前言
现在是大数据时代，或者说是AI时代，反正这个“时代”前面的技术名词变化还挺快的，稍微不注意可能就“被落伍”了。但是人们的观念都是在一波一波的潮流冲刷中，逐渐发生了改变。在我的观察中，越来越多的企业开始注重“数据”，有些企业甚至已经开始了“数据资产化”进程，把数据当成企业的资产那样保护、增值。
在纷繁凌乱满天飞的术语中，我看到了一个词语在那里静静地等待，这个词是【模型】。无论XX时代的前缀怎么变化，背后都缺少不了“模型”这个东西。模型是数字世界里一切的核心，也是企业复杂业务运作背后默默遵循的基本原则，它看起来就是一组数学公式。
但是建模真的很难吗？
这里“建模”要分为两个层面谈，一个层面是“概念模型”层面，另一个是具体模型层面，或者说是模型的实现层面。前者是属于业务模型，一般由业务分析人员实现，后者是技术模型，由数据分析师根据业务分析模型，再进行数据探索，选择合适的数学分析算法，再落实到代码层面。
本文我们讨论如何为企业建立一个合适的“概念模型”。
背景
我们以一个企业为例，讨论如何给这个企业建立一个数学模型，然后根据数学模型，再去看看这个企业如何改进。
本文的目标企业是一个纯软件公司，有自己的软件产品开发和销售，也有软件定制开发项目业务。所有的部门按照业务条块分割，形成若干个事业部，独立核算。这是一个典型的软件公司，我们将尝试为这个企业业务运作建立一组公式。
建模
公式分解和细化
绝大多数企业存在的目的就是获取利润。所以企业建模的核心就是这个公式：
1
利润 = 收入 - 支出
根据我们目标企业的情况，这个公式可以进一步复杂化：
1
2
利润 = 归公司的利润 + 事业部A利润 + ... 事业部n利润
利润 = (归公司的收入 - 归公司的支出) + (事业部A收入 - 事业部A支出) + ... （事业部n收入 - 事业部n支出）
收入和支出也可以继续细化分解，按照产品和项目划分：
1
2
产品型事业部的利润 = （产品售价 - 产品开发费用分摊 - 产品销售成本） * 产品销售套数
项目型事业部的利润 = （项目合同平均金额 - 项目平均营销成本 - 项目平均开发费用 * 项目平均周期）* 年度项目数量
其中公式的每一个部分都可以单独展开分解，这里以年度项目数量为例：
1
年度项目数量 = 接触客户数量 * 成单概率 = 商机数量 * 商机有效率 * 接触客户成功率 * 成单概率
实际上，项目的情况和月度、季度也有关，我们把时间因素加入到公式：
1
年度项目数量 = 月累计(本月商机数量 * 本月商机有效率 * 本月接触客户成功率 * 本月成单概率)
因为项目的落地需要客户经理做工作，所以不同的客户经理也有很大的区别，我们把客户经理按照业绩分为不同的等级，然后加入到公式：
1
年度项目数量 = 月累计(客户经理等级累计(商机数量 * 本月商机有效率 * 本月接触客户成功率 * 本月成单概率))
模型细化思路
总体的建模分解思路，就是把企业的各种指标，从一个顶层的公式，逐层分解成细微的公式。公式分解细化按照两个维度展开：
时间维度
将上级公式分解成按照时间累加的形式，例如年分解成12个月份，月份分解为上中下三旬，月份分解为4周等等。
领域维度
按照要素相关的领域进行细分，例如公司拆分成组织，组织拆分到个人，组织拆分到技术等级、业绩分级等。
使用
建立好一个企业适用的数学模型之后，根据这一组公式里包含了哪些要素，企业就可以有的放矢，把这些要素相关的数据进行收集、整理、存储、分析了。比如合同信息、客户走访信息、商机信息等，都可以逐渐开始收集。对于以前没有关注到的数据，也可以通过制度，逐渐落实下去。
当数据都已经收集起来之后，通过模型，我们也可以确定不同角色的考核指标。例如销售人员就可以考核成单率、商机有效率、每项目利润率等。协助公司的治理。
当然，正事是对这些数据进行探索，比如每个月的成单率变化规律，将这个规律总结出算法，再变成代码，实现出一个预测成单率的软件功能。
Previous
面向对象和仿生学
Next
关于通用框架的一些想法