从4P、SWOT、RFM到线性回归、决策数、Kmean聚类，都有人管它们叫模型，那这些模型到底有啥区别？

　　其实区分也不难：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。

　　两种模型各有优势，文中各总结出了三大优势，并简单的举例说明，值得注意的是，实际应用时不能直接套用，需要根据实际情况评估使用。

　　小伙伴们经常有疑惑：从4P、SWOT、RFM到线性回归、决策数、Kmean聚类，都有人管它们叫模型，那这些模型到底有啥区别？

　　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。

　　举个简单的谈球吧官方网站例子，我们常说“营销4P模型”，这个4P其实是从业务逻辑出发的。

　　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。

　　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）。

　　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）。

　　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：

　　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，从而反向激励业务谈球吧官方网站必须行动。

　　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）。

　　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）。

　　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。

　　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。

　　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？

　　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。