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
平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13