规范性分析建议该做什么:它拿到对结果的预测,加上预算这样的约束和总订单数这样的目标,返回一个具体的行动。它排在描述性、诊断性和预测性分析之后,质量取决于预测和约束。本文给出一个预算算例、适合的工具类型,以及方案怎样失败。
读完你会知道
- 规范性分析需要三样东西:预测、约束和一个目标
- 输入变了就重新运行方案;一个错误的比率就挪动了 13,000 美元的决定
- 按决策的形状选工具类型,而不是按品牌
什么是规范性分析?
规范性分析(prescriptive analytics)给出该做什么。它拿到对将要发生之事的预测,加上你必须遵守的约束(预算、产能、政策)和想达到的目标,然后返回一个具体的行动:这里花多少钱,那里排多少人,把这个优惠发给那一群人。运筹学学会 INFORMS 把分析分成三类:描述性分析看过去发生的事,预测性分析看可能发生的事,规范性分析则建议行动方案。
关键词是「有约束条件下的具体行动」。一个说下月订单会下降 8% 的预测,是预测性的。一份说「在预算固定的前提下,根据预测,把 5,000 美元从展示广告挪到邮件,能让固定预算发挥更大作用」的方案,才是规范性的。方案的质量取决于它的两个输入:预测和约束。本文说明规范性分析在四类分析中的位置,手工走完一个分配算例,并介绍做这类工作的工具类型。关于分析类型的整体图景见数据分析的类型;规范之前的那一层见诊断性分析。
四类分析并排比较
每一类回答不同的问题,并且需要前一类作基础。
| 类型 | 问题 | 典型产出 | 示例 | 需要 |
|---|---|---|---|---|
| 描述性 | 发生了什么? | 合计、趋势、看板 | 上个月各渠道的订单 | 干净的数据 |
| 诊断性 | 为什么发生? | 原因拆解 | 订单下降是因为两个国家的搜索流量下降 | 描述性数据、拆解 |
| 预测性 | 大概会发生什么? | 预测或评分 | 邮件每 1,000 美元大约带来 20 个订单 | 历史数据加模型 |
| 规范性 | 我们该做什么? | 建议的行动 | 邮件投 8,000 美元,搜索投 25,000 美元,社交投 27,000 美元 | 预测、约束、目标 |
由此有两个结论。其一,不能跳级:建立在糟糕预测上的建议,是一个看起来很精确的错误;建立在不可靠描述性数据上的预测,会继承这个问题。其二,规范性分析是一种决策方法,不是看板功能。有些决策,一个清晰的诊断视图加上人的判断就够了;优化留给选项多、限制硬的选择。更下面一层见营销中的预测性分析。
规范性分析怎样工作:预测、约束、优化
多数规范性方法有相同的三个部分。
- 对每个选项结果的预测。 对你可能采取的每个行动,它会产出多少你在乎的东西?在下面的算例里就是各渠道每 1,000 美元带来的订单数。
- 约束。 你不能做什么:总预算、一个渠道最多能吸收多少、最低承诺量、产能。
- 目标。 要最大化或最小化的那一个数字,比如总订单数或成本。
然后方法会搜索在不违反任何约束的情况下,让目标取得较优的值的行动组合。当预测只是简单的比率、约束只是直线型的上限时,这就是一个线性规划:在线性等式和不等式约束下的线性目标,SciPy 的 linprog 文档就是用这个来定义它所解决的问题。其他情形需要的是仿真或规则,而不是优化。数学本身不如检查三个部分是否都如实陈述重要。
算例:把 60,000 美元预算分配到四个渠道
示例数据:一家店本月有 60,000 美元可花。对过往活动的回测给出了各渠道每 1,000 美元的订单数估计,每个渠道能吸收的金额有限,超过后估计就不再成立:
| 渠道 | 预测每 1,000 美元的订单数 | 最多能吸收 |
|---|---|---|
| 邮件 | 20 | 8,000 美元 |
| 搜索 | 14 | 25,000 美元 |
| 社交 | 9 | 40,000 美元 |
| 展示广告 | 6 | 30,000 美元 |
惯例。 去年预算在搜索、社交和展示广告之间平均分,每个 20,000 美元,邮件被忽略了。订单:20 × 14 + 20 × 9 + 20 × 6 = 280 + 180 + 120 = 580,每个订单成本 60,000 美元 ÷ 580 = 103.45 美元。
规范性方案。 目标是总订单数,约束是 60,000 美元总额和各渠道的上限。在比率恒定时,解法是先把钱花在比率高的渠道上,直到达到上限:
- 邮件,每 1,000 美元 20 个:花满 8,000 美元的上限,8 × 20 = 160 个订单。
- 搜索,14 个:花满 25,000 美元的上限,25 × 14 = 350 个订单。
- 社交,9 个:剩下的 60,000 美元 − 8,000 美元 − 25,000 美元 = 27,000 美元,27 × 9 = 243 个订单。
- 展示广告,6 个:没有剩余了。
合计:160 + 350 + 243 = 753 个订单,每个订单成本 60,000 美元 ÷ 753 = 79.68 美元,用同样的钱比平均分配多 753 ÷ 580 − 1 = 29.8% 的订单。
当预测错了。 假设搜索实际每 1,000 美元只有 8 个订单,而不是 14 个。上面的方案此时得到 160 + 25 × 8 + 243 = 160 + 200 + 243 = 603 个订单。用修正后的比率重新计算,会把 40,000 美元放进社交、只给搜索 12,000 美元,得到 160 + 360 + 96 = 616。建议变了(搜索从 25,000 美元降到 12,000 美元),而没调整的方案少了 13 个订单,即 2.1%。方法没有问题,是输入偏了。实际中,规范性方案要在输入更新时重新跑,而不是照着执行一个季度。
这个算例有三点可以推广。排序是由比率驱动的,所以精力要花在比率上:搜索估计有 10% 的误差,就是每 1,000 美元差 1.4 个订单,在接近平局时足以改变结果。上限确实起了作用:没有邮件的上限,方案会把全部 60,000 美元投给每 1,000 美元 20 个订单的邮件,并预测 1,200 个订单,而一份 8,000 人的名单根本交付不了。还有,这个答案是一次测试的开始,不是决定:用新的分配跑一个月,把实际订单与 753 对比,再更新比率。
同样的 60,000 美元带来的订单
示例数据,订单数规范性分析工具:你需要哪一类?
工具按所做的工作分成几组。要按决策的形状来选,而不是按品牌。
| 工具类型 | 适用情形 | 局限 |
|---|---|---|
| 表格求解器 | 小型分配或排班问题,几十个变量 | 难以审计和共享;处理大问题较弱 |
| 优化求解器或程序库 | 约束清楚的分配、路径、排班 | 需要有人能用代码为问题建模 |
| 仿真 | 带随机性或排队的系统(人员配置、库存) | 展示各选项的结果;选哪个仍要你来定 |
| 规则或决策引擎 | 能写成「如果……就……」的政策(优惠、审批) | 不会自己发现更好的规则 |
| 带假设输入的看板 | 快速比较少数几个选项 | 不是优化器;要由人自己找出较好的情形 |
买任何东西之前,先回答三个问题。你能把目标写成一个数字吗?你能列出约束吗?你有信得过的预测吗,因为再好的优化器也救不了糟糕的预测?只要有一个答案是否定的,就先把它解决;把规范性工具用在薄弱的输入上,只会得出自信而错误的方案。
规范性分析什么时候出问题
- 预测不可靠。 在算例里,一个错误的比率就挪动了一个 13,000 美元的决定。
- 缺了一条约束。 如果邮件是 8,000 人的名单,天天发会让他们退订,那么 8,000 美元的上限就是拦住坏方案的关键一道。
- 目标忽略了重要的东西。 最大化订单数可能偏向靠折扣的渠道;要加上毛利或质量的下限。
- 比率并不恒定。 花钱很少在每个水平上都买到同样的回报;花得越多比率越低,所以要把上限定得现实些。
- 没有人对建议负责。 没人会执行、也无法撤回的方案,只是一份报告。
| 失败方式 | 表现 | 怎样防范 |
|---|---|---|
| 预测不可靠 | 一个错误的比率就改变了分配 | 回测比率,变了就重新运行 |
| 缺少约束 | 方案把钱投给了吸收不了的渠道 | 求解之前先列出上限 |
| 目标过窄 | 订单上升但毛利下降 | 加上毛利或质量的下限 |
| 恒定比率假设 | 花得越多,回报越低 | 把上限定得现实些 |
把预测和约束写在方案旁边,让别人能提出质疑。
规范性分析的常见误区
- 从工具开始。 要从决策、它的目标和约束开始。
- 跳过诊断。 如果你不知道一个渠道的比率为什么变了,就不能相信下一次预测。
- 把一次运行当作答案。 比率、价格或上限变了就要重新跑。
- 隐藏假设。 把预测和约束写在方案旁边,让别人能提出质疑。
- 还没验证就自动化。 先用小规模测试跑方案,对比实际与预测,再扩大范围。
在 TapCub 里:提供输入所需的证据,而不是优化器
还是预算那个例子。TapCub 为预测这一步提供一部分证据,而不做求解。
- 衡量各渠道的成本和产出。 在 全端分析 › 经营分析 › 渠道 ROI 里导入按渠道、来源或活动的每日花费(CSV 或逐条)。页面给出单次点击成本(花费 ÷ 会话)、单次获客成本(花费 ÷ 订单里的购买数)和广告支出回报。它们是你估算每 1,000 美元订单数的原料,但只描述过去。
- 比较各渠道的功劳。 在 全端分析 › 行为分析 › 行为分析 里并排选择多个归因模型(首次、末次、线性、位置、时间衰减)。只起助攻作用的渠道会表现为各模型之间的差距,提醒你不要只按末次触点来定比率。
- 找出比率为什么变了。 在 全端分析 › 智能运营 › AI 助手 里问某个数字为什么变了;变化归因会把变动按渠道、来源域名、国家、设备和着陆页拆开。这是更新预测之前的诊断步骤。
- 盯住结果。 在 全端分析 › 智能运营 › 监控 里对订单或错误率这样的指标设监控;它负责通知你,不做别的事。
TapCub 不做预测,不求解优化,也不调整预算,它的助手不会替你建监控或发通知。预测、约束和求解都在你自己的模型里完成;TapCub 在事后告诉你方案有没有奏效。
FAQ
什么是规范性分析?
规范性分析建议一个具体的行动。它把对结果的预测、预算或产能这样的约束,以及像「最大化订单数」这样的目标结合起来,找出最符合目标的行动组合。INFORMS 把它描述为在描述性和预测性分析之后,建议行动方案。
预测性分析和规范性分析有什么区别?
预测性分析告诉你可能发生什么,比如订单预测。规范性分析用这些预测来建议该做什么,比如怎样分配预算。预测不在选项之间做选择;规范性分析会在你设的限制内做选择。
规范性分析工具有哪些?
它们是在约束下寻找行动的工具:表格求解器、优化求解器和程序库、仿真软件、规则或决策引擎,以及带假设输入的看板。按决策的形状来选。没有清晰的目标、约束和可信的预测,哪一种都给不出可靠的方案。
小团队值得做规范性分析吗?
很多时候一张表格加一个清楚的问题就够了。在算例里,一个简单的比率排序就比平均分配多出 29.8%。更难的是可信的预测和如实的约束,所以先从一个决策开始,比如每月的预算分配,并随数据变化重新运行。
资料来源
- INFORMS。What is Analytics?:描述性、预测性和规范性分析,后者建议行动方案。2026-11-19 核对。
- SciPy。scipy.optimize.linprog:线性规划问题,即在线性等式和不等式约束下的线性目标。2026-11-19 核对。
这篇文章对你有帮助吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。

