预测分析

一句话解释：预测分析是利用历史数据、统计模型和机器学习算法，去“猜”未来会发生什么——比如某个用户下周会不会下单、下个月会流失多少客户、某款产品在旺季能卖多少件。

生活化类比

想象你常去的一家奶茶店。老板发现：每到周五下午 3 点，附近写字楼的白领会集中点单，而且“少冰、三分糖”的订单占 70%。于是他在周四晚上提前备好相应原料，周五下午多排一个店员。这就是最朴素的预测分析——不是算命，而是用过去反复出现的规律，为下一步行动做准备。

跨境电商里也一样：你发现过去 6 个月，每次在 Facebook 投放“夏季凉感床垫”广告后的第 3 天，美国站点的加购率会上升 18%。那么下次投放时，你就可以提前调整库存和客服排班。

预测分析通常包含四个环节：

1. 数据收集：订单、点击、物流、客服记录、广告花费等。

2. 特征工程：把原始数据变成模型能用的信号，如“过去 30 天购买次数”“最近一次购买距今天数”。

3. 建模：常用回归、分类、时间序列、生存分析等。

4. 评估与部署：用准确率、召回率、AUC、MAE 等指标判断模型好坏，再接入业务系统。

一个经典公式是逻辑回归，用于预测“用户会不会下单”：

P(y=1|x)=\frac{1}{1+e^{-(w_0+w_1x_1+w_2x_2+\dots+w_nx_n)}}

其中 \(x_1\) 到 \(x_n\) 是特征，\(w\) 是权重。输出是 0 到 1 之间的概率。比如模型输出 0.82，表示该用户有 82% 的概率会下单。

另一个常用指标是 RFM 模型中的“最近一次购买时间”，它常被改造成流失预测特征：

ChurnRisk = f(Recency, Frequency, Monetary)

术语	核心问题	输出	与预测分析的关系
描述性分析	发生了什么？	报表、仪表盘	预测分析的基础
诊断性分析	为什么发生？	归因、根因	为预测提供特征
预测分析	未来可能发生什么？	概率、分值、趋势	本文主题
规范性分析	应该怎么做？	最优动作、推荐	预测分析的下游
机器学习	如何从数据中学习规律？	模型	预测分析的主要工具
时间序列分析	随时间变化的规律？	趋势、季节性	预测分析的一个分支

简单说：描述性分析告诉你“上月美国站退货率 8%”，预测分析告诉你“下月可能升到 11%”，规范性分析告诉你“应该提前给这批 SKU 买退货险”。

1. 流失预测

某独立站有 12 万注册用户。用过去 180 天数据训练模型，输出每个用户的流失概率。对概率 > 0.75 的 1.8 万人发送“满 49 减 10”优惠券，最终挽回 4,320 人，召回率 24%，带来约 21.6 万美元额外收入。

2. 销量预测

某跨境电商卖家在亚马逊美国站卖宠物饮水机。用过去 24 个月数据做时间序列预测，发现 7 月销量通常是 6 月的 1.6 倍。于是提前备货 3,200 件，结果实际卖出 3,050 件，库存周转天数从 45 天降到 28 天。

3. 广告点击率预测

某 DTC 品牌在 TikTok 投放广告。模型根据用户历史行为预测点击率，把预算集中到预测 CTR > 3.5% 的人群。两周后整体 CTR 从 1.9% 提升到 3.1%，CPA 下降 22%。

4. 欺诈订单识别

某独立站接入预测模型，对每笔订单打分。分数 > 0.9 的订单进入人工审核。上线后，拒付率从 1.4% 降到 0.6%，每月减少损失约 1.2 万美元。

- 误区一：预测一定准。预测输出的是概率，不是承诺。AUC 0.85 已经不错，但仍有 15% 的排序错误。

- 误区二：数据越多越好。噪声数据、重复数据、泄露数据反而会降低效果。特征质量比数据量更重要。

- 误区三：模型上线就完事。用户行为会变，模型会漂移。建议至少每月监控一次 AUC 和 PSI。

- 误区四：忽略业务成本。把流失阈值从 0.7 调到 0.5，会多发很多优惠券，可能得不偿失。

- 误区五：把相关当因果。冰淇淋销量和溺水人数相关，但不是冰淇淋导致溺水。预测分析通常只回答“会不会”，不回答“为什么”。