模型一词，本身指的是“对现实世界的抽象”，通过少数关键信息，描述复杂的问题。
提炼关键信息的方式有2种：
如果从业务角度做提炼，就是：业务模型；
如果用数学、统计学、运筹学、机器学习方法论提炼，就是：算法模型。
举个简单的例子，我们常说“营销4P模型”，这个4P其实是从业务逻辑出发的。
站在业务视角，只要我做好了商品、渠道、价格、促销，就能把货卖出去。
但是落到数据层面，就有很大区别。

商品和渠道属性很难量化，我们只能通过打标签的方式，粗略对比不同标签下销售指标差异（如下图）：

商品价格/促销与销量的关系，容易用数据量化，因此催生出一个经典的算法模型：价格弹性模型。

首先采集不同价格下商品销量；
第二步，拟合函数，总结出量价模型；

第三步就可以拿模型推测涨价效果，或者求出利润最大化的价格了（如下图）：

注意！方法都是为解决问题而设计的，两种方法各有优势。

02 业务模型的优势

1）业务模型最大的优势，在于能从业务角度给出问题的解释。

比如：

是不是我的策略不对？

是不是我的选品不行？

是不是我的执行力不行？

类似“策略”、“选品”、“执行力”这些业务上思考，很难直接用x、y的加减乘除关系来衡量。

此时就得构造业务分析模型，先把“策略”、“选品”等名词量化，再用逻辑树的方法，对问题进行拆分，构造一个层层深入的分析逻辑，用排除法找到正确答案（如下图）。

2）业务模型的第二个优势，在于容易观察业务行动的效果。

比如上图中，基于逻辑树，业务改进了执行动作，增加了人力投入。

我们可以直接观察：逻辑树顶端问题，是否变好了，从而判断分析是否真的到位（如下图）。

3）业务模型的第三个优势，在于清晰业务主体责任。

比如都是做预测，如果直接用回归算法或者平滑算法给出一个结论，那么业务部门就没法看到自己行为的效果，还会迷惑地问：

“那我下周加班不加班，结果一样吗？”

“如果我搞不掂A客户，转而做B客户，是不是预测会不一样？”（如下图）

此时如果用业务模型来预测，可以直接把整体指标按部门拆开，让各部门填写自己预期情况。

虽然具体参数可能需要拍脑袋得出来，但是每个部门能直接看到自己需做到什么水平，从而反向激励业务必须行动。

即使没有完成任务，也能清楚看到“是谁没完成”。从而更快速的思考对策。

03 算法模型的优势

1）算法模型最大的优势，并不是比人聪明，而是运算速度快+省事。

比如经典的互联网推广问题，各种限制条件一堆：“推广总预算，每个渠道转化率，每个渠道可以预约档期数量”等等。

此时，如果用人力去安排，可能要计算半天，但熟悉运筹学的同学们都知道，这是个典型的线性规划模型，只要能写清楚建模假设，就很容易出结果（如下图）。

更方便的是，如果以后有调整，比如：

修改总投放费用

渠道档期数变化

渠道转化率变化

那么只要修改模型参数，就能快速出结果了，非常方便（如下图）：

2）算法模型的第二个优势，是能发现业务没注意到的情况。

比如做商品分析的时候，业务上是可以手动输出一份《商品关联规则表》，但这个表格的规则是固定的。
如果用关联规则算法，则可以突破业务思路的限制，发现更多潜在关联销售逻辑。
虽然不见得是“啤酒与尿布”这么夸张的东西，但是也对启发业务思路很有帮助（如下图）。

3）算法模型的第三个优势，就是处理大规模数据了。

典型的业务模型RFM，做用户分层时，如果每个指标分3类，那么就有3*3*3=27类，在业务上已经复杂到很难匹配对应策略了。
但是如果用协同过滤算法，完全可以做到千人千面，这也是算法模型的巨大优势。

之所以互联网公司倾向于用算法做推荐，主要是源自互联网平台上的商品量以十亿记，极难手动匹配规则。

04 业务与算法，如何完美配合

想要做好顺畅配合，建议大家在项目启动前，先花时间梳理好：到底要解决什么问题。
而不是一上来先说：我要个模型。
先捏个模型出来，再拿着锤子找钉子。
如果要解决的问题本身不清晰，比如：
a. 诊断类问题：到底指标异动是因为内部还是外部原因？
b. 标准类问题：到底该怎么定义“高价值用户”、“有效的策略”？
c. 测试类问题：我有个新想法，还没实行，不知道有没有效果？
此时建议做业务模型，先把问题梳理清楚，把定义明确好，拿到测试数据，再看进一步怎么做？
如果要解决的问题定义清晰，且有数据积累，就很适合做算法模型。
特别是即使业务很努力，也很难提升效果的时候，比如用户流失挽留，新用户电话销售等场景，天然响应率低，通过模型筛选目标群体能极大提升业务效率，此时效果好。