京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在数据分析、市场研究、用户画像构建、学术研究等场景中,我们常常会遇到多维度、多指标的数据难题:比如调研用户消费行为时,收 ...
2026-03-25在流量红利见顶、获客成本持续攀升的当下,营销正从“广撒网”的经验主义,转向“精耕细作”的数据驱动主义。数据不再是营销的辅 ...
2026-03-25在CDA(Certified Data Analyst)数据分析师的全流程工作中,无论是前期的数据探索、影响因素排查,还是中期的特征筛选、模型搭 ...
2026-03-25在当下数据驱动决策的职场环境中,A/B测试早已成为互联网产品、运营、营销乃至产品迭代优化的核心手段,小到一个按钮的颜色、文 ...
2026-03-24在统计学数据分析中,尤其是分类数据的分析场景里,卡方检验和显著性检验是两个高频出现的概念,很多初学者甚至有一定统计基础的 ...
2026-03-24在CDA(Certified Data Analyst)数据分析师的日常业务分析与统计建模工作中,多组数据差异对比是高频且核心的分析场景。比如验 ...
2026-03-24日常用Excel做数据管理、台账维护、报表整理时,添加备注列是高频操作——用来标注异常、说明业务背景、记录处理进度、补充关键 ...
2026-03-23作为业内主流的自助式数据可视化工具,Tableau凭借拖拽式操作、强大的数据联动能力、灵活的仪表板搭建,成为数据分析师、业务人 ...
2026-03-23在CDA(Certified Data Analyst)数据分析师的日常工作与认证考核中,分类变量的关联分析是高频核心场景。用户性别是否影响商品 ...
2026-03-23在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17