预测准确性：为何如此糟糕，以及如何改善

问一屋子的收入负责人对下季度数字有多大信心，得到的往往是一阵尴尬的干笑。预测是公司里被审视得最仔细的数字，却也常常是最不被信任的那个。董事会依据它来决定招聘和支出。上市公司一旦没达到预测就会被市场惩罚。而相当一部分 B2B 团队季复一季地未能达成自己的承诺（commit），偏差幅度达到两位数，却始终没有修正问题的根源。

这种不准确大多不是运气不好，而是结构性的问题。它源于预测是如何被构建出来的、是谁在构建它，以及哪些内容被有意剔除在外。好消息是，结构性的原因是可以修正的，而且你并不需要一个数据科学团队才能做到这一点。

为什么预测总是这么一致地偏离

在我们研究过的几乎每一家公司里，都能看到同样几个根源性原因。

销售层级的每一层都会按自己的利益去修饰这个数字。销售代表压低数字（sandbag）以便超额完成配额。管理者则会夸大数字以显得更有雄心。高层则会向董事会的预期方向做出对冲。等这个数字传到最顶层时，它已经是一次政治妥协的结果，而不是一个真实的估计。

阶段数学会说谎。用固定的阶段转化率去乘以销售管道，等于假设"阶段 3"里的每一笔交易成交概率都相同。一笔已经接触到决策买家、并签署了双方行动计划的交易，与一笔在同一阶段停滞了六周的交易，完全不是一回事，但电子表格却把它们一视同仁。

那些最能预测一笔交易能否成交的因素（邮件响应速度、多线程程度、试用使用情况、会议节奏）通常根本进不了预测模型。而且交易的结果也不只是赢或输，它们还会延期。一个没有对延期风险建模的预测，每个季度都会过度承诺，这正是我们在别处深入探讨过的交易延期问题。

简而言之：传统预测依赖人的主观判断和静态的阶段数学，却忽视了系统记录中早已存在的行为证据。

长期不准确的代价

一个偏差达十五个百分点的预测，无论偏向哪个方向，代价都很高昂。预测过高，你就会过度招聘、过度支出，最终不得不在年中做出痛苦的修正。预测过低，你既会白白浪费产能，也会同样迅速地损耗自身的可信度，因为一个总是压低数字的负责人，即便某次判断正确，也不再有人相信他。

这里还有一层复合成本。一旦所有人都知道这个预测不可靠，整个组织就会停止用它来做决策，转而依赖直觉。到那个地步，预测的存在只是为了填满一张幻灯片。要重新赢得信任，是有纪律地分配资本的前提条件。

如何真正解决这个问题

准确性主要来自更好的输入数据和更好的流程，而不是更聪明的算法。

1. 用信号加权的概率取代固定的阶段百分比。与其说"阶段 3 等于百分之四十"，不如根据每笔交易实际展现出的行为对其加权。具体做法参见如何构建一个信号驱动的加权预测模型。
2. 把承诺（commit）、预测（forecast）和销售管道（pipeline）分开。我们一定会成交的、我们预期会成交的、以及有可能成交的，是三个不同的问题。给它们三个不同的数字。
3. 为漏斗建立数据埋点，让信号真正存在。你无法根据从未采集过的参与度数据去加权。先把原始信号采集进系统是第一步，我们在为真正的决策而为漏斗建立数据埋点一文中做了详细介绍。
4. 把预测误差本身作为一项指标来追踪。每个季度、按团队、按销售代表，衡量承诺数字与实际结果之间的差距。预测可靠性是你整体收入健康评分的一项输入指标，理应被纳入其中。
5. 在信任任何新方法之前先做回测。把新方法放到过去几个季度的数据中重新演算一遍。如果它连过去四个季度都预测不准，那它也预测不准下一个季度。

一个切实可行的起点

你不需要把一切推倒重来。见效最快的第一步，通常是在你已经在运行的销售管道评审中加入行为标记。标记出那些决策买家已经沉默的交易、那些在销售周期后期仍然只有单线联系人的交易，或者那些成交日期已经被推迟过一次的交易。仅凭这三个标记，就往往能揭示出一大块"已承诺"的销售管道，其实根本不可能在本季度落地。这会让人不舒服，但在第二周知道，总比拖到第十二周才发现要好。

从这里开始，剩下的就是逐步推进的过程了：采集更多信号，按证据而非阶段进行加权，并通过持续衡量自身的误差，让整个流程对结果负责。准确性的积累方式和信任的积累方式如出一辙。

关键要点

• 预测之所以偏离，是出于结构性原因：每一层级的过度乐观、把所有交易一视同仁的阶段数学、被忽视的行为信号，以及缺乏对延期的建模。
• 预测过高和过低都会付出代价，而一旦预测被公认为不可靠，反正也没人会拿它来做决策。
• 按交易展现出的实际行为而非所处阶段进行加权，并把承诺、预测和销售管道拆分成三个独立的数字。
• 把自身的预测误差作为一项被持续追踪的指标，在押注任何新方法之前先做回测。

更好的预测来自向流程中输入更好的信号。这种以信号为核心看待销售管道的方式，正是收入编排所要提供的能力。