
预测未来,最忌参考过去
如今我们做大量预测,Forrester 这种调研公司尤其喜欢通过图表预测设备销量、媒体广告支出,认为任何可量化的东西,它都可以被预测。这些预测报告通常有些常见模板,比如:
“今年,我们位于 X 轴的中心”、“我们可以看到在这个日期前有 3 个数据点”、“我们可以看到未来 X 年内,会有一个完美的线性发展趋势。”但是没人知道这有多蠢吗?
无广告社交项目 Ello 推出后不久,已经有人在预测它的用户数会“超过地球人口”。然后用同样方法,预测 2009 年美国智能手机销量,得到结论也相似,或者去预测移动端广告支出,他们可以傻到一直这么做。
不信?可以看看这些显著案例。
到底是什么让我们如此肯定: 2016 年搜索营销价值会接近 100 万美元?
有预测认为:2020 年食品和饮料在电子商务中只占很小份额。它完全不考虑那时人们生活可能是什么样,或者会有什么新行业或新技术出现。
我最喜欢的一张蠢成这样的图是下面这个,它蠢到没搞清楚我们现在是在几几年(图表中说我们现在身处 2015 年)。接下来是什么?预测无人驾驶汽车销量?或者 4D 打印机?还是智能机器人助理?
而你知不知道他们从不使用的图表?我们来把他们预测的和实际情况做下比较,真实的图表是下面这样的:
如上图,诺基亚一直做得很好,直到开始表现不佳。
如上图,音乐产业总是面对翻天覆变化,但现在开始直线下滑。
如上图,最生动的是印刷广告业的衰落。
当然,以上这些不是说 Forrester 很蠢或这些图表一文不值,只是说,真正的问题在于:未来其实很难预测,因为“未来”它从不是线性发展的。事实上,这个时代的一个关键要素是:事物有快速变化趋势。它可能是 Airbnb 在房屋租赁市场异军突起,可能是 Uber 改变人们出行方式,或是特斯拉在电动汽车领域掀起革命,或是 Apple pay 重塑支付行业。实际上,现实发展比我们想象的更快。
同时,不是所有事都在变,比如我点一杯咖啡的方式和十年前没什么不同;再比如我买衣物柔顺剂也一样,而银行模样,和 25 年前一样。
这其中,还有些事是周期性的,比如我们可能认为中国有史以来第一次变富,但历史表明:它一度是主要世界经济体。而还有很多事,它完全不受过去束缚,比如我现在把 Twitter 作为浏览器主页,没选择雅虎。我现在无休止看手机,无论何时我都在用非接触方式“使用”它。智能手机的崛起渐渐改变我们行为方式,产品不断数字化塑造全新的所有权模式,许多作为中间环节的行业已经快要消失,而新兴企业在网络效应下呈指数增长。许多事物的变化越来越快越来越快。
那面对这种变革,我们要做的,就不仅仅是根据历史演进做预测,而应该:
理解哪些事物发生了变化,哪些保持不变。
从足够远的过去学习,不要以为时间越近就越具参考价值,应该在更长的时间尺度发现相似案例。
做艺术化、移情预测,预测什么“现实”可能发生,而这些预测是基于想象力及已经定义边界后的“合理性”(based on imagination and defining edges to plausibility)。
其实我们很难说“将来”会是什么样,包括竞争对手的活动,新产品、新应用、新技术、世界经济、新规则、新商业模式都可能出现。但我们去对事情本身做“肠道检查”却没那么难,我们可以很容易排除一些事,并依次对另一些事做假设,设定一些可能场景,然后推断其合理性。
这样做可能不完美,但比那些预测未来的随机线条更可能正确,它建立我们对预测结果的一定程度的信心。
有人说,历史是伟大的老师,但事实真是如此吗?难道因为以前不流行六度空间理论,Facebook 就该放弃它的事业?难道我们应该向 WebVan 学习,就不去尝试电子商务?WebTV 彻底失败,Netflix 却大获成功。历史还告诉过我们,人们不信 4 分钟内可以跑一英里,认为背越式跳高不值得考虑,触屏手机无法正常工作。
所以也许对更大块的东西来说,“历史”是个更显得蹩脚的老师。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15