可以把它运到我家附近的当地零售商那里，所以如果我点了，那天我要去拿，想象可能性和客户终身价值，你可以通过说，如果你中午前订购，产品会在今天5点前送到你家，再想想你现在愿意为此付出什么。

是什么让亚马逊做到了这一点，他们有很好的数据，因为他们在跟踪个人客户二级的数据，他们有一个推荐引擎，以及进行预测建模的能力，这样他们就可以预测埃里克·布拉德利将来会买什么，埃里克·布拉德洛过去买的东西。

埃里克·布拉德利未来会买什么，它们分布广泛，这样他们就可以运送东西，不是去我家，但对我家附近的当地零售商来说，第四名，他们有能力为此采取行动和收费，那么他们会免费为埃里克·布拉德洛做吗，否。

那将是亚马逊Prime，亚马逊Prime不会免费送货，可能是免费送货，但如果你那天想要它，你要付出额外的代价，所以想象一下分析给这类公司带来的力量，所以总结一下，和你谈谈这里的终极外卖。

我想和你说的是技术与管理和营销科学的结合，所以你应该关注的是，如果你坐在这里，听这个讲座，你首先应该想到的是技术是美妙的，很酷，但这不是你个人家庭使用和设备的问题，我如何使用技术，不管是眼球追踪数据。

GPS数据，Web数据购买数据调查数据，我如何使用这些数据来更好地了解我的客户，第二，它从来都不是数据的黄金时代，所以如果你今天还在做决定，使用存储级数据或聚合数据，你可能会放弃很多钱。

因为有更细粒度的数据，这将允许你做出同样的决定，但在单个客户的层面上，如果你觉得知道这些东西很好，我不干见多识广的行当，如果我每做一项研究就有一美元，很高兴知道这很好，但我遇到了麻烦。

我认为分析的方式是走向行动，这是真正的货币化，你觉得科尔斯·亚马逊会这么做吗，因为很高兴知道他们在做这件事，因为他们看到了赚钱的真正机会，所以我想感谢你的关注，嗯再次，去我的网站，继续访问客户分析网站。

永远不要停止学习分析。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P36：[P036]02_the-newsvendor-problem - 知识旅行家 - BV1o54y1N7pm

大家好，欢迎来到运营分析，我很高兴你能来上这门课，我是萨娜·拉万，我是运营系的副教授，沃顿商学院的信息和决策，我将在第一周向你们介绍操作分析课程，你要专注于描述性分析。

对未来事件的不确定性是我们生活的世界的一个关键特征，不确定性在许多商业决策中起着很大的作用，操作通常是在这种不确定的环境中做出好的决定，首先，我要向你们介绍操作中最核心的问题之一。

在不确定的环境中需求与供给的匹配问题，称为新闻供应商问题，我们需要能够描述数据中的不确定性，以便做出更好的决定，因此，我们将研究预测未来结果的方法，我们将学习如何在有，或季节变化。

我们将在本周讨论的描述性分析，你会看到，将提供一个强大的，预测性和规定性分析的概念基础，在接下来的三周里，您将学习如何使用分析工具包，评估不同的行动方针，再次优化并选择最佳的行动，你能来我非常高兴。

你好，欢迎来到运营分析，这是运营分析的第一周，我们将在那里讨论描述性分析，在描述性分析中，我将报道四个疗程，下面是我们要如何分裂材料，我们将在第一节课的第一周分四节课进行讨论，我将讨论一个操作决策问题。

称为新闻供应商问题，在我介绍了新的挥金如土的问题后，我要谈谈随机变量，我将讨论需求分布，这就导致了我们在第二次会议中的第二次会议，我要讲的是利用过去的历史数据进行预测，然后我会谈谈移动平均线。

我将在第三部分讨论先进材料中的指数平滑，我要说的是预测当数据显示，趋势或季节性，最后在第四场会议上，我要讲的是对新产品的预测，以及拟合需求分布，这是我们课程第一周要讲的四节课。

第一周将再次关注描述性分析，让我们直接进入第一阶段，我将在这里讨论一个有趣的操作决策问题，在我们深入研究分析数据之前，让我们来看看公司面临的一个根本问题，生产多少是个操作问题，来回答这个问题。

我们需要知道或估计产品的成本，产品的价格和一些关于产品需求的数据，让我们探索一个问题开始，这里有一个操作中的基本问题，我给你举个例子，假设您正在为零售商做出运营决策，谁从供应商订购产品并将其出售给客户。

订购的产品被接收并放置在商店货架上，假设有大量的客户，人口中的每个顾客都可以选择购买或不购买该产品，如果顾客选择购买，他到商店去买产品，只要货架上有货，他就买，然而，在你看到顾客的需求之前。

你必须先订购产品，因为你必须在架子上有可用的物品，假设你只有一次点菜的机会，也就是说，在你做出决定后，你不能真正改变你的采购订单，让我们来看看我们运营问题中的成本，你以一定的成本从供应商那里订购产品。

每件三个裁缝，裁缝只是我们要使用的一些货币单位，对于本例，在您的订单收到并上架后，出现了一些需求，货架上的产品售价12个裁缝一件，季末所有未售出的商品，或者在一天结束时被打捞上来，你从打捞中得不到钱。

那就是，残值为每件裁缝零，如果你买了又不卖，你就失去了所有的钱，现在让我们看一个事件的时间线来更好地理解这个问题，这是事件的时间表，这是每个时期都会发生的事情，你向你的供应商提交订单。

购买一件衣服的费用是三个裁缝，您收到所有订购的项目，所以无论你点什么，你都会收到，你几乎立即收到这些物品，在你收到它们之前，非常小的时间窗口过去了，你储存它们，你马上推他们，一旦你推他们。

有一些不确定的需求，顾客选择来店里，当他们来的时候，他们看到架子上的物品，只要有货，他们就买，例如：一件衣服的售价是十二个裁缝，这里的关键因素是需求不确定，所以你真的不知道。

到底有多少顾客会出现在商店里购买你的商品，如果你把你买的所有东西都卖了，但有时如果你有未售出的剩菜，它们必须被打捞上来，在本例中，我们假设残值为零，裁剪一件物品，所以剩下的都送人了，你失去了所有的钱。

就是这样，问题结束了，然后在下一个时期，你得下订单，满足下一个时期的需求等等，等等，让我们集中讨论一个重要的问题，我之前提到的需求是不确定的，那就是需求可以是任何东西，可能会很高，低等等。

假设你买了十件东西，让我们看看一个高需求的场景，让我们假设需求是一百，你会把所有十件商品都卖掉，尽管需求是一百，你只能卖十个，因为你只有这些，你把十件东西都卖了，并在这十项上获利，十乘十二减三。

你三点买，十二点卖，所以10乘以12减3等于90个裁缝，那是你的利润，即使你的要求是一百，你只卖了十个，这就是你赚的利润，也有一个低需求的情况，假设没有需求的需求场景，在这种情况下，你买了十件商品。

需求是零，所以你什么都不卖，你在买那些东西时损失了所有的钱，因为你在零售商那里买了十件，因此，你失去了三十个尾巴，这是因为剩下的物品没有残值，记住这个时间表，5。让我们根据以往的情况看看问题的症结所在。

让我们把问题概述一下，不知道需求会是什么，你必须决定从供应商那里订购的数量，在看到客户需求之前，在这种情况下，什么能帮上忙，过去的需求数据可能会有所帮助，幸运的是，我们有过去一百个时期的需求数据。

这是过去的需求信息，在你看到的图表中，你可以看到在过去的一百个时期观察到的需求，你可以注意到，需求变化很大，在第一阶段的观察中你可以看到需求是29，在上一期的观察中你可以看到需求是41。

让我们了解需求模式，更多，这里有一些关于过去需求数据的更多信息，从过去一百个这样的时期的观察来看，我们看到观察到的最大需求是81，观察到的最低需求是十五，你甚至可以计算出平均值。

那一百次观测的算术平均值，那是5。28，根据数据，我要请你做一个练习，在你做决定之前决定点多少的练习，让我们先通过以下几点，答错了没有惩罚，或，反过来说，正确答案没有额外的课程学分，这是基于荣誉的。

但你有一次做出决定的尝试，练习的目的不是测试你或给你打分，而是设定一个初始基线，当我们开始课程时，思考如何思考这些问题，所以我问你以下问题，把你的答案写在纸上或柱子上，它注意到。

并在整个课程中保持工作表或节点，我们将在课程中看到最好的答案，然后你就有机会比较你的答案，1。您想订多少？这就是问题所在，假设你是经理，考虑供应商总共提供了多少项目的问题，选择要订购的数量队列。

一旦选择队列，市场将从需求的分布中产生50个随机的需求实例，与图形相似，我给你看了，每个随机需求实例将对应于您在即将到来的销售季节可能面临的需求值，您的目标是选择队列以最大化您将获得的总利润。

当面对这五十个随机需求值时，现在花点时间把你的答案写在一张纸或一张柱子上，它注意到，一旦你返回了答案，我们现在准备进入下一张幻灯片，您刚才看到的问题称为用户呈现问题，它的特点是，你有一个目标。

通常利润最大化，最小化成本，或提高市场份额，等，你得做一个决定，通常买多少或计划多少，这发生在你看到未来的需求之前，然后需求就发生了，实现利润和成本，这被称为新闻供应商问题，因为它类似于卖报纸的小贩。

你买得太多，你可能会剩下卖不出去的报纸，或者你买的太少，你将放弃收入机会，在本课程中，我们将向你展示如何思考这个问题，以及现在如何分析这个问题，我将向你们展示《时代》杂志新消费问题的一个应用。

他们有以下问题，商店要么卖光了库存，这意味着他们的库存太少了，或者他们只卖出了分配的一小部分，这意味着他们有太多的库存，所以这是一个新的渲染问题，以下内容，国家印刷订单，即印刷和出货的总份数。

到批发分配结构，这就是这些副本是如何分配给不同的批发商的，商店分布，这是杂志最终分发到商店的说明，大约三个决定是在每周发行的实际需求实现之前做出的，因此他们需要分析过去的数据。

他们必须能够预测未来的需求，事实上，据《时代》杂志报道，每年节省约350万美元，从解决报摊问题，这个故事被收录在Koshin界面杂志今年的白皮书中，两千零三卷三，除了《时代》杂志的报贩问题之外。

还有三个，让我们来看看新闻供应商问题的一些广泛应用，以下是其中的一些，每年，各国政府在流感季节开始前订购流感疫苗，他们在流感毒株的范围或性质被知道之前就做出了这个决定，一个问题是要订购多少疫苗。

这是一个报摊问题，因为你必须知道如何在需求被知道之前做出决定，智能手机用户在知道他们未来的实际研究之前就通过移动数据计划，在这种情况下，什么计划对你合适？这又是一个报摊的问题。

因为你必须在知道未来的需求之前做出决定，消费者购买健康保险计划，在他们再次知道他们的实际医疗支出之前，如何考虑正确的计划，这也是一个报摊问题，对于上面所有的例子。

我们看到一些对未来需求的预测是必不可少的，让我们想想怎么做，预测未来的需求是至关重要的，所以让我们了解什么是预测，预测，预测的主要功能是预测未来，为什么我们对预测未来感兴趣。

因为它决定了我们今天所做的决定，我们对未来有所了解，我们今天可以做出更好的决定，谁在工作中使用预测，很多工作都使用预测，一般来说，我们预测对产品的需求，我们预测服务需求，我们预测库存需求，我们预测容量。

每天都需要，等等，等等，但是什么是好的预测，首次预报应及时，它应该是可靠的，它应该尽可能准确，它应该是有意义的单位，预测方法应在实践中易于使用和理解，让我们来看看预测点的特征预测通常是错误的，事实上。

这是预测为什么的第一条规则，让我给你们举几个例子，我预测在2015年12月，会有三七厘米的雪，我预测，下周下雨时，我们将卖出314把雨伞。这些预测很可能会被证明是错误的，比如说，你可以有三十个，七点。

十二月五厘米的雪，或者你可以在下周下雨的时候卖出317把伞，或者你可能会偏离得更多，发生这种情况是因为需求可能是一个随机变量，它可能会偏离你的预测，因此，一个好的预测应该不仅仅是一个数字。

通常我们提供均值和标准差，你也可以提供一个高和低的范围，比如说，比如说，电视，天气预报说明天气温高，明天气温低，这是一种提供不止一个数字的方式，通常我们可以通过概率分布来模拟未来，让我们进一步考虑一下。

我们经常不控制购买行为，结果，我们不能肯定地预测未来的需求，我们可以试着决定未来可能的需求情况，并对每种情况估计其实现的可能性，那么场景从何而来，它们可能来自你过去的数据，也可以来自专家的估计。

让我们看一个未来需求模型的例子，让我们从查看少量场景开始，假设有三种情况，让我们称之为高需求场景，普通需求情景和低需求情景，假设高需求场景对应于，普通需求情况下的价值为50，低需求情况下的价值为20。

对于每个场景，必须估计其发生的可能性，在我们的未来需求模型示例中，我们必须估计每种情况的可能性，可能性的估计从何而来，它们来自对过去数据的统计分析，假设在分析了过去的数据并使用一些主观输入后。

我们估计这些场景有以下可能实现，在下一个销售季节，高需求的可能性是20%，正常或普通需求的可能性为70%，低需求的可能性是10%，在我们的场景分析中，2。我们假定需求不等于某一个数，且该数的绝对值为1。

而是可以用相应的概率取三个值中的任何一个，本质上，我们刚刚为未来的需求创建了一个概率分布，需求可能是八十，概率p一个点，两个需求可能是50，概率p到点7，需求可能是二十，概率为三点一。

像我刚才描述的概率分布是由许多不同的场景描述的，每个都有附加的概率，这样的概率分布称为离散概率分布，最后请注意，概率都大于零点两点，七点一以此类推它们加起来等于一，就是第二点加第七点，加分，1等于1。

在这张幻灯片中，我向你展示概率分布是什么样子的，场景显示在这里，二、五、八，并显示了相应的概率，对于任何概率分布，概率分布通常用均值和标准差来描述，即使是一个简单的，反映三种需求情景，我们刚刚看到的。

两个有用的描述性量通常是平均计算出来的，也称为期望值和标准差，让我们试着用离散概率分布来描述它们，平均值只是定义为场景值的乘积之和，需求分布的概率，d巴表示的平均值将是p的1倍，需求，一加p，两次。

需求二加三，需求三或点，加分的两倍，七五十，加一点乘以二十，总共有53个，我们如何解释五十三，平均值5 3反映了我们在销售季节平均得到的需求值，如果你在无限多的销售季节中不断观察需求的实现，换句话说。

如果你不断地观察无限的销售季节，平均值或你的期望应该是53，我之前在图表上给你们看过分布，让我给你看看，红线，红色垂直线表示分布的平均值或期望值，现在我们来看看标准差，标准差描述，粗略地说。

实际随机变量值与平均值的距离，换句话说，在口语意义上，它描述了你的分布是如何围绕它的平均值展开的，如何计算标准差，标准差定义为下列各项之和的平方根，情景概率乘积，用情景值与平均值之差的平方，我再说一遍。

你把场景值和平均值，取差价，差值乘以情景概率的平方，对每个场景都这样做，然后把它们加起来，然后取平方根，比如说，对于三种场景的需求概率，我们认为标准差计算如下，采取需求场景之间的差异。

和平均平方乘以概率，对每一种情况都这样做，采取场景需求，它与平均平方的差异，乘以相应的概率，并对每一个场景都这样做，你得2点乘以20减53，平方点7乘以50减53，平方点1乘以80减53。

整个事情都平方了，你得到161。16是标准差，我之前给你看过绿色的概率分布图，我也向你展示了卑鄙，由垂直红线表示，五三的平均值，现在我大致向你们展示标准差是什么样子的，标准差是衡量你的概率分布有多分散。

平均值，均值知识，和标准，偏差值，帮助我们支持关于随机变量性质的一般直觉，如果我们有三种以上的情况怎么办，这样做有点简单，所以让我们考虑下面的场景，有概率p的需求1，用概率p2求2。

求三有概率p3以此类推，按需和概率p n，现在所有这些概率都是正的，它们加起来就是一个，也就是p一加，p二加，p3+以此类推，以此类推，直到pn等于1，现在，我们如何计算这个需求分布的均值和标准差。

有n个场景，这又是三个场景案例的直接扩展，我们认为是卑鄙的，或期望值d巴，我们计算p 1乘以d 1加p 2乘以d 2，加p 3乘以d 3以此类推，标准差可达p n乘以dn。

我们计算场景与平均D一减D巴之间的差值，将其平方并乘以相应的概率p 1，为P2做这个，p 2乘以d 2减去d的平方，以此类推，以此类推，直到最后一个场景，平方是dn减去平均值，整个事情都平方了。

乘以pn，一旦你有了所有这些项的总和，取整个和的平方根，这就给了你标准差，到目前为止，我们已经研究了一个离散的概率分布，有许多未来的场景，每种情况都有一定的附加概率，但是离散概率图会发生什么。

当被建模的随机变量有大量的场景时，在任意小的值区间上，任何一个场景实现的概率都很小，想想股票价格或一个地区的降雨量等例子，比如说，有很多种可能性也有很多种情况降雨量在30到30之间，七厘米到三九厘米。

降雨正好在一种情况下的概率，比如说37。1厘米真的很低，在这种情况下，使用一组场景来描述这样的概率分布是有意义的，而不是专注于每一个单独的场景，像这样的分布称为连续分布，在下面的图片中。

我给你看一个随机变量x的分布，x的值或x轴上的值，相应的概率密度在y轴上，像这样的分布称为连续分布，在连续分布的情况下，我们将研究一组场景，而不是单个场景，再次，浅绿色区域显示了概率。

随机变量x取最小值x 1到最大值x 2之间的值，整个曲线下的面积等于1，如果我问你，概率有多大，随机变量x可以取可能的最低点和可能的最高点之间的任何值，概率必须等于1，因此整个曲线下的面积等于1。

连续概率分布最流行的例子之一是正态分布，正态分布允许随机变量x取任意值，从负无穷大到正无穷大，正如你在图表中看到的，正态分布的好处是它完全由两个参数表征，均值亩与标准差，西格玛。

正态分布看起来像钟形曲线，可能是最常见的分布，在Excel中也实现了统计公式，可以计算概率，具有给定均值和给定标准差的正随机变量，将在此区间内产生x最小值和x最大值之间的值。

这可以在正态分布以外的L上计算，存在大量其他流行的连续，具有易于计算的均值和标准差或方差，这些分布中的每一个通常用于描述特定的不确定设置或数量，比如说，正态分布常用来描述股票价值未来变化的分布。

指数分布可以用来表征顾客连续到达之间的时间，在服务系统中，例如呼叫中心，让我们回到预测的特征，点预测通常是错误的，为什么这是因为需求可能是一个随机变量，在过去的几张幻灯片中。

我们一直在研究如何描述需求分布和如何表征随机变量，利用这些信息，一个好的预报应该不止，一个单一的数字预测应该包括一些分布信息，通常是均值和标准差，同样值得记住的是，综合预测通常更准确。

随着我们走得越来越远，预测的准确性也在下降，因此，长期预测不如短期预测准确，最后，在你的预测过程中不要排除已知的信息，除非你有充分的理由这样做，让我们来研究一些主观预测方法，首先，复合材料。

合成是一种聚合来自不同位置的预测的方式，或者不同的人或不同的地理位置，比如说，有Salesforce复合材料，指南针的销售是由销售人员聚集而成的，需求估计数，有选举投票合成。

有一些网站聚合投票数据并将它们放在一起，有客服客户提供不同服务或需求的主观评价，这就是由行政意见组成的陪审团，行政意见评审团是从行政人员那里收集数据并将其放在一起，最后是德尔菲法。

其中汇编和重新审议个人意见，您编译、重新考虑并重复这个过程，直到有希望达成集团共识，将在第一周结束时回归主观预测方法，在我们上次会议期间，我们如何利用过去的数据进行客观预测。

我们可以利用过去的数据来做出预测，和两种用于预测的主要方法，我们的因果模型和时间序列模型，因果模型是通过因果分析来解释的模型，让我们看看这意味着什么，让D是你需要预测的需求或未来结果。

我假设有n个变量或n个根本原因会影响需求，因果模型是一个需求，d是这些n个根本原因的函数，你可以想象，因果模型通常是错综复杂的，因此需要先进的工具，除了本课程的领域专家之外。

我们将主要关注基于时间序列的模型，什么是时间序列法，时间序列只是被预测的变量过去值的集合，事实上，它可以被认为是一种天真的方法，目标是隔离过去数据中的模式，对未来做出好的预测，使用过去的数据。

过去的数据可能有趋势等特征，数据中的季节性或周期，或者只是数据中的随机性，我们使用这些模式来得出描述性统计数据，都是很有用的，然后做出预测或预测，这就是我们在接下来的几次会议上要做的，继续以同样的方式。

我们要做预测，利用过去的历史数据，特别是，我将研究两种方法，一次移动平均法与指数平滑，我会在高级灯光下覆盖。

在本届会议上，我们看到了操作中的一个基本问题，叫做新闻供应商问题，我给你们看了一个新的细长问题的例子，你必须在不确定的情况下做出操作决定，我们还在一家著名的杂志公司看到了新细长问题的应用。

我已经强调了在不确定的情况下做出正确决定的重要性，在本课程中，我们希望引导您做出更好的决定，先做出更好的决定，我们需要能够描述我们收集的数据中的不确定性，我们还需要利用这些数据来预测未来的事件。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P37：[P037]03_moving-averages - 知识旅行家 - BV1o54y1N7pm

嗨，我是桑塔尔韦拉贡，我们开始了行动第一周的第二次会议，分析课程，在第一次会议上，我介绍了新的投降问题，并谈到了它令人兴奋的应用，我还谈到了不确定性和预测未来事件的必要性，我们讨论了两种主观预测工具。

在本届会议上，我们会继续专注于客观的预测方法，我将介绍一个简单但强大的工具，叫做移动平均线，我还要提到一种叫做指数平滑的方法。

我们将学习如何建立描述性统计，以及如何使统计数据用于预测。

这是第一周的会议，两个操作分析，我们专注于描述性分析，我们将利用过去的历史数据进行预测，高级幻灯片中的移动平均线和指数平滑，这也将是我们的会议，调用我们过去的需求数据，我们有一百次月经。

我们观察了他们在这一百个时期的数据，设dt表示在t期间观察到的需求，从过去的数据来看，我们有一个要求，D二，D三，以此类推，100以下，在本例中，1是29，现在让我们来看看描述性统计。

特别是平均值和标准差，让我们从样本均值的样本均值开始，样本平均值的样本平均值，只是算术平均数，在数据集中的所有数据点中，假设你有n个数据点，你把所有n个需求加起来，一、二、三、四。

除以你有n个数据点的总数，这给了你一个样本平均值，我们称样品均值为mu，样本均值大致告诉你预期会发生什么，下一个观察是，计算起来很简单，也可以用Excel平均函数计算，记住你的平均水平是多少。

未来的需求将偏离平均水平，现在我们将研究样本标准差，标准差，就像我们之前看到的，是衡量你的数据中有多少噪音或与平均值的变化，和，标准差的计算方法，就是看看你的需求和平均平方之间的差异。

差异并添加整个数据集的所有差异，为整个数据集添加所有差异的平方，除以n减一，其中您的数据有n个需求点，取给你标准差的平方根，但无论如何，标准差可以用Excel公式STD V计算，更简单明了。

我要向你展示如何，现在我们准备为我们的数据查看描述性统计，让我们看看我们的数据，整个数据集D-1-D-2到100，我们计算样本平均值，我们得到52。81，我们计算了样品标准差。

我们在Excel文件中得到了13。73，需求数据，xl as x i，向您展示如何从Excel工作表上的数据集计算这两个，这可能是暂停视频的好时机，看看Excel表，看看计算是如何完成的。

我向你们展示的是过去一百个时期的需求分布，你看，数据是在过去的一百个时期收集的，它显示在B栏中，右边是一个图表，我给你看了几张幻灯片，让我们计算整个数据的均值和标准差，计算平均值，我们用平均函数。

这只是这里所有数字的平均值，一个到一百个周期，你得到的平均数据是五，两点八一计算标准差，我们使用标准差函数，V再次从第一期需求到最后一期需求，标准差是137。73，如果你想减少我们要使用的小数。

我们只要点击这里，得到两个小数，我们得到了13。73，所以我们对数据的描述性统计，样本均值的样本均值，是五十二点八十一，标准差是13。73，均值和标准差是我们数据的两个描述性统计。

如果我们的数据是正态分布的，这两个统计数字足以描述需求预测统计数字，然而，如果我们需要用我们的数据来预测，我们需要调整我们的样本标准差来预测，我们以后再谈这个，让我们看看我们预测的符号，请记住。

我们将过去的要求表示为d一d二，D三到D T，哪些是需求的过去值，我们有兴趣对未来一段时间做一个t期的预测，我们有到T时期的数据，我们用字母F表示预测，在这种情况下，我们可以看到字母f有两个下标。

第一个脚本告诉你在哪个时期做预测，在第二个下标中告诉你在哪个时期做预测，例如，f逗号t加tau，意味着这是在T期做出的预测，t加tau，tau可以是一个、两个或三个，tau表示前面有多少个周期。

你看起来很FD逗号T加三，作为一个例子，是在t期对未来三个期间所作的预测吗，让我们把一些数字放进去，看一个例子，一百来一百加三，是对103年需求的预测吗？这叫做三步预测，为什么。

因为我们希望预测未来三个时期，我们要看一步预报，这是因为通常我们对下一个结果感兴趣，或者只是一步，我预测过，f逗号t加1是在t期间对t期间所作的预测，加一个，看看另一个例子，f t减1。

逗号T是用PDT做的预测，下一节减去一t来简化事情，我们用速记，f t加1等于，PDT加一的一步预测是什么，所以如果我想预测一段时间，t期加一的一步预测，我简单地称之为F T加一，换句话说。

f t加1代表在t期间对下一个t期间所作的预测，加上一个平稳序列的预测，静止数据显示无趋势行为，粗略地说，未来与过去相似，一个例子是我们的新闻供应商需求数据，如果您查看新闻供应商需求数据文件。

它没有显示出明显的趋势，因此，一个静止的时间序列在任何时期都有以下形式要求，在任何时间段内需求dt可以写成两个东西的和，μ是常数，有时是样本平均值，加上epsilon t，这是一个随机变量。

epsilon t是均值为零、标准差为零的随机变量，西格玛看到平均值和标准差不依赖于时间，因此，在这个数据中没有趋势，它是一个静止的时间序列，我们在分数的第一部分看到了随机变量。

这是重温那段视频的好地方，温习你对随机变量的知识，让我们继续思考如何利用过去的数据进行预测，两种常见的预测方法，平稳序列是移动平均线和指数平滑，我将在这节课中讨论移动平均线。

和指数平滑将涵盖在先进的材料幻灯片，移动平均线，方法，移动平均线预测是n的算术平均值，最近的观察，我们将表示使用n个数据点的移动平均线方法，简单地作为n中的一个想出一个步骤，我对PDT有预测。

使用移动平均法，我们要做的就是，提出PDT的预测，如果你从过去的周期中提取N个数据点，从t减1，t减去2到t减去n，然后除以n，过去数据点的平均值给你下一个时期的预测，如果你想预测未来几个时期。

那就是你想要移动平均线的多步预测，多步预报与单步预报相同，所以你可以用一步预测来进行多步预测，在移动平均法下，我们看到了如何提前一步做出预测，T期采用移动平均线法，你可能会想为什么它被称为移动平均线法。

这叫做移动平均线法，因为所选数据点移动，并且总是最近的结束数据点，比如说，如果你想预测一段时间，你取了N个数据点，从t减1，减去2到现在减去n，如果你想预测下一个时期，不加一。

发生的事情是你有一个新的需求数据，你把它加在这里，你放弃了你在前一阶段使用的最后一个观察，所以f t加1是数据点的和，dt减去1到dt减去n减去1除以n，我们基本上把我们使用的数据移动了一个周期。

我们加了一个dt，去掉了d-t-n，让我们用一个例子来更好地理解这一点，让我们计算一下过去十个周期的移动平均线，用我们的符号，我只是把这叫做十先，我们将查看描述性统计数据，然后我会向你展示预测统计数据。

你可以用来预测，你会在第四周看到更多关于如何进行预测分析的内容，移动平均线法的本课程，我将向你展示如何使用最后十个数据点，提出你的预测，我们数据集中的最后十个数据点用红色标记。

让我们看一个描述性统计的例子，我们把观察中最后十个点的数据取平均值，平均值是4。960。0，这是我们有限数据的样本平均值，我们的样本标准差也是类似地计算的，我们又得到s等于10。28。

我将向您展示如何使用模板计算描述性统计数据，你可以看看模板，第一周，模板XLS，和我们的数据，如果它是正态分布的，比如说钟形曲线，我们计算的统计数据，即平均值和标准差，足以描述需求分布。

在这个Excel视频中，我要用第一周的模板或移动平均线，模板文件，向您显示移动平均线，计算，B栏有一百个周期，C栏有一百个需求点，你看，这里有一些数据，因为我隐藏了一些行，我们可以解开这些行。

为了展示的目的，查看所有这些，我要再把那些排藏起来，从10岁开始一直到79岁或80岁，右键单击并隐藏，这实际上不会以任何方式影响我们的计算，先计算描述性统计数据，我将向你们展示如何计算均值和标准差。

使用最近十个数据点的移动平均法，这是十分，这又是直截了当的，平均值或平均值由平均函数给出，取平均函数，开始选择数据，你可以看到你上升，你可以看到计数的发生，这是你的十个数据点。

通常在Excel工作表的底部，还有一个计数表达式，您可以检查，所以一旦你有了这个，平均数是4。96。这就是我在Excel表上给你看的，这十个数据点给出了这十个数据点的平均值，给你4。96的平均值。

我们现在要计算标准差，标准差又是由STD给出的，E V函数并选择十个点，这就给出了你有的十个数据点的描述性标准差，它显示十点二十七，我们可以减少小数，我们这里得到10。28，同样地。

我们可以计算二十个数据点的移动平均线，二十个数据点的标准差和标准差，所以让我们先计算平均值，过去20个需求的平均值是这20个数字，我正在拿起，你得51分，九，五个，标准差将是，为了这二十分。

九点六一还是九点六一六，也就是9。62，这里我们有平均值，样本平均值，十个数据点和二十个数据点的标准差，同样，您可以对所有数据点执行此操作，对于您的所有数据点，我们应该得到之前得到的数字。

也就是从一到一百的时期，平均是五十，二点八一，所有这些数据的标准差，正如你所看到的，你拥有的数据越多，你计算这些数字的能力就越强，你对你的预测过程有更多的信心。

我们可以使用我们计算的统计数据来预测或预测，我们称之为预测统计，预测统计的平均值与描述性样本平均值相同，换句话说，描述性样本意味着您计算了，是真实需求分布均值的无偏估计器，因此。

样本意味着你计算的可以用于预测，然而，由于数据不足，预测的标准差需要调整，这就是我们下一步要做的，如果你知道数据是正态分布的，就像我们的情况一样，我们可以为预测目的调整标准差，我们就是这样做的。

预测的标准差将是，计算标准差，加上校正因子，校正因子为，计算的标准差除以n的平方根，其中n是您使用的数据点总数，当我们使用十个数据点时，让我们看看一些预测统计数据，当数据呈正态分布时。

预测的平均值与描述性样本平均值相同，所以我们用μ等于496。06，然而，因为我们注意到预测的标准差需要调整，调整得到西格玛，所以这里我们计算s等于十分二八，所以十二八加十二八除以十的平方根。

因为我们使用了十个数据点，得到了13。53，现在我们可以使用mu和sigma进行预测，让我们继续使用20个数据点进行描述性统计的示例，或者移动平均线20，我们计算样本均值。

从最后二十个点计算出的样本均值是5。119。5。这是我们的描述性样本，2。这个样品的标准差是9。62，让我们再做一个使用20个数据点的预测统计示例，当数据呈正态分布时。

我们在描述性样本均值之前得到的预测均值是足够的，预测的平均值是5。119。5。我们预计下一个时期的需求量将是5吨。一点九五，平均，然而，预测的标准差需要调整，根据我们对描述性统计的计算。

所以预测的标准差是西格玛，等于s，也就是描述性样本标准差，加上s对n平方根的校正因子，在这种情况下，我们得到9。62加9。60或20的平方根，因为我们用了二十个数据点，我们得到西格玛是11。7。

作预测用途，我们可以假设实际需求分布会偏离平均值，以上标准差为11。7，七，现在让我们考虑使用更多的数据，因为我们有更多的数据用于预测，当我们有更多的数据时，描述性统计方法是预测统计。

我们对预测有了更多的信心，也随着数据点数量的增加而节点，描述性标准差法，当n变得越来越大时，预测的标准差，更正项消失，西格玛几乎等于s，假设我们使用整个数据集来计算统计数据，也就是说。

我们使用了n等于100的所有可用数据，他们从L计算出的描述性统计数字如下，u等于五十二点八十一，标准差是13。73，如果我们的数据是正态分布的，统计数据如下，意味着穆还是一样，是52点81分，然而。

一共是137。73，因为我们使用了所有100个数据点，总共是十五点零，那么这到底意味着什么，这意味着我们对预测目的的需求，我们可以用均值为52。2 8。1的正态分布，和标准差十五点零，在未来几周。

我向您展示如何在Excel文件中计算所有这些数字，解决方案都记录在Excel文件中，第一周我是一个解决方案，点xls x，根据我们的预测分析。

我们现在可以生成一个正态分布图来可视化我们的需求是如何分布的，我们用五十二点八十一的平均数，和标准差十五点零，图中显示了你的需求分布是什么样子的，需求很可能很低，或者需求可能很高，但有可能。

根据我们到目前为止的分析，我们现在可以讨论移动平均线，在我们结束并查看其他数据集之前，移动平均线法的优点很容易理解，计算起来很简单，它确实提供了稳定的预测，有一些缺点，虽然先，如果您的数据集中有趋势。

移动平均线法会落后于趋势，我们将在第三场会议中看到，终于，这不是一个因果模型，移动平均线方法不能解释为什么你的需求，未来的实现以某种方式表现，可能对预测很有好处。

但这并不能解释为什么你的需求会以某种方式表现出来，最后请注意，移动平均线方法删除所有旧数据，所以如果你有如果你有10个数据点的移动平均法，它会删除所有超过十个时间段的数据。

现在这给我们留下了一个关于如何选择n的问题，如何决定有多少数据点，移动平均法应该使用移动平均线，移动平均线应该使用哪些数据，如果选择使用最近十个数据点的移动平均法，记住两件事，忽略所有旧数据。

12个周期的数据在移动平均线的计算中没有使用，第二点是最近的十个数据点都是平等权衡的，同样的，那是昨天的数据。与来自弱包的数据具有相同的权重，您可能希望对最近的数据给予更多的权重。

和较少的权重来排序数据，现在，我们怎么做，指数平滑是一种允许你这样做的方法，它是基于这个精确的想法，我们将在高级灯光下看到更多这样的东西，正如我之前提到的，你想出的任何预报都会有一些噪音，这将是错误的。

因为点预测不准确，那么你如何衡量我们的预测是好是坏，预测误差是衡量它的好方法，T期预测误差，假设用Epsilon表示，或E T，T期需求预测之间的差异，T中需求的实际值是你领先一步，预测。

你在时间段内的误差t是该时间段内预测的差值，ft减去在此期间t发生的需求，差异告诉你你在预测中的错误是什么，现在有三种方法来测量误差，我现在要给它们下定义，我们将通过一个例子，第一个是平均绝对偏差。

或m a d平均绝对偏差，计算以下内容，它计算出多少，你的预测绝对偏离了实际需求，取了平均数，均方误差，因为MSC计算如下，它计算你预测平方误差中的误差，并计算平均平方误差，为什么这有用。

我们以后会看到它在拟合趋势数据集时实际上很有用，在我们将要讨论的最后一种测量误差的方法上，称为m ape，或平均绝对百分比误差，a p如下所示，你计算的误差，除以实际需求作为百分比误差，然后计算。

把所有的百分比误差加起来，计算出平均值，这将给出平均绝对百分比误差或p，我们可以说的一件事是降低错误，改善预测过程，一个好的预测过程会有一个低，低MSC和低MA，我想说的最后一件事是偏差季节预测。

预测中出现偏差，当预测误差的平均值，往往在预报的一边，它往往要么太多，要么太少，正的或负的，这将有助于我们测量偏见，再次使用我们的数据集，我们将在预报中采用不同的计算误差的方法。

假设我们有多达80个周期的数据，我们将使用十个周期的移动平均线，计算我们的四只猫在81年以后的时间，一旦我们有了81年的预报，八十一期间的需求发生，一旦我们有了82年的预报，82期的需求发生，等等。

所以我们能够计算误差，用一个十，然后我们可以计算，通过比较这个预测的要求来确定误差，或者周期81到100在第一周的错误，模板，XLS文件，我给你举一个例子，运动，让我们使用我给你看的模板文件计算错误。

这是第一周的错误，模板文件，在我计算误差后，我有一个解决方案文件，我已经发布了解决方案文件，也在网站上，在模板文件中，我从你之前看到的同样的一百个需求点开始，一百个周期和一百个需求观察。

在这里面我藏了五到六十二支箭，让我更容易给你看，我要向你们展示的方法，但你可以随时打开它，一旦你准备好开始计算，就回去把它藏起来，所以在这种情况下，我要看看10的移动平均线。

所以从十个周期的移动平均线预测，只是最近十次观察的平均值，所以我就这么做了，这里我从81期开始，我要取所有需求的平均值，从七十一年到八十年，这给了我五个，五点八，预报是五十，五点八，实际需求是五二。

所以有一个误差，误差通常是通过预测来衡量的，减去需求，你变得积极，三点八，那是你在G栏中的错误，我要计算绝对误差，绝对误差是由一个函数计算的，取这个数，绝对误差是，当然是三点八，如果你的错误是负的。

三点八，你会得到一个绝对值，三点列g，h栏，我要计算误差的平方，就是3。8倍，三点八，然后在最后一栏，我要计算百分比误差的绝对值，有时你对百分比误差感兴趣，你有三点八的误差，但与实际需求相比，误差如何。

所以在这种情况下，误差是3。8，实际需求是五二，大约是百分之七，我们会看到，所以这是通过取误差的绝对值除以需求来计算的，正如你所看到的，现在是零点，七，我们有错误，绝对误差或绝对偏差，我们有误差的平方。

我们有百分比误差，让我们对81年以后的所有时期重复这样的计算，我这样做只是把值拖到周期100，正如你所看到的，误差可以相当显著地分布，你有一个高达21。8的误差，低至负2。7，你可以看到错误可以是负的。

十，负数，第九十四节气，在几个时期内，他们有一个积极的，这是积极的，十四点一，所以绝对偏差包括负误差和正误差，当误差计算平均绝对偏差时，我们可以做到这一点，这就是我们的均值绝对偏差，或绝对误差的平均值。

在这种情况下，我们得到的绝对误差的平均值是8。9，同样地，我们计算平均平方误差或平均平方误差，这将是所有这些平方误差的平均值，总共是一百一十三点一五分，最后我们计算一个p或平均值绝对百分比误差。

它大致告诉我们你的预测者与真实需求的百分比偏差，所以让我们取所有这些数字的平均值，我们得到1。97点，将其表示为百分比，我们有百分之二十，或者实际上是19。7点，百分之二，所以平均来说。

你们的预测与需求相差百分之十九点七。误差的平方大约是113%，2。你得到的误差的绝对值是八分，九个需求单位，所以你可能会想我们是否能做得更好，让我们看看我们是否能做得更好。

通过查看20个数据点的移动平均值，所以我要在这里做，所以我生成了20个周期的移动平均线，那么让我们从81年的天气预报开始吧，使用平均20个数据点，所以从61期到A期，那是二十个数据点，你得到五分，五个。

早些时候的预测是55点8分，当前的预测是55点5分。误差是五五五，减去需求，也就是三点五，绝对值，我在这里重复计算，只是为了说清楚，误差的绝对值是绝对误差，它作为一个正值来衡量。

不管错误是消极的还是积极的，三点五，误差的平方是三点五，三点五，十二点二五，最后百分比误差是，那是零点六七，所以我们再取这五个数字，我们在过去的二十节课里拖着他们，我们有预测，我们有错误。

我们有绝对误差，我们有平方误差，我们又有百分比误差了，让我们计算一下平均值，绝对误差，七点六，五五下来了，与八点九之前相比，平均平方误差或均平方误差，理学硕士，那下来了，那是九十二点。

六一一和百分比误差，让我们计算一下这种情况下的误差百分比，这归结为，事实上是十七点，两个，九，十七点，两个，百分之九，所以a下降了绝对偏差，误差平方，理学硕士下降了绝对百分比误差，我也下来了，所以说。

看起来就像，使用二十的移动平均线，比在我们的数据集中使用10的移动平均值要好，正如我所说，通常有一个模型选择，这是一个有模型选择的情况，即使你可以预测，你必须考虑在你的预测过程中使用什么数据。

解决方案文件也可以在网站上获得，作为第一周的错误解决方案点L作为X，让我们在分析结束后回到我们的幻灯片上，我要让你看看，如果你用移动平均法m a 10，我们得到m a d是8点，九分是一百一十三分。

十五和十九点，百分之七十二，用二十分的A，二十个数据点的移动平均值，平均绝对偏差是7。66，豆子的平方误差是92，绝对误差是17。29％。所以这至少告诉我们一个b20似乎比一个10表现得更好。

Excel分析的解决方案可在第一周错误解决方案XLS中获得，可能最好用20或10，在这种情况下，通过比较相应的错误，因此，测量误差使我们能够更好地理解在我们的，预测，最后，在我们的数据中。

没有任何偏见的证据，但我们需要收集更多的数据来确定这一点，我们即将结束，现在在本届会议上，我们看到了各种各样的东西，我们看到了如何用移动平均线方法进行预测，我们看到了如何测量误差，如何寻找偏见。

我们学习描述性统计，以及如何使描述性统计用于预测，下次会议见，2。我们下节课准备做什么？我们要考虑潮流和季节性，让我们在第一周的第三场会议上看看趋势和季节性，在本次会议中看到那里。

我向你介绍了一些基本的预测概念，我们还了解了一些关于预测方法的技术细节，以及单步多步预报，我们学会了如何在静止数据设置中预测。

我们讨论了移动平均线法，以及先进材料中的指数平滑，我们讨论了一些示例问题来说明概念，我们讨论了错误、偏见和预测结果，我们学习一些描述性的统计数据，均值和标准差，将用于描述我们的数据。

我们学习如何将描述性统计用于预测，用于预测未来事件。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P38：[P038]04_trends-seasonality - 知识旅行家 - BV1o54y1N7pm

嗨，再次欢迎，我是中央维拉隆，欢迎回到第一周的运营分析课程，我们还学习了描述性统计学，以及如何调整描述性统计数据以用于预测目的，我们还讨论了一些示例问题，了解有关预测统计的更多信息。

当你在这节课中通过这门课程时，我要谈谈如何预测，当你的数据有趋势时，或者当您的数据出现季节性时，我将用例子来说明这些方法。

让我们看一看，欢迎回来，这是第一周，操作和分析的第三节，我们将在这节课中讨论趋势和季节性，回忆一下图表中我们新的渲染需求数据，你可以看到数据是静止的，也就是说，需求基本上是稳定的，有一些噪音和变化。

也没有明显的趋势，但数据往往有趋势，比如说，如果你看看我们的零售额，我在下面的图表中向您展示的数据，你可以看到有一种趋势，电子商务销售额和总销售额，呈现普遍上升趋势，在Y轴上，你有数百万美元的销售额。

在x轴上有年份，你可以看到趋势总体上是增加的，除了几年，二十八和九，当数据中有循环时，由于经济原因，萎缩的数据也可能有季节性，比如说，有些月份的零售额可能会持续增加，和图表上的其他月份。

我在x轴上给你看月份，在y轴上给你看，以百万美元计的销售额，你可以看到2013年下半年的销售额更高，这对其他耳朵来说实际上是真的，我也是，季节性效应通常来自可预测的年度事件，它们可能是文化的。

也可能与天气有关，比如说，美国感恩节销售，加拿大、英国和澳大利亚的节礼日销售，排灯节在印度的销售，春节销售，它们都发生在一年中的某些时候，同样，你可以想到滑雪销售发明家。

所有这些销售模式都显示了当有趋势时的季节性预测，在数据显示趋势的情况下，让我们研究预测未来需求的两种方法，一个使用移动平均线，两个用线性回归，此外，我们还可以采用指数平滑来调整趋势预测，使用移动平均线。

移动平均线滞后趋势，我这么说是什么意思，如果有上升或下降的趋势，在移动平均线产生的数据预测中，落后于趋势，当有增加的趋势时，移动平均预测通常低于需求，当有下降趋势时，移动平均线预测与需求有关。

让我们看看移动平均线是如何滞后于趋势的，使用插图，在下表中，我向你展示了几个时期的需求，3。你可以看出需求正在逐步增加，十，二十，三十，四十，五十，六十以此类推，虽然仅仅看趋势就很容易预测。

我将向你们展示用移动平均线，你会落后于潮流，让我们使用两个数据点的移动平均值，让我们试着预测第五个时期，至第五期间预测，我看了最后两个数据点，三四十岁，把它们加起来，除以二，我得到三五。

那是我的移动平均线，第五期间预测，你可以看到潮流背后的不足，你可以继续这样做，你得到三，五，四，五，等等，每次你预测的数据都落后于趋势，在真实数据中。

也许我们可以通过在移动平均线中使用更多的点来解决这个问题，让我们用三的移动平均线来预测第五阶段的情况，我们需要三个数据点，最后三个数据点是二十，三四十岁，我们把它们加起来，取二十加三十的平均数，加四十。

除以三，等于三十，你看天气预报三十，落后于潮流，甚至超过使用两个数据点，让我们用四个数据点来预测第五阶段的需求，我们用十二十，三四十岁，你把它们加起来，取平均数10+20+30+40除以4，给你两个五。

这是我们对第五季的预测，采用四个数据点的移动平均法，你看到移动平均线再次落后于趋势，更甚，当我们使用两个数据点时，我们有一个，我们的预报是三五，当我们使用三个数据点时，我们的预报是三十。

当我们使用四个数据点时，我们的预报是二十五，所有这些预测都落后于，所以你使用的移动平均线数据似乎更多地落后于趋势，如何进一步解决这个问题，现在让我们来看看使用回归的时间序列预测。

主要的预测思想是拟合一条有斜率的直线，捕捉趋势和数据，当趋势出现时，线性回归方法可用于，模型是拟合一条直线，在这种情况下，dt等于a加b，所以如果你想提出一段时间的预测。

我们可以通过注意时间周期t来计算它，t乘以斜率b，然后加上截距a，所以a加b乘以t给出了t期间的需求预测，我们可能会想如何适应趋势线，什么是最适合的趋势线，普通最小二乘，或者是通过数据拟合趋势线的方法。

通过最小化误差的平方，在数学上，一条直线dt等于a加bt拟合通过n个数据点，和参数，a和b被选中，最小化数据与趋势线的平均平方距离，平均平方距离只不过是平均平方误差。

我们在上一次会议中测量误差时看到了这一点，而不是给出如何在纸上拟合直线的代数，我将介绍如何在Excel中适应趋势线，用一个例子，以下是我们关于黄石国家公园游客的示例数据。

黄石国家公园是美国游客最多的国家公园。在文件黄石模板中，我们有国家公园每年游客的数据，数据的来源是nps，gov。mo预测公园游客，国家公园管理局，出于几个目的关心访问者数据，计划露营或背包旅行。

许可证，规划适当的紧急服务，规划食品和燃料服务，供参观者使用，和汽车，预算收入和费用，了解生态足迹，从1984年到2014年的数据显示出增长的趋势，你可以在黄石模板文件中看到。

我们将看到如何拟合一条直线用于预测，我将用两个例子演示如何拟合一条直线，最后50个数据点是1965年到2014年，最后30个数据点1985年至2014年，欢迎，让我们看看如何在数据集上拟合趋势线。

在此文件上显示趋势，黄石模板，Excel文件，我要给你看一个数据集，那是一个公共数据集，我们看到访问数据，黄石国家公园的游客数量，黄石国家公园是美国最受欢迎的国家公园之一。

你看到的数据是国家公园管理局提供的公共数据，这个数据就更细粒度了，但我要向你们展示年度数据，这个年度数据很详细，一直到19点4分，最近到2014年，也就是去年，在B栏中，您可以看到年份，在D栏中。

你可以看到每年的游客数量，他们从一万三千开始，现在是几百万，在右边，我给你看一张图表，只是检查图表，你可以看到有一个明显的增长趋势，但也有很多可变性，及预测用途，我们将看看最近的数据。

试着拟合一条趋势线，除了增加的趋势，你可能会好奇地注意到，这里的数据有很大的下降，这实际上与世界大战相对应，两个，不管怎么说，让我们继续，试着在我们的数据中拟合一条趋势线，看看趋势线是如何契合的。

所以让我们把数据，我选择整个数据，也可以选择要拟合趋势线的数据，所以让我们使用50个数据点，回到1965年到2014年，这里有50个数据点，我挑选了这个数据，我要插入一张图表，任何图表都可以。

但我要在这里插入一个带点的图表，这是一个带有指示器的散点图，我要删除这里的图例，我们只需要访客的数据，我要在这里改变一些颜色，使其单色，以便更好的可见度，我要用黑色的轮廓和黑点来填充这个。

所以你可以看到一个清晰的图表，那里有第五层，数据显示出一些趋势，五十年趋势线，在我们拟合趋势线之前，我要先在这里拟合趋势线，让我们增加一些访问权限，为了清楚地了解Y轴向我们显示了访问者的数量，和x轴。

当然啦，向我们展示了这一年，现在有了这个数据，只是如果你是对的，点击它，它显示了一条这么简单的转弯线，可以加一个转线，你可以看到有几个选项，有一个指数衬里曲线，你可以放一个储物柜，我们可以把。

但我们只是要拟合一个线性趋势，就在这里的一条直线，如果你选择，你也可以在图表上看到显示方程，这对我们很有帮助，我将显示这个方程，就在这里，它藏起来了，所以我要把它带到这里来，我要改变一些事情。

这里的数字不太容易读懂，所以我要通过点击文本选项来更改它们，下去看号码，将其改为一个数字并减少小数点后的位数，因为我们的数据数以千计，所以这是你得到的台词，y等于二万八千，248，负五万三千五，二十五。

八十，就是这样，我可以把数据趋势线放在任何地方，但让我把它放在这里，这很清楚地告诉我们，趋势线的斜率和趋势线的截距，就是预测，我所要做的就是把x年，你会得到y值，也就是访客的数量。

这就是如何适应50年的趋势线，让我们做一个快速的例子，再来一个拟合三十年趋势线的快速例子，然后我们会回到幻灯片，让我们从2014年开始取30个数据点，19岁以下，八十六，八十五，那是三十个数据点。

你可以看到这里，我再一次，我插入一个图表，我在这里得到了一个带有光滑线条的散点图，我不需要空系列，所以我删除了它，我有，可以装满，所以让我们把它弄成单色，以便再次获得更好的可见度，你得到一个灰色的刻度。

我会成功的，全黑，所以你有同样的曲线，这条曲线显示了三十年来的数据，一次又一次，我们只需点击趋势线上的数据就可以添加趋势线，你有很多选择，你可以选择很多选项，包括移动平均线，我在拟合一条直线。

我正在显示方程，所以在这种情况下，我在这里显示方程，我也有同样的数字问题，所以我去改变它，通过在最后一列上选择文本选项或标签选项，将数字从一般改为数字，在这种情况下减少小数点后的位数，我得到。

嗯y等于三万一，91 x减50，七百万，四百一千二十一，这是我的拦截，它是负数，这是我的斜率，这给了我们一条趋势线，这给了我们预测，所以我们现在可以回到我们的幻灯片，试着预测。

基于五十年趋势线和三十年趋势线，让我们看看如何用一个例子来拟合数据中的趋势线，在黄石模板中，我们可以看到你可以在最后50个数据点中拟合一条直线，通过50个数据点拟合一条趋势线，我们得到了以下方程。

dt等于负五万三千，五百，二十五，八万加两万八千，二四十八次，t，您可以查看Excel视频，了解如何适应趋势线，下面的图表显示了你在x轴上，年和y轴，参观人数，你可以看到实际的数据是由这个黑点显示的。

它们在过去几年里略有增加和减少，但总体呈增长趋势，虚线直线给你最佳拟合趋势线或最佳拟合，使平均平方误差最小的直线，那么我如何做出预测，如果我对有多少人将参观黄石国家公园感兴趣，在二十七年。

我所要做的就是插上电源，t等于二十七，这里t等于二十七，乘以斜率，把五个加起来，三百万，五二，五，580作为拦截，你得到三百万，四十五万，再次拜访了636名游客，2017年的预测是300万，四十五万。

六百三十六名访客，让我们通过另一个例子来拟合趋势线，使用最后三十个数据点，我们得到下面的直线，dt等于5700万，四十万一千，二十一，加三万一，九十一次t，在下面的图表中，你可以看到三十年的趋势线。

厚厚的黑点显示了黄石国家公园的实际游客数量，子直线向您显示了通过数据拟合的趋势线，趋势线使均方误差最小，假设你想预测有多少游客将参观公园，在二十七年，做出预测，你所要做的就是，将t改为217。

把整个事情计算了217次，三万一，九十一减五十，七百万，四百零一二十一给你三百万，四十九万四千，二百二十六名参观者，大概，我在Excel视频上进行了计算。

生成的Excel图表可在黄石解决方案XLS中获得，在我们的数据中有一个趋势，我们现在准备通过计算季节因素来解决季节性问题，这里有一个游客到国家公园的例子，显示出季节性，我简化了示例。

只是为了说明这个概念，我还将浏览Excel表，一个非常现实的例子，基于真实数据，在本例中，你会看到成千上万的游客来到国家公园，数据来自三年，二十二，二十三和二十四，你看一年有四季。

数据被划分为这四个季节，你可以很清楚地看到每年游客的数量，冬季的游客量远低于夏季，看看下面的图表，你可以看到数据显示了一些季节性，它有规律地上上下下，我们如何根据季节性效应预测数据，这是下一步。

让我们来看看如何预测一个季节性系列，季节性对应于数据中重复出现的某种模式，每隔一段时间，我们可以用一种叫做乘法季节因子的东西来预测，我用ci来表示季节因素的多重，他们可以是C一，c二，C3以此类推。

直到C N从我等于1的地方开始是第一季，我等于2是第二季，以此类推，n是季节的总数，如果你把所有的季节因素加在一起，他们应该给你n，这是季节的总数，你如何看待季节因素以及它们所代表的价值CI等于一个点。

二五表示，那个季节是两个，平均比基线高5%，同样，CI等于分数，五意味着赛季是两个，平均比基线低5%，在零售业数据中，12月份销售额显著，这意味着12月份的销售将有很高的季节性因素，在销售数据中。

让我们研究一种估计季节因素的方法，我要告诉你的方法在第一步有四个步骤，第一步，我要计算样本均值，我计算整个数据集的样本平均值，我们在第二步的最早会话中看到了如何做到这一点，我计算季节平均值，那就是。

i平均数，数据中n个相似周期的观测，例如，我整个夏天都很平均，所有冬季数据等等，在第三步中以此类推，我计算季节因素，我把第二步的平均值除以样本，我得到n个数字，得到的n个数字将精确地与n相加。

并对应于n个季节因素，最后一步叫做D季节性，我说的季节性是什么意思，我从数据集中删除季节性，从一系列中消除季节性，我简单地将数据中的每个观察除以适当的季节因素，由此产生的系列将没有季节性。

称为D季节性系列，更好地理解这四个步骤，让我们来看看我们的例子，让我们来看看第一步，用于预测，让我们计算样本平均值，这是我们的数据集，三年数据，一年四季。

我通过取所有的数据点并找到它们的平均值来计算样本平均值，平均数是14点3分，让我们来看看用季节性预测数据的第一步，第一步我计算样本平均值，让我们再看看数据是三年的数据，每年四季。

我把所有的数据点计算出平均值，这给了我样本，平均样本均值是14。3，第二步，我要计算赛季平均值，让我们看看我们的数据，如何计算季节平均值可以通过观察每个季节来了解，我有三年的数据来计算秋季平均值。

我选择秋天二十二，2013年秋季，2014年秋季和平均，这三个数据点，所以我取16的平均值，十五和十四，我得到的平均分是十五，同样，我也可以通过把七六六加在一起来计算冬季的平均值，我的平均得分为6。

33，三年来，所以在最右边的一栏，我有四个数字，这给了我赛季平均，或者类似的季节，所以下降平均，冬季平均，春季平均值和夏季平均值，我们的第二步就结束了，现在我可以做第三步了，也就是计算季节因素。

计算季节因素，我取每个季节的平均值，除以样本平均值，让我们过一遍，一步一步为秋天，我取秋季的样本平均值，也就是十五，除以整个数据集的样本平均值，也就是十四点三，三个，整个样本的秋季平均值是15除以14。

3，给我们零点五，同样地，让我们为冬天做这件事吧，冬天的平均气温是6。33，我把冬季平均值除以整个数据集的样本平均值，是十四点三十分，所以6。33，除以四点三，给我四点四，所以以类似的方式。

我春天和夏天都做，我得了8。84分和1。67分，这四个数字用粗体表示，在我们的数据集中给我们四季的季节因素，你可以把它们加起来，看看它们加起来会是四个，这四个季节因素加起来就是四个，让我们花一分钟。

解释秋天是什么样子，冬季季节因素看起来像，等等，冬季季节因素是第四点，四，这意味着在冬天你只期待四个，与基线需求相比，需求的4%，同样，在夏天，你预计会有1。67亿英镑，夏天的需求将是1。6。

基线需求的七倍，你可以在图表中看到夏季需求更高，冬季需求较低，让我们进入下一步，第三步，其中我计算了季节因素，计算秋季的季节因素，我取秋季平均值，在这种情况下是十五，除以样本平均值，是143。315。

除以十四点三，给我零点五和零点五，是秋天的季节因素，类似地计算冬季季节因子，我取冬季平均数，也就是6。33，除以十四点三，这是一个样本平均值，我得了4。4分，以类似的方式，我可以计算春季季节平均值。

这就是8。04点和夏季季节性平均水平，一共是1分67秒，所以我得到了四季的四个季节平均值，如果我把所有的季节因素加起来，我会得到四个，所以一点零，五点四，四点八，四和点，一点六，七加起来应该是四。

我如何解释季节因素，比如说，我怎么想冬天，第四点的季节因素，四，季节因素告诉你一个季节与基线相比有多强，比如说，冬季的平均需求量为0。4，四次，只有四十，基准需求的4%，还是夏天的需求，比如说。

是一点六，基线需求的七倍，你可以看到，与基线相比，冬季需求通常较低，夏季需求量很大，现在让我们来看看最后一步，现在我们到了最后一步，也就是生成季节性的系列，我们如何生成季节性系列，让我们看看原始数据。

我这里有原始数据，我有我在第二步和第三步中产生的所有数字，这里，现在我将整个数据集中的每个数据点，并除以相应的季节因子，这将帮助我生成D季节性系列，我把每个数据除以相应的季节因素，只是想说清楚。

我将每个秋季数据除以秋季季节因素，所以秋天，我除以零点，冬季数据5，我除以第四点，四，对于弹簧数据，我除以8，四个和一些数据，我除以0。6，七个，以此类推，这应该会给我季节性的数据，在2012年冬天。

i除以冬季因子，我得了15。91分，春天也是如此，我得了14。29分，以此类推，看数据，我们可以看到，这里的数字或多或少是相等的，所以我把原始数据中的每个数据点除以，得到了这些数字，相应的季节因素。

只是为了了解季节性数据系列在下面的图表中是什么样子的，我绘制了最初的季节因素，灰度中的原始季节数据，和黑色方块中的季节性数据，你可以看到由此产生的系列没有季节性，它被称为季节性系列，事实上。

为了预测的目的，它可以被视为一个固定的序列，让我们看看基于航空公司的真实数据，在课程网站上预测季节性数据，您将看到一个名为第一周航空公司模板的文件，xlsx，这个Excel文件是基于运输服务局的数据。

并为您提供前100个U的负载因子，s，国内市场，客座率是指飞机上的乘客人数除以飞机上的可用座位，通常以百分比表示，百分之八十的负荷系数，意味着飞机上百分之八十的座位都坐满了，月负荷系数。

你在文件上看到的数据从2003年到2013年，它们既有潮流性又有季节性，你可以看到这些年来航空公司变得越来越拥挤，你也可以看到有些月份比其他月份更拥挤，使用模板，我按照之前向您展示的相同步骤生成DC。

数据化，你可以看到L视频，所有四个步骤都显示在解决方案文件中，第一周，航空公司解决方案XL as X，我希望你觉得Excel表有用，让我们继续预测到目前为止的季节性数据，我们估计了季节性因素。

并建立了一个季节性系列，如果你有C系列，可以使用DC系列进行预测，把它当成一个固定的系列，你可以在第二节回到课堂材料，回顾如何在一个固定的系列中预测，例如，人们可以简单地使用移动平均线法。

使用分散的数据，想出一个预测，用移动平均法，比如说，将预测乘以适当的季节因素，获取最终预报，这就是给你季节性数据的预测，我将继续举一个例子，向您展示如何在季节数据中进行预测，让我们继续用季节性进行预测。

使用幻灯片顶部的示例，我向你们展示分散的数据集，根据2012年的数据，它已经季节性化了，二十三，二十四在最右边的一栏，我有每个季节对应的季节因素，让我们预测一下2015年的冬天。

让我们用四个周期的移动平均法，所以使用MF是我们需要使用的四个数据点，是二十四个数据点，我们有十三点三，十三点六四，十四点二十九，十四点三七，把这四个数据点都加起来，求平均值。

最近四个数据点的平均值是13。91，这是你的季节预测，你们的季节预报是139。1，所以如果你有一个2015年的季节性系列，你的预测是13。91。但我们专门寻找获胜者，二十五，所以冬天，二十五，做出预测。

我们需要利用冬季的季节因素来做到这一点，我们采取季节性预测，是13。91，乘以冬季季节因素，所以13。9乘以0。44，这给了你六点十一，那是你对冬天的最后预测，对于已经通过示例处理过的季节数据。

20115，让我们对我们的问题做个最后的快照，并理解我们在上面的桌子和幻灯片上的数字意味着什么，我向你展示原始数据，是季节性的，你可以看到每个季节的观察结果和样本平均值，在右边，你有赛季平均。

现在让我们来预报一下2015年冬天的天气，我们想出了，是六点十一，你可以注意到这与之前冬季的需求大致匹配，我们可以做同样的过程来预测夏季，秋天和春天等等，我做了同样的分析，第一步，第二步。

对于我们的航空公司示例，第三步和第四步，模板文件在第一周的航空公司模板中，解决方案将在第一周提供给您，你好，欢迎，让我们试着预测，季节性时的数据，使用我们从航空公司获得的真实数据，这是运输服务局的。

这个数据显示了过去十年的负载系数，在前一百U中，s，国内市场，思考这些数据的方式是这些数字代表了负载因子，什么是负载系数，比如说，2005年3月向我们展示了一个79。5的数字，八，七十九点的负载系数。

五个，2005年3月8点意味着79点，五个，2005年3月，航空公司8%的座位被乘客占满，随着时间的推移，你可以看到，航空公司通过填满更多的座位变得越来越满，所以在2003年1月，你百分之六十五，大概。

到2012年底就满了，你有大约82%，无论如何，让我们去看看这些数据，试着预测，这项工作的目标是通过四个步骤来生成季节性数据，在此基础上可以使用简单的移动平均法，或指数平滑法进行预测。

所以让我们开始那些步骤，这是第一步，第一步是计算整个数据的样本平均值，设置数据集几个数据点，我们要取这整张桌子的平均值，这给了我们79分，四四，我要减少，我要选择这个数字并减少，准备好了。

设定为79点44分，这是你的样品，意思是，现在我们可以进入下一步，生成季节平均值，让我向你们展示下一步把所有数据放到下一张纸上，这是下一张纸上的数据，我说记住79。4是我们的样品，平均，通过跨季平均。

比如说，一月份所有数据的平均值，2月全部数据，3月全部数据，1月份数据的平均值以此类推，你得到79。5，九，我们可以做十二个月的平均值，我们得到不同的数字，大家可以看到，一月平均不那么忙。

大约是百分之七十二，六月很忙，大约是百分之八十五，所以很明显有一些季节性的证据，第三步中的第二步就结束了，我们要去计算，我们的季节因素记住数字，大约七十二年一月，六点和六月，七月，大约八十四，八十五。

这些是我们以前看到的相同的数字，我只是重现了那些数字，只是想让你看看，第三步和第三步，我们通过取季节平均值除以样本来计算季节因素，平均，我可以按F4，也可以用美元D，美元20或美元列行。

当你拖着它的时候把数字固定在79，所以你有91%或者9。1%，把数字减少到小数点后两位，我们有各种各样的负载系数，所以一月份的客座率是911，六月份的客座率是1。06，你可以看到有很大的不同。

现在我们有了这个数据，我们可以继续，生产D季节性系列，这是第四步，所以我们有所有这些数据，现在我们可以继续，开始D季节性系列，你怎么得到D C系列，你把这里的每一个数据，把它分开，受季节因素影响。

所以我有七十四，七，我这么做是为了，七点四十七，所以我想确保我在修复数据，同样，我可以把这十二个值都取下来，我在这里得到了季节性的数据，我要把那两个空牢房留空，因为他们没有数据。

但本质上我们已经生成了一个DC onalized数据，即使是DC集中的数据也向你展示了一些趋势，这是对如何预测的快速回顾，在有季节性的情况下，以及如何生成一个去季节性的系列，所以为了解决这个问题。

我们有季节性的系列，我们通过四个步骤生成，第一步我们计算样本平均值，第二步我们计算了赛季和平均值，第三步我们计算季节因素第四步我们生成了直流集中系列，为了向你展示季节因素所有因素加起来就是季节的总数。

也就是十二等，大约得到十二点零，所以季节因素必须与季节的数量相加，我们对如何预测的回顾到此结束，如果有季节性，即使有趋势，我们可以生成D季节性A系列，然后在我们的季节性数据上拟合一条趋势线，到目前为止。

我们一直在研究用趋势数据进行预测的方法，或有季节性的数据，在我们结束之前，我会和大家分享一些预测方法的想法，或任何选定的数据集，您将遇到初始化问题，也就是，我们一开始的数据有限，随着我们做更多的预测。

数据集越来越多，我们将在下一次会议中研究解决这个有限数据问题的想法，在许多现实世界的场景中，通常有一个模型选择问题，即使用多少数据和使用什么数据，我们在黄石公园的预测例子中看到了一些。

我们将在接下来几周的讲座中看到更多这样的问题，简单的时间序列数据和简单的短期预测方法表现良好，事实上，假设趋势的长期预测，相同的趋势，相同的季节性，等等，充满了陷阱，因为技术变化可能会发生，比如说。

最好预测第二天或下周的需求，而不是预测长期需求，比如明年或者明年三年左右，最后，误差跟踪对于定位预测偏差非常有用，我们将研究跟踪预测错误如何帮助您建模需求，我们研究了趋势和季节性。

我们将研究新产品的预测和需求分布的拟合。

在本届会议上，我向你介绍了许多预测的基本原理，能够描述你的数据，能够理解你的数据中的模式，在预测未来事件方面有很大作用，我们研究了显示趋势的数据，我们研究了季节性影响的数据，我们分析了两个重要的应用。

一个例子分析了如何预测国家公园的游客，和其他例子研究了航空公司的客座率。

我希望这些例子能说明在各种情况下思考预测方法的重要性。

我将再介绍一个预测设置。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P39：[P039]05_week-1-wrap-up-apparel-industry - 知识旅行家 - BV1o54y1N7pm

大家好，我是萨娜·维拉·雷恩，欢迎来到第一周的最后一节，在过去的会议中，我们了解了各种环境下的预测技术，预测方法是基于过去几次观测的数据来总结的，我要谈谈一个特定的环境，基于这种背景下的服装行业。

我们使用相同的预测工具来构建描述性分布，基于几个产品的数据。

你好，欢迎回到本周描述性分析的第一周第四场，第四节，我们将预测新产品，我们将研究如何拟合分布，我们将研究一个新产品的问题，在市场上出现新产品和新设计的情况下预测新产品，需求数据非常有限。

你如何在这样的设置下预测，经常使用主观技术，让我们来看看一些主观技术，主观预测方法，一些主观预测方法，我们对我们的贯穿复合材料感兴趣，比如说，你可以看看Salesforce复合材料。

这是销售人员收集需求数据，估计和汇总所有的需求数据，这种销售的聚合，个人估计，制作你的复合材料，收集数据或预测需求的另一种方法是使用客户服务，或者你可以使用一个由行政意见组成的陪审团。

那里有一个由预测者组成的委员会，他们提出预测，并利用他们的集体知识，一种常用的方法叫做德尔菲法，Delphi方法所做的是汇编以下个人意见，然后你一遍又一遍地重新考虑它们，直到达成集体共识。

所有的主观方法最终都是基于直觉，感觉检查，让我们来看看一个预测应用程序，我们在找一家叫安迪的户外用品公司，作为一种新产品，一种新的男士登山鞋设计，他的锌卖了这个特殊的设计，只叫了一个季节的流浪者。

在过去的一个赛季，他们预报了一千二百个单位，他们做了一千二百多个，Q=一千五百个单位，其中他们卖出了1397台，正如你所看到的，现在没有太多的需求数据可用，安迪怎么能想到漂流者的描述性统计。

这是我们将要研究的一个问题，我们将学习如何通过跟踪错误来拟合分布，如果安迪的过去需求数据有限，比如说，对于新产品，我们从主观预测开始，然而，我们可以用更多的数据做得更好，如果你仔细想想。

通常会有来自其他产品的额外需求数据，这些数据是你过去预测过的，这些数据是如何预测你的公司的信息，偏离了真实的需求，我们将使用一种方法来拟合正态分布到这些可用的数据。

我们可以对其他发行版使用其他类似的方法，但我们要看正态分布，我们有安迪墨水的数据，他们乐队所有的鞋子，这张表格向你展示了他们上一季生产的所有产品。它们是在第二栏预测的，第三列的生产量。

第四栏所列产品的销售额，以及他们在上一篇专栏文章中看到的对所有这些产品的需求，比如说，如果你看看产品欧米茄，天气预报是两千四百，他们做了三千双鞋，他们卖了两百九十七，实际需求也是267，他们现在都卖了。

下一季漂流者的主观预测是千对，安迪应该对漂流者使用什么需求模型，如果你看看我给你看的前一张桌子，你会注意到销售和需求之间是有区别的，什么是销售，比如说，如果你的需求是一千台，你的架子上只有八百台。

销量将达到八百台，你不能满足所有的需求，有几个发生这种情况的例子，比如说，流行音乐播放器，游戏机经常售罄，因为大多数操作问题的库存有限，例如报摊问题，我们需要真实的需求分布。

我们有兴趣收集真实的需求分布，为了做到这一点，我们要迈出的一步，将你的预测与表中的实际需求进行比较，这里有一张图表显示了预测，和图表上的实际需求，在x轴上是预测在y轴上是实际需求，比如说。

这是一种实际需求非常接近预测的产品，一般来说，你会注意到有些需求比预测的要高，在图表中的上三角形上，对某些产品的需求低于预期，比如说，看看这个产品，需求大约是一千，预测是三千多，五百。

这个图表告诉你真实的需求通常与你的预测有多大的偏差，如果你的需求和你的预测完全相等，你将在图表中的对角线上，使用我们在上一张幻灯片中看到的图表，我们现在可以测量预测性能，为了衡量预测性能。

我要生成另一个列，这就是所谓的AF比，AF比列什么都不是，但实际需求除以你的预测，在第一个例子中，我们有796除以800，几乎等于一点零，所以我们测量预测和实际需求，通过计算实际需求与预测的比率。

这就是所谓的AF比，我们有兴趣生成我们预测精度的经验分布函数，记住，比率在发展或理解我们的预测准确性方面是有用的，A比率只是实际需求与预测的比率，我们评估实际需求与预测的比率，或者所有过去观测的f比。

如果比率衡量实际需求与预测的偏差有多大，如果你的A比是8点，这意味着你的实际需求是预测的80%，这些比率有助于我们确定当前预测的不确定性，我们将学习如何选择一个正态分布的需求。

并将其与我们的数据进行拟合，我们从最初的预测开始，这来自一种主观的方法，让我们说，预感，猜测，委员会预测，等，我们使用最初的预测，让我们假设最初的预测是一千个单位，然后我们计算历史数据中的比率。

召回比率只是实际需求与预测的比率，他预测的所有产品，现在我们如何适应mu和sigma，也就是正态分布的均值和标准差，我们将正态分布的平均值设置为以下值，我们计算预期的A F比，并将其乘以预测。

这就是正态分布的平均值，对于正态分布的标准差，我们计算比率的标准差，乘以预报，让我们看一个例子，在我们的示例中，我们预测有数千人，我们计算了比率，比率的平均值是1点0 1，实际a比的标准差是三点一。

所以当我们把这些乘以预测，我们得到的平均需求是一万，实际需求的标准差是310，所以对于我们的描述性数据，我们可以拟合一个均值为1010，标准差为1010的正态分布，代表我们的要求。

如果您想出于预测目的预测需求，我们需要更新需求分布，我们可以如下更新正态分布，意思是我们可以保持不变，也就是十，标准差将在此数据中得到校正，从三百一十到三百九十，如果你想看看标准差是如何校正的。

用于预测目的，我们可以回到第二部分，看看我纠正的视频，使用我们的移动平均线方法，我们只是为我们的数据计算了描述性统计数据，我们有正常的需求模型，这是漂移器数据的正态分布，我们使用均值为一万的正态分布。

标准差310，这是因为我们知道我们的预测，我们知道我们的预测有多好，这有助于我们衡量您的预测将如何偏离真实的需求，这有助于我们计算标准差，这是一个很好的需求分配模型，尽管我们对一种新产品的数据非常有限。

我们过去用我们的预测过程，提出一些需求分布，帮助我们理解未来的不确定性，看来我们的技术应用非常广泛，比如说，它们可用于了解本地生产总值预测，一个国家或一个经济体的国内生产总值，我们比较预测和实际观测。

并对我们的预测过程充满信心，有关更多详情，你可以看看自然是关于信号和噪音的书，尤其是第六章关于在三英尺深的水中溺水，我将简短地提到的另一个例子是一家名为Sport over Meyer的公司。

泥潭运动中使用的预测过程也测量误差，你可以在费舍尔和拉面的一篇论文中找到更多关于这一点的信息，本文是关于降低需求不确定性的成本，通过对早期销售的准确响应，到目前为止，我们研究了如何生成需求分布。

当数据有限时，帮助我们的技术是如何测量预测误差，跟踪预测误差，告诉我们我们的预测有多好和可靠，反过来，此信息有助于描述需求不确定性，你的需求在未来如何分配，弄清楚什么是随意的，什么是相关的。

是一件很难做的事，我介绍的工具，利用过去的数据为未来的需求提出一个预测模型，这就是描述性分析，让我们回顾一下，我们从报摊问题开始，我们引入随机变量，我们研究了需求分布，我们学会了如何预测需求。

我们学会了如何用过去的历史数据进行预测，我们研究了预测中的预测误差和偏差，我们看了两种技术，移动平均线和指数平滑，我们学会了如何生成描述性统计数据，特别是均值和标准差。

我们学会了如何使它们适应未来的预测目的，我们研究了季节性的趋势，最后，我们学会了如何预测新产品和如何适应需求分布，描述性分析到此为止，我们将在未来几周内介绍更多的工具，在那几周里。

我们将继续进行规定性和预测性分析。

这是激动人心的一周，我们看到了一个基本的操作问题，叫做新闻供应商问题，处理不确定环境下的供需匹配，我们学会了如何在这样的设置中描述我们的数据，我们学会了如何在静止的环境中预测。

我们学会了如何描述趋势和季节性，以及如何使用Excel示例在此类设置中进行预测，我们探索了如何实现这些工具包和技术，我们所学到的描述性分析形式，你将来在本课程中学习的基础。

我们有一些先进材料和示例模板的回顾材料幻灯片。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P4：[P004]02_descriptive-data-collection-survey-overview - 知识旅行家 - BV1o54y1N7pm

所以在这一部分中，我们将开始讨论描述性数据收集，所以描述性数据收集，正如你所记得的，基本上是试图理解，例如，你知道谁是我们的顾客，钱包的份额是多少，以及所有那些你必须有硬数字的问题，那你怎么能这么做呢。

这可能有两种方法，一个是主动数据收集，一个是不引人注目的数据收集，在活动数据收集中，你可以重新开始思考，关于数据收集的两种广义思维方式，一个是调查，这是许多公司市场研究的支柱。

另一个是来自客户的自我报告，我们会谈论他们两个，所以让我们从调查开始，几乎所有财富都使用的调查，500家公司定期用于收集客户态度，你可以考虑情绪，你可以考虑购买习惯。

通过调查和数据积极收集的许多不同的东西，当然可以帮助细分客户，开始思考我们的客户是谁，开始思考，他们从所有这些问题中购买谁，你需要了解来制定你的营销策略，现在有很多很多公司可以帮助你做这些调查。

我给你们举几个例子，Qutrex是一家非常著名的公司，帮助您进行免费调查，有时另一个例子是调查猴，现在这两家公司不仅帮助你做有时免费的调查，但他们也可以是全面服务公司。

例如，如果你看看其中一家公司的定价计划，他们允许你，他们给你的价格不同，基于你是否希望他们找到你的客户，你想让他们进行调查，分析数据并给你数据，所以从这个意义上说，当你开始考虑做调查时。

已经有公司可以帮助你接触客户，收集数据并分析数据，但当然调查并不是你从客户那里获得信息的唯一途径，你可以直接要求客户自我报告其中的一些调查，所以如果你看看，比如说，移动调查是下一个前沿。

这些基本上是公司再次在移动设备上进行这些调查，一些常见的例子Qualtrics是一家同时做这两件事的公司，它在你的桌面上做调查，它还对移动设备进行调查，另一家公司，例如，再次是混合面板，这里有什么想法。

这里的想法是你想在顾客购买的那一刻向他们提供服务。

有时移动调查允许你做什么，它们允许你在C2中捕捉客户的反应，而不是回顾性的，比如说，您实际上可以将调查发送到客户的移动设备，在他们做出购买决定的时候，而不是一个月后，如此清晰。

那种情绪顾客在购买时可能有的感觉，可能更好地捕捉而不是让他们考虑购买，一个月后，问卷可以根据地点和背景进行定制，所以再一次，查看移动设备在哪里，换句话说，它告诉你客户在哪里，如果顾客在商场里。

你可以问他们在商场里做什么，如果顾客在餐馆，你可以据此提出量身定制的问题，所以可以做非常量身定制的调查，但有什么警告你不想做得太多，营销人员应该非常小心，而不是再次利用这种杠杆进行量身定制的调查。

你确实想一次又一次地向同一个客户发送调查，你会经常看到大量的调查疲劳开始，所以再次利用移动调查的力量是很重要的，但在一定限度内，现在我们已经讨论了进行调查的不同方法，移动调查等等，让我们深入一点。

你可以用调查问哪些类型的问题，什么是该做的，什么是不该做的，在进行调查前，有两个大问题出现了，有哪些不同类型的问题，如何验证调查，换句话说，你收集的东西值得收集吗，让我们从第一期开始。

现在有哪些不同类型的问题，从某种意义上说，这是一系列不同类型的问题，当然有很多问题，但这些是重要的，在接下来的几张幻灯片中，我要做的是，就是复习每种类型的问题，看看积极和消极的世界，从某种意义上说。

利弊，然后谈论最佳实践，所以让我们从第一个分项类别开始，这里有一个例子，你对你的健康保险计划有多满意，可能是不同的桶，在这种情况下，你有五个桶，从非常激动到非常不满意，注意，类别描述的范围相当清楚。

并且有一个有利和不利的类别的平衡，那是什么意思，有一个中间点，既不满意也不满意，另一方面，你有两个类别超过了这个相当满意和非常满意，低于这两个类别非常不满意和非常不满意，所以在它的表面。

我认为这是一个很好的提问方式，但这有什么坏处，嗯，一个大CN比什么，当然啦，如果回答这个问题的人没有健康保险，很明显，这个问题与本案无关。有可能这个问题是由一个人回答的，他在想他以前的保险。

如果那是参考点，你可能得到的答案在不同的人之间可能会有很大的不同，换句话说，问题是你不知道人们把它和什么比较，所以这是分项类别的一个问题，让我们看看另一个试图解决这个问题的，你所说的比较问题，你直接问。

与该地区的私人诊所相比，私人执业的医生提供高质量的医疗护理，从非常低劣到非常优越，那么我们在这里做了什么，我们已经试图用前一组问题来解决这个问题，也就是说，我们明确地告诉人们要与什么进行比较。

但这里有什么问题，什么是信息的大损失，信息的巨大损失是两种选择可能都没有那么大，你在比较两个选择，可能都在酒吧以下，但一个比另一个好，那么我们在这里看到了什么，取决于你可以问的问题类型。

可能会有一些信息丢失，这总是发生，所以我想再做一次，在接下来的几张幻灯片中，将向你展示不同的方法，你可以问问题，它试图进入该省的中心，这里还有一个，这叫排名问题，这方面的一个例子如下。

请对以下特征进行排名，让我们说，手机服务，就其重要性而言，一到八，有八类，这里给一个是最重要的，它是最不重要的，通常当你问这些问题时，不允许打领带，这意味着这些事情中只有一件可能是最重要的。

其中只有一个是最不重要的，以此类推，那么我们在这里看到了什么，首先，类别的类型是相当明确的，但它也涉及到很多比较，换句话说，人们必须做很多比较，当他们穿越这一切的时候，所以如果你看第一个，为了第一等级。

你在八个不同的类别中进行比较，并将其中一个类别作为最高等级，让我们说接收清晰度对你来说是最重要的，所以你给它第一名，当你经历给排名第二的时候，你又要做七次比较，有很多不同的比较。

这意味着通常这种类型的数据可能对收集不太有利，如果你有很多类别，你想让人们比较，最终可能会发生的是人们给排名1 2和3，也许想了很多，在那之后，人们可能会做太多的比较，所以典型的经验法则。

或者这里最好的做法是不要给出太多的类别，也许它实际上可能是相当多的，所以也许六到八个可能是一个很好的类别，如果你付出更多，您可能只获得前一两个的高质量数据，在那之后，可能不会有很多有区别的数据。

另一个例子叫做配对比较，事实上，如果你仔细想想，我们稍后会讨论，在这些会议上，叫做联合的东西，如果你仔细想想，您将看到这种类型的比较数据正在到来，实际上来自联合类型的调查，这是以下两个产品。

你喜欢左边的吗，你有价值1。8万美元的本田雅阁自动变速器和豪华套件，在右手边，你有丰田卖一万六千美元手动变速器标准包，我们在这里想做什么，我们在这里试图做的是强迫人们在这两个物体之间进行比较。

通过看他们选择什么和不选择什么，你试着理解人们关心的是什么，当他们在这两种产品中选择时，这看起来是了解人们喜欢什么的好方法，为什么，因为这实际上模仿了人们在现实世界中可能做的事情。

想象你想要一台笔记本电脑，你通常做什么，你下去，比如说去百思买或其他商店，或者在亚马逊上，您首选的供应商在哪里，你开始比较不同的笔记本电脑，你选择不同的东西，你想比较的东西，所以说，比如说。

为了一台笔记本电脑，可能是屏幕大小，可能是它有多重，什么是CPU等等，所以这真的模仿了人们在现实生活中的真实行为，但是这个问题有什么问题呢，如果你有，让我们在这里做两个比较，本田雅阁丰田将销售两款产品。

人们可能更喜欢本田A Court出售，但实际上可能两者都讨厌，假设你有另一个选择，在这两种情况中，本田雅阁可能是更好的，但就他们喜欢的东西而言，这仍然低于标准，另一个问题是，当然啦。

是众多品牌无法比拟的，想象一下你在六七个不同的品牌中进行比较，有很多不同的特征，你很难做出那个决定，为什么又因为，会有很多比较，这里最好的做法是什么，通常你有两到三个品牌，这样的话。

你可以得到很好的数据，关于人们如何比较不同的品牌，你也不想要太多的功能，或者这些品牌属性太多，通常大约六是一个很好的数字，在本例中，我们有四个，这是品牌名称，价格，是什么样的传播，是什么样的包裹。

所以每个品牌大约有四到六个特色，和大约两到三个品牌比较，任何比这更多的东西，我认为受访者将很难清楚地理解差异是什么。

好的，给你好的，可靠数据，下一个是最常见的形式，这里有什么故事，这里的想法是你有很多陈述，通常在水平上，就是你看到的这里，第一个可能是，我用信用卡买很多东西等等，在每一行你回答。

不管你同意还是不同意这类说法，所以这让你有能力收集很多关于人们喜欢什么的数据，人们不喜欢什么，这叫做利克特量表，这是最常见的提问形式，当你想让人们思考许多不同的陈述时，它经常被使用。

在这种情况下关于信用卡和相关的想法。

这里有另一个例子，一种叫做连续尺度的东西，这里的想法是，如果你有，比如说，一些你想给人们看的东西，你想要C2中所说的两个首选项，这意味着你想要偏好，当他们在思考或看着一个特定的。

比如说视频或电影片段等等，人们会做什么，通常是酒吧，从某种意义上说，它可以很容易地在互联网上完成，很受电脑调解调查的欢迎，所以你可以有一个酒吧，鼠标点击等等，人们在看视频，或者当他们在看广告的时候等等。

他们可以在，他们喜欢这个吗，还是他们不喜欢这样，所以这个很受欢迎，尤其是在以计算机为中介的调查中，当你想要人们如何看待你的产品的信息时，以及当他们经历不同的产品时，这种偏好是如何变化的。

所以如果他们在看一个特定的视频，假设你是一个广告提供商，你想看看人们对广告的偏好是如何变化的，当他们在看广告的时候，所以当他们看这个的时候，你可以一直换那个计数器。

我们中的许多人可能会在最近的选举投票中看到这一点，所以在选举期间发生的事情是当他们进行辩论等等的时候，他们通常有一个观众，他们有这个节拍，可以来来回回，所以当他们在争吵时。

你可以看到人们是如何倾向于一个或另一个候选人的，所以这就是所谓的连续尺度，现在我想在这里做的基本上是给你一个大致的概述，不同种类的问题，请注意，这些不是详尽的集合，还有很多其他类型的问题。

但我想让你从这一切中带走的是，你问的每一个问题，不管是评分表，它是一个比较规模像规模，这些问题中的每一个都有一些利弊，所以仔细想想该问什么样的问题，取决于最终目标是什么，这让我想到了第二个问题。

这里的最终目标是什么，最终目标可以有两种形式，一个叫有效性，一个叫可靠性，换句话说，就是你正在收集的东西，会有任何价值，所以让我们把这个问题的有效性，基本上，这个想法是预测有效性的，例如。

假设你在问一个网络推广者得分，这是我将在下一张幻灯片中讨论的内容，净推广者得分通常是衡量客户满意度的得分，你想知道人们是否会把你的产品推荐给其他人，现在你希望的是网络推广者得分通常预测，比如说。

客户利润，公司利润，或者其他类型的因变量，你可能会感兴趣，如果有的话，那么你会说那个特定的调查，净启动子评分具有较好的预测效度，这种可预测性意味着收集调查数据是值得的，因为它预测了一种特定类型的因变量。

作为一家公司感兴趣的，可能是利润，股票价格，其他种类的行为，另一种观察调查有多好的方法是使用可靠性，一种特定形式的可靠性称为测试重测可靠性，意思很简单，它基本上说明了你收集的东西有多稳定。

如果你重新测量，比如说，客户满意度等，变化很大吗，如果是这样，从你一次测量到下一次，它告诉你的是，也许这不是一个非常稳定的措施，有很大的波动性，理想情况下，你想做的是有一个度量或刻度。

或者一种测量事物的方法，这些事物是合理稳定的，让你得到安慰，事实上，一旦你测量它，它不会改变很不稳定，所以这是你可以衡量一项调查有多好的两种方法，有效性和可靠性，所以在接下来的几张幻灯片中。

我们要举一个调查的具体例子，净启动子得分，看看勘测设计的注意事项，但在我这么做之前，我只想总结一下调查的利弊，让我们先看看专业人士，低成本，相对容易实现，了解潜在客户的好方法，写一份调查不是很容易。

那是没有偏见的，我们会提出来的，我们将讨论最佳实践，第二个大问题是，你如何找到合适的受访者，谁应该再次回答这个调查，我会提出来的，当我们谈论该做的和不该做的。

需要一些使用的产品呢，所以他们的调查可能不是最好的方法，因为这些产品实际上需要客户使用，所以在这种情况下，人们会做什么，通常你可能会做，比如说，一个焦点小组，你要求人们首先看原型，触摸产品，感受产品。

使用产品，然后也许在那之后做一个调查，所以这些是调查的主要利弊，当你考虑实施一些调查时。

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P40：[P040]01_how-to-build-an-optimization-model - 知识旅行家 - BV1o54y1N7pm

我是谢尔盖七号，我是运营系的副教授，沃特学校的信息和决定，我将指导你们完成第二周和第三周的运营分析成绩，在第一周，你已经研究了描述和预测不确定结果的方法和手段，你还被介绍到一个需求很大的典型问题。

在不确定的情况下供应，新闻供应商问题，为了成功地应对新闻供应商的挑战，我们必须明白，当面临不确定性时，如何首先评估任何行动方针，第二，在第二周和第三周，从所有可能的选择中选择最好的行动方案。

我们将学习如何使用两个基本的业务分析工具包，完成这些任务，第二周第一次，我们将重点讨论优化工具包，看看如何在低不确定性的环境中从众多选择中选择最佳替代方案，在第三周，我们将研究高不确定性设置。

我们将使用模拟工具包来评估，与任何可能的行动方针相关的报酬和风险，所有这些都将为你的第四周做好准备，当这个，优化和仿真工具包将一起使用，以确定最佳选择，让我们从第二周开始。

我们将研究如何在低不确定性的环境中识别最佳决策，第二周我们有三节课，第一届会议，我们将看一个制造公司面临的资源分配问题的例子，我们的重点将是用决策来描述这个问题。

公司必须制定它想要实现的目标和它面临的限制，我们将建立一个表达这个问题的分析模型，使用以后会帮助我们的公式，进行基于电子表格的最佳决策搜索，在第二次会议上，我们将转换会话一中内置的分析模型。

转换为电子表格表单，并使用名为Solver的Excel编辑来找到最佳的行动方案，我们将模拟实践中经常遇到的另一个决策，通过供应和需求地点网络运输货物的决定，就像在会话一中一样。

直到我们将建立一个描述网络管理问题的分析模型，将其转换为电子表格配方，并使用求解器确定最佳选项，让我们开始我们的第一次会议，我们开始分析如何在法律不确定的环境中做出最佳决策，通过看一个小例子，在本例中。

一个叫Zooter的UTA制造商，面临着在两种主要产品之间分配有限资源的问题，剃刀和纳瓦罗，纳瓦霍人比剃须刀稍微有利可图，每单位一百六十美元的利润贡献，对150美元，公司很小，它投射出。

这个利润率不会受到滑板车数量的影响，它可以现实地生产并投放市场，每个滑板车模型都需要使用三种资源中的每一种，它必须经过框架制造，威尔逊甲板装配和质量保险及包装，剃刀和纳瓦霍滑板车需要不同数量的每种资源。

比如说，为了生产一辆剃刀滑板车，公司必须花四个小时制造框架，威尔逊甲板组装1。5小时，Q组装1小时，A和包装，纳瓦霍斯库特的相应数字是五，两到八个小时，大家可以看到，纳瓦库斯更有利可图。

花更少的时间做Q，A和包装，但要用更多的车架制造轮子和甲板组装时间，在这个问题上，Zoa想计划下周的生产，在这一周内，它估计其资源将有以下限制，它将有5610个小时的框架制造时间。

可提供2200小时的车轮和甲板装配，和1200小时的质量保证和包装，所以它想决定每个滑板车型号有多少个单元，如果它计划下周生产，以便其有限的资源以最有利可图的方式分配，请注意。

我们在本例中使用的所有数据都是某些非随机数，换句话说，每条数据都是单个数字而不是多值概率分布，比如说，我们假设，一辆剃刀滑板车，将贡献正好150美元的利润，它的框架将需要整整四个小时来制造。

这意味着Zua为下周选择的任何生产计划，在利润和资源消耗方面会产生某些非随机的结果，随机性的缺失，在评估不同的行动过程中是一个非常强大的帮助，在没有不确定性的情况下选择最好的，即使是非常大的问题。

换句话说，拥有大量产品和资源的问题更容易解决，假设一种方式，在公司面临一项决定的情况下，不确定性可能是合理的，对其商业环境有相当强的控制，要么是因为它考虑了短期规划，或者因为它受益于长期合同。

使它能够自信地预测未来的数据参数，自然，这可能不是一个很好的假设，在存在影响管理行动结果的重大不确定因素的环境中，我们将仔细看看这个更复杂的设置第3周和第4周，好的，让我们回到UA的情况。

对任何问题的分析都集中在找到最佳的行动方案上，或者用另一个词来优化行动过程，必须从识别决策变量开始，在UDA示例中，公司必须决定生产的每个盾片模型的数量，所以决策变量是。

下周要生产的剃刀滑板车的数量是多少，以及未来一周生产的纳瓦霍滑板车数量，解是这些决策变量的特定选择，比如五百五百，所以如果祖达把它的决策变量设置为五百，它将获得十五万五千英镑的非营利收入。

这个计算把我们带到了优化模型的另一个重要组成部分，客观目标是标准，例如利润或成本，一个公司想做得尽可能大，或者尽可能小，在祖达案件中，目标是利润，公司希望最大化利润，重要的是要记住。

一旦我们决定了决策变量的值，我们应该能够计算出目标的价值，比如说，如果滑板车的比赛次数产生r，纳瓦霍滑板车的数量产生N，主要利润价值将是r的一百五十倍。加一百六十乘n。

将目标表示为决策变量函数的公式称为目标函数，目标函数值就是我们得到的，如果我们在目标函数中插入决策变量值的特定组合，所以如果我们把五百代入这个公式，我们得到150的目标函数值，五千。

约束构成优化模型的第三个构建块，如果Zooter每个滑板车模型做500个，这需要多少有限的资源在车架制造方面，Zooter需要四个，五百小时，没问题，它有更多的时间可用，无论决策变量的组合，缩放选择。

所需制造小时数不能高于可用小时数，这就是我们所说的约束，让我们来看看每款500英镑的生产计划，其他资源，它需要，没关系的，从车轮和甲板装配时间的角度来看，但这需要1750个小时。

不超过动物园200小时的可用时间，包装时间的Q A也是如此，所需的数字九百不超过可用的数量，那是一千二百，我们称这样的解决方案为可行的解决方案，如果UDA决定生产500辆剃刀滑板车呢。

提高纳瓦霍滑板车的产量，到七百五十个单位，嗯，这个生产计划比Zooter需要更多的框架制造时间，比祖达更多的轮子和甲板组装时间，嗯，它仍然在Q A和包装小时数的限制内，需要1100个，而现有1200个。

但我们仍然无法实施它，因为它需要从其他资源中获得什么，我们称这样的解决方案为无形的，请注意，对于不可行的解决方案，它不必违反所有的约束，即使违反一个也足够了。

所以如果我们想写一个以小时为单位的帧制造商数量的约束，作为包含决策变量r和n的公式，我们如何做好这件事，用语言，我们想说，所需的框架制造小时数不得超过可用小时数，作为一个公式。

我们可以写4乘以r加上5乘以n应该小于等于5000，六百一十条，我们在这个约束的左手边有什么，较小的等效符号是任何一对RNN所需的框架制造小时数，r的每单位为4小时，n的每单位为5小时。

我们在这个约束的右手边有什么，较小的等效符号是可用的框架制造小时数，现在我们可以为其他两个资源上的约束编写类似的表达式，第一行是约束的表达式，关于轮数和甲板装配时间，第二个是对q个数的约束。

A和可用包装时间，那么我们还有其他的限制吗，我们必须确保我们的RNN变量不能是小数的，换句话说，我们不能决定生产，比如说，四百六十七点四纳瓦霍滑板车，因为四辆滑板车卖得不太好，所以rnn必须是整数。

比如350或878，最后因为显而易见的原因，我们不能生产负数的滑板车，所以让我们把它放在一起，我们要选择决策变量的值，RNN以获得尽可能多的利润，等于一百五十乘r加上一百六十乘n。

同时确保我们不会超过资源可用性，我们生产整数非负滑板车号码，像那样的模特，换句话说，使用表达客观的公式的模型，根据决策变量的函数和约束称为代数模型，一旦我们把这个代数公式转换成电子表格格式。

那么优化模型的工具是什么，换句话说，它会为我们找到决策变量的最佳组合，要记住的几件事，优化模型可以有许多决策变量和约束，但它只能有一个目标，但如果一家公司对一些所谓的关键绩效指标感兴趣呢，例如利润成本。

而一般情况下，不可能优化所有关键绩效指标，同时，你总是可以这样做，你可以选择其中一个作为目标，并将其余的视为制约因素，比如说，你可以努力使利润最大化，同时确保资源利用率不超过某个阈值级别，在这里。

利润被选为目标，资源利用形成约束，另一件要记住的事是有些模型比其他模型更容易处理，看缩放模型，它包含常数，决策变量和常数的乘积，和添加，它还可以包含结果表达式的减法，像这样的模型被称为线性模型。

因为它们只包含决策变量的线性函数，线性模型一般更容易优化，换句话说，优化软件，如求解器或任何商业软件，在确定最佳决策方面会更容易，那么优化模型就更难了，更难的模型的一个例子是非线性模型。

当模型包含决策变量的乘积时，决策变量比率，决策变量根的幂，线性函数以外的任何东西，这样的模型是非线性的，而这些模型更难优化，尤其是当它们有大量的变量和约束时，即使你的模型是线性的。

在决策变量上添加整数要求也会使优化过程显著复杂化，所以总结一下，最容易处理的一类模型是线性模型，使用允许取任何小数值的变量，我们将在本周的第三节看到这样一个模型，如果您将整数需求添加到模型的变量中。

或者使其非线性，或者尤其是如果你同时做这两件事，你使模型更难优化，无论是使用求解器还是一些商业优化软件，对于一个小问题来说，这种区别可能并不重要，比如Zoa试图解决两个变量和三个约束的问题。

但它可能变得相当重要，如果模型中的变量和约束数量很大，如果您想了解更多关于优化的信息，以及优化模型的类型，有很多书可以帮助你，这里有两个例子。

在届会期间，我们研究了在许多备选方案中选择最佳决策的任务，在设置中，在那里，进入我们决策过程的每一条数据都是肯定的，作为一个例子，我们看了一个资源分配问题的小实例，两种产品争夺有限的资源，使用此示例。

我们已经确定了任何优化模型都有决策变量的三个元素，目标函数和约束，即使在低不确定性环境中，确定最佳决策的任务可能变得非常具有挑战性，因为可能的决策数量可能非常大，因此，我们可能经常需要优化工具的帮助。

如求解器，现在在使用软件找到最佳决策之前，用代数语言表达问题是非常有用的，特别是，识别建模错误可以容易得多，通过看代数公式而不是看电子表格，代数公式也可以帮助您创建一个结构良好的。

易于阅读的电子表格配方，我们将重点讨论Zooter问题的代数公式的转换，我们创建成电子表格配方，以及使用求解器识别最佳生产决策。

posted @ 2024-10-19 08:42 绝不原创的飞龙阅读(30) 评论(0) 编辑收藏举报

刷新页面返回顶部

登录后才能查看或发表评论，立即登录或者逛逛博客园首页

相关博文：

· 沃顿商学院全套笔记-五-

· ShowMeAI-人工智能工具笔记-九-

· 预测大师的秘籍：揭开时间序列的真相

· 确定性时间序列分析方法

· 时间序列分析(一)--移动平均

阅读排行：
· 分享4款.NET开源、免费、实用的商城系统
· 全程不用写代码，我用AI程序员写了一个飞机大战
· MongoDB 8.0这个新功能碉堡了，比商业数据库还牛
· 白话解读 Dapr 1.15：你的「微服务管家」又秀新绝活了
· 上周热点回顾（2.24-3.2）

公告

Github：@wizardforcel

简书：@布客飞龙

微博：@布客飞龙

赞助我：

昵称：绝不原创的飞龙
园龄： 5年2个月
粉丝： 66
关注： 0

+加关注

2025年3月

日

一

二

三

四

五

六

龙哥盟

掠夺·扩张·投机·博弈

沃顿商学院全套笔记-四-

沃顿商学院全套笔记（四）

【沃顿商学院】创业四部曲：发现机会、建立公司、增长战略、融资和盈利 - P9：[P09]07_1-7-impact-entrepreneurship - 知识旅行家 - BV19Y411q713

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P12：[P012]03_regression-analysis-part-1-the-demand-curve - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P13：[P013]04_regression-analysis-part-2-making-predictions - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P15：[P015]06_making-predictions-using-a-data-set - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P16：[P016]07_data-set-predictions-mary-sharmila-or-chris - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P17：[P017]08_probability-models - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P18：[P018]09_implementation-of-the-model - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P21：[P021]02_what-is-prescriptive-analytics - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P22：[P022]03_using-the-data-to-maximize-revenue - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P23：[P023]04_parameters-of-the-model - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P24：[P024]05_market-structure - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P25：[P025]06_competition-and-online-advertising-models - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P26：[P026]07_conclusion-s - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P28：[P028]02_the-future-of-marketing-is-business-analytics - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P29：[P029]03_the-golden-age-of-marketing - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P3：[P003]01_what-is-descriptive-analytics - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P30：[P030]04_applications-roi - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P31：[P031]05_radically-new-data-sets-in-marketing - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P32：[P032]06_the-perils-of-efficiency - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P33：[P033]07_analytics-applied-kohls-netflix-amex-and-more - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P36：[P036]02_the-newsvendor-problem - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P37：[P037]03_moving-averages - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P38：[P038]04_trends-seasonality - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P39：[P039]05_week-1-wrap-up-apparel-industry - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P4：[P004]02_descriptive-data-collection-survey-overview - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P40：[P040]01_how-to-build-an-optimization-model - 知识旅行家 - BV1o54y1N7pm

公告

搜索

常用链接

我的标签

随笔分类

随笔档案

阅读排行榜

评论排行榜

推荐排行榜

最新评论

掠夺·扩张·投机·博弈

沃顿商学院全套笔记（四）

【沃顿商学院】创业 四部曲：发现机会、建立公司、增长战略、融资和盈利 - P9：[P09]07_1-7-impact-entrepreneurship - 知识旅行家 - BV19Y411q713

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P12：[P012]03_regression-analysis-part-1-the-demand-curve - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P13：[P013]04_regression-analysis-part-2-making-predictions - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P15：[P015]06_making-predictions-using-a-data-set - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P16：[P016]07_data-set-predictions-mary-sharmila-or-chris - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P17：[P017]08_probability-models - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P18：[P018]09_implementation-of-the-model - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P21：[P021]02_what-is-prescriptive-analytics - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P22：[P022]03_using-the-data-to-maximize-revenue - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P23：[P023]04_parameters-of-the-model - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P24：[P024]05_market-structure - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P25：[P025]06_competition-and-online-advertising-models - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P26：[P026]07_conclusion-s - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P28：[P028]02_the-future-of-marketing-is-business-analytics - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P29：[P029]03_the-golden-age-of-marketing - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P3：[P003]01_what-is-descriptive-analytics - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P30：[P030]04_applications-roi - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P31：[P031]05_radically-new-data-sets-in-marketing - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P32：[P032]06_the-perils-of-efficiency - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P33：[P033]07_analytics-applied-kohls-netflix-amex-and-more - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P36：[P036]02_the-newsvendor-problem - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P37：[P037]03_moving-averages - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P38：[P038]04_trends-seasonality - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P39：[P039]05_week-1-wrap-up-apparel-industry - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P4：[P004]02_descriptive-data-collection-survey-overview - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析 全套课程（客户、运营、人力资源、会计） - P40：[P040]01_how-to-build-an-optimization-model - 知识旅行家 - BV1o54y1N7pm

公告

搜索

常用链接

随笔档案

【沃顿商学院】创业四部曲：发现机会、建立公司、增长战略、融资和盈利 - P9：[P09]07_1-7-impact-entrepreneurship - 知识旅行家 - BV19Y411q713

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P12：[P012]03_regression-analysis-part-1-the-demand-curve - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P13：[P013]04_regression-analysis-part-2-making-predictions - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P15：[P015]06_making-predictions-using-a-data-set - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P16：[P016]07_data-set-predictions-mary-sharmila-or-chris - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P17：[P017]08_probability-models - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P18：[P018]09_implementation-of-the-model - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P21：[P021]02_what-is-prescriptive-analytics - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P22：[P022]03_using-the-data-to-maximize-revenue - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P23：[P023]04_parameters-of-the-model - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P24：[P024]05_market-structure - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P25：[P025]06_competition-and-online-advertising-models - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P26：[P026]07_conclusion-s - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P28：[P028]02_the-future-of-marketing-is-business-analytics - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P29：[P029]03_the-golden-age-of-marketing - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P3：[P003]01_what-is-descriptive-analytics - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P30：[P030]04_applications-roi - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P31：[P031]05_radically-new-data-sets-in-marketing - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P32：[P032]06_the-perils-of-efficiency - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P33：[P033]07_analytics-applied-kohls-netflix-amex-and-more - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P36：[P036]02_the-newsvendor-problem - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P37：[P037]03_moving-averages - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P38：[P038]04_trends-seasonality - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P39：[P039]05_week-1-wrap-up-apparel-industry - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P4：[P004]02_descriptive-data-collection-survey-overview - 知识旅行家 - BV1o54y1N7pm

【沃顿商学院】商业分析全套课程（客户、运营、人力资源、会计） - P40：[P040]01_how-to-build-an-optimization-model - 知识旅行家 - BV1o54y1N7pm