商业分析 · 第 3 篇
营收分析与预测
当老板问”这个月收入为什么涨了/跌了”“明年我们的收入能到多少”时，你需要的就是营收分析与预测能力。这是数据分析师从”执行层”迈向”决策层”的关键技能——不只是跑数据，而是能拆解收入背后的驱动因素，并对未来做出合理判断。
收入结构拆解
分析收入的第一步是把大数拆成小数。一个笼统的”本月收入 5000 万”毫无分析价值，你需要从多个维度把它拆开来看。
收入拆解的常用维度
| 拆解维度 | 示例 | 分析价值 |
|---|---|---|
| 产品/业务线 | 外卖收入、到店收入、酒旅收入 | 哪条业务线在增长？哪条在萎缩？ |
| 客户类型 | 个人用户 vs 企业客户、新客 vs 老客 | 收入增长是靠拉新还是靠复购？ |
| 地理区域 | 华东、华南、海外 | 哪些区域还有增长空间？ |
| 付费方式 | 订阅、单次购买、广告 | 收入结构是否健康？经常性收入占比多少？ |
| 时间维度 | 月度趋势、季节性、周周期 | 是否存在季节性波动？增长趋势是否稳定？ |
收入公式拆解法
对于不同业务，可以建立具体的收入公式：
电商业务：
收入 = 订单数 x 客单价 = (流量 x 转化率) x 客单价
订阅业务：
MRR = 期初 MRR + 新增 MRR + 扩展 MRR - 流失 MRR - 降级 MRR
广告业务：
广告收入 = 广告请求数 x 填充率 x eCPM / 1000
SaaS 业务：
ARR = 付费客户数 x 平均合同金额
收入变动归因示例
假设你的电商业务本月收入从 1000 万下降到 920 万，需要拆解归因：
| 因素 | 上月 | 本月 | 变化 | 对收入影响 |
|---|---|---|---|---|
| 日均访客数 | 50,000 | 48,000 | -4.0% | -40 万 |
| 下单转化率 | 4.0% | 3.8% | -5.0% | -19 万 |
| 客单价 | 200 元 | 198 元 | -1.0% | 约 -4 万 |
通过拆解发现，收入下降的主要原因是流量减少（贡献了约一半的下降），其次是转化率下降。这比简单说”收入跌了 8%”有价值得多——因为流量问题和转化率问题的解决方案完全不同。
单位经济模型（Unit Economics）
单位经济模型回答一个根本问题：每获取一个用户/完成一笔交易，公司是赚钱还是亏钱？
核心概念
LTV（Lifetime Value，用户生命周期价值）：一个用户在整个生命周期内为公司贡献的总收入（或利润）。
CAC（Customer Acquisition Cost，获客成本）：获取一个新用户需要花费的平均成本。
LTV/CAC 比率：衡量商业模式是否可持续的核心指标。
| LTV/CAC | 含义 | 行动建议 |
|---|---|---|
| < 1 | 每获取一个用户就在亏钱 | 商业模式有根本性问题，需要大幅降低 CAC 或提升 LTV |
| 1 ~ 3 | 略有盈利但空间不大 | 需要优化获客渠道、提升留存或客单价 |
| 3 ~ 5 | 健康水平 | 大多数成功的互联网公司在这个区间 |
| > 5 | 非常好，但可能获客投入不足 | 可以考虑加大营销投入，加速增长 |
LTV 的计算方法
简单估算法：
LTV = ARPU x 平均用户生命周期
比如：月 ARPU = 50 元，平均用户留存 10 个月，则 LTV = 50 x 10 = 500 元。
基于留存率的计算：
LTV = ARPU / 月流失率
比如：月 ARPU = 50 元，月流失率 = 10%，则 LTV = 50 / 0.10 = 500 元。
分群 LTV：
更精确的方法是按用户分群计算 LTV——不同渠道、不同时期、不同用户类型的 LTV 可能差异很大。比如通过搜索引擎获取的用户 LTV 可能是社交广告用户的 2 倍。
CAC 的计算方法
CAC = 总获客支出 / 新增付费用户数
注意事项：
- 获客支出应包含所有相关成本：广告费、销售人员薪酬、推广活动费用等
- 按渠道拆分 CAC，才能找到效率最高的获客渠道
- 需要区分”付费用户 CAC”和”注册用户 CAC”
Payback Period（回本周期）
回本周期 = CAC / 月均毛利
回本周期告诉你”花出去的获客成本需要多久才能收回来”。对于现金流紧张的公司，回本周期甚至比 LTV/CAC 比率更重要。
营收预测方法
数据分析师经常需要回答”下个季度/明年的收入是多少”这类问题。营收预测不是”拍脑袋”，而是基于数据和假设的系统性分析。
方法一：自上而下（Top-Down）
从市场总量出发，逐步估算公司能占多少份额。
预测收入 = 市场总规模 x 市场份额 x 增长率
适用场景：新业务规划、战略级预测、投资者沟通。
局限：依赖市场数据的准确性，不够精细。
方法二：自下而上（Bottom-Up）
从具体业务指标出发，用公式逐层推算。
电商示例：
预测月收入 = 预计月访客数 x 预计转化率 x 预计客单价
每个变量可以基于历史趋势、季节性调整、已知的业务变化（如新渠道投放、促销活动）来预估。
订阅业务示例：
下月 MRR = 本月 MRR x (1 - 月流失率) + 预计新增 MRR + 预计扩展 MRR
方法三：Cohort 预测法
基于历史用户群的表现来预测未来收入。
具体步骤：
- 计算历史各批次用户的 LTV 曲线
- 预估未来每月的新增用户数
- 用历史 LTV 曲线推算每批用户在未来各月的贡献
- 把所有批次的贡献加总
这种方法特别适合订阅型和高复购型业务，能同时反映新用户增长和老用户留存对收入的影响。
方法四：时间序列预测
如果有足够长的历史数据，可以用统计方法捕捉趋势和季节性：
- 移动平均法：用过去 N 期的平均值预测下一期
- 指数平滑法：近期数据权重更高
- ARIMA 模型：适合有明显趋势和季节性的时间序列
- Prophet（Facebook 开源工具）：自动处理趋势、季节性和节假日效应
预测的注意事项
- 明确假设：每一个预测数字背后都有假设，务必把假设写清楚
- 提供范围：不要只给一个点估计，提供”乐观/基准/悲观”三个情景
- 定期回顾：每月对比预测值和实际值，分析偏差原因，持续优化预测模型
- 区分可控与不可控因素：内部策略变化（如加大投放）是可控的，市场环境变化是不可控的
收入健康度诊断
除了绝对的收入数字，分析师还需要关注收入的”质量”。以下是几个关键的健康度指标：
| 指标 | 健康标准 | 警示信号 |
|---|---|---|
| 收入集中度 | 前 10 大客户收入占比 < 30% | 过度依赖少数大客户，风险高 |
| 经常性收入占比 | > 60%（SaaS）或稳步提升 | 一次性收入占比过高，收入不稳定 |
| 净收入留存率（NRR） | > 100% | < 100% 意味着老客户在萎缩 |
| 毛利率趋势 | 稳定或提升 | 持续下降意味着成本结构恶化 |
| 新客 vs 老客收入比 | 老客贡献 > 60% | 过度依赖拉新，留存有问题 |
关键指标解读：净收入留存率（Net Revenue Retention, NRR）> 100% 意味着即使你一个新客户都不拉，仅靠老客户的扩展消费，收入也在增长。这是 SaaS 公司最被投资人看重的指标之一。
实战案例：拆解一家 SaaS 公司的收入
假设你是一家 B2B SaaS 公司的数据分析师，公司本季度 ARR 为 1200 万元，目标是预测下一季度的 ARR。
第一步：拆解当前收入来源
| 来源 | 金额 | 占比 |
|---|---|---|
| 企业版订阅 | 800 万 | 66.7% |
| 团队版订阅 | 300 万 | 25.0% |
| 附加功能包 | 100 万 | 8.3% |
第二步：分析收入变动因子
| 因子 | 历史季度均值 | 下季度预估 |
|---|---|---|
| 新增 ARR | +120 万/季度 | +130 万（渠道扩展） |
| 扩展 ARR | +60 万/季度 | +65 万（新功能上线） |
| 流失 ARR | -80 万/季度 | -75 万（客户成功团队优化） |
| 降级 ARR | -20 万/季度 | -20 万 |
第三步：计算预测
下季度 ARR = 1200 + 130 + 65 - 75 - 20 = 1300 万元
第四步：情景分析
| 情景 | 假设 | 预测 ARR |
|---|---|---|
| 乐观 | 新功能转化超预期、流失率进一步降低 | 1350 万 |
| 基准 | 按历史趋势 | 1300 万 |
| 悲观 | 经济下行导致续约率下降 | 1230 万 |
本篇小结
- 收入分析的第一步是拆解——把大数拆成小数，按产品/客户/区域/时间等维度分析
- 建立收入公式（如 收入 = 流量 x 转化率 x 客单价），才能做到变动归因
- 单位经济模型（LTV/CAC）回答”每个用户值不值得获取”这一根本问题
- 营收预测有四种主要方法：自上而下、自下而上、Cohort 预测、时间序列预测
- 好的预测不是给一个精确数字，而是明确假设 + 提供范围 + 定期校准
- 关注收入的”质量”（集中度、经常性收入占比、NRR），而不仅仅是”数量”
下一篇我们将学习竞品数据分析，掌握如何在数据层面评估竞争对手和市场格局。