如何构建一套加权、信号驱动的预测

标准的销售预测建立在一个人人都同意去相信的虚构之上：一笔处于阶段 3 的交易，有着某个固定的成交概率，比如 40%，无论这笔交易里实际正在发生什么。用销售管道乘以阶段百分比，加总起来，称之为预测。它简单，也可审计，而且经常错得离谱，让预测负责人每个季度都为此付出信誉的代价。

一套加权的、信号驱动的预测，把基于阶段的猜测换成了基于交易实际表现的概率：买家如何参与、涉及多少人、成交日期是否保持稳定。以下是如何在没有数据科学团队的情况下构建这样一套预测。

为什么阶段数学会失灵

它假设阶段位置是成交概率的一个不错的代理指标，但事实并非如此，原因有两个。

阶段是主观的。一位代表可以把一笔交易硬拖到阶段 4，好让经理别再催他，而买家其实根本没有任何进展。阶段最终衡量的是代表的乐观程度。

而一个固定的百分比忽略了阶段内部的巨大差异。处于同一阶段的两笔交易，可能看起来毫无相似之处。一笔有一位积极参与的经济买家，签署了一份共同行动计划，成交日期已经保持了六周未变。另一笔是单线程的，已经二十天没开过会，而且已经延期过一次。阶段数学把它们等同看待。任何跟进过其中一笔交易的人都知道，其中一笔的价值是另一笔的好几倍，数据也证实了这一点。

这正是预测准确性：为何如此糟糕，以及如何改善一文所探讨的问题的根源。解决方案是按证据加权，而不是按阶段加权。

真正能预测成交的信号

一套信号驱动的预测，会根据历史上与成功相伴随的行为，为每笔交易加权。根据我们的经验，权重最大的几类信号是：

• 参与度动能。买家近期有意义的互动发生的频率和时间点，以及这种趋势是在上升还是下降。
• 多线程深度。涉及多少利益相关者，最重要的是，经济买家是否是其中之一。一笔到了后期阶段仍是单线程的交易，是最有力的失败预测指标之一。
• 来自买家一方的承诺凭证。一份共同行动计划、一次已排期的安全审查、采购部门的介入。这些都是意图的硬证据。
• 时间完整性。成交日期是否保持稳定，还是已经延期？延期是你能找到的最强负面信号之一，交易延期难题一文详细探讨了如何预测它。
• 产品信号，适用于试用和 PLG 场景。评估期间使用的深度和广度。

这些信号已经存在于你的系统之中，只是没有被输入预测。可靠地捕捉它们，正是为真正的决策而完善你的漏斗埋点所奠定的基础。

构建模型

你完全可以在不使用任何机器学习的情况下，搭建出一个可信的第一版模型。

1. 盘点你的信号。 列出你今天能够可靠捕捉的行为信号。五到八个足以起步。
2. 从历史数据中赋予权重。 回顾已成交和已流失的交易，估算每个信号对成交概率的影响程度。基于你自身历史数据的粗略权重，每次都胜过固定的阶段百分比。
3. 为每笔未结交易打分。 把它的各项信号综合成一个经过调整的概率。一笔处于阶段 3 的交易，根据证据的不同，可能落在 15% 到 70% 之间的任何位置。
4. 汇总成一个区间。 把加权值加总，呈现出保守、预期和乐观三种情形，而不是一个带有虚假精确感的单一数字。
5. 让承诺、预测和上行空间保持为独立的输出，这样领导层就能看到信心的梯度变化。
6. 回测。 用过去四个季度的数据重新运行这个模型。如果它无法预测那些已经发生的结果，就调整权重，直到它能够预测为止，然后下个季度再重复这个过程。

后续，手工调优的权重可以让位于从你自身历史数据中学习的模型。但关键在于把概率建立在证据之上，而这种纪律比数学的复杂程度更重要。

让它真正改变行为

一个模型只有在真正改变了销售管道评审会时，才算物有所值。转变体现在问题本身上。评审不再问"这笔交易处于哪个阶段"，而是问"证据说明了什么，什么能推动它前进"。因信号薄弱而被标记的交易，会得到具体的干预措施：让经济买家重新回到谈判桌上，敲定一份共同行动计划，确认时间表。预测不再是一个被动的推测，而变成了一份能够改善这个数字的行动清单，这正是预测与收入信号和下一步最佳行动相连接的地方。

以这种方式建立起来的预测可靠性，也会反哺你的收入健康度评分。一个信号驱动的承诺不断与现实吻合的团队，其收入健康程度明显高于一个依靠阶段猜测度日的团队，而 CFO 能看出这种差异。

关键要点

• 基于阶段的预测之所以失败，是因为阶段是主观的，而一个固定的百分比掩盖了阶段内部巨大的差异。
• 按行为为每笔交易加权：参与度、多线程程度、买家的承诺凭证、日期是否保持稳定、产品使用情况。
• 你不需要机器学习就能起步。基于历史数据的权重，加上对过去四个季度的回测，就足够了。
• 呈现一个区间，让承诺和上行空间保持独立，并准备好解释这个数字从何而来。
• 这份预测应该读起来像一份待办清单，而预测结果只是一个副产品。

把预测建立在实时信号之上，而不是阶段猜测之上，是收入编排的一项核心承诺。销售管道不再是你只能看一看的电子表格，而变成了你可以驾驭的东西。