销售预测：从理想到现实的自白之路

很难说什么是办不到的事情，因为昨天的梦想，可以是今天的希望，并且还可以成为明天的现实！

——来自BOSS君不知道哪里看的鸡汤

文艺BOSS君上线，带来满满正能量和鸡汤，啥时候能带来满满的发量！(小声嘀咕)

自从BOSS君开启商品专题以后，越来越多的朋友向BOSS君反馈，很多内容都讲出了他们的心声，特别是那篇《我太难了》的文章，让他们有种只缘身在此山中的感悟。

货控内心：“这不是就是我的日常嘛。”

说到底，关于商品精准流转这件事，大家都能想到的是，希望能准确地预测出未来一个时间周期内店铺某款能销售多少，从而做好店货匹配。

销售预测怎么做呢？

最开始的销售预测，是基于终端业务门店的销售需求，每周每家门店的销售缺失，销售人员会记录下来，下次补货的时候多补一点，这个结果可能是越多越好。

当时间积累与经验沉淀之后，人们的业务经验更加深厚，对于下一个销售周期的销售量进行预估，这是第二阶段的销售预测。

当经验与数据结合的时候，来到更加完善的大数据销售预测时期，这个时候人们对于预测的结果已经不仅仅满足于大概要多少，可能是多少，而想要一个精准的数值。

目前大部分企业进行销售预测的时候，都会结合PLC曲线（产品生命周期）以及一些实际运营维度参数。

这样做的预测，往往比较符合企业的运营特性，但是这样一个曲线趋势下，预测的精准度往往会有偏差，特别是落实到单店单款时，不仅考虑的因素更多，且还没有统一标准的业务参数指标去限定它。此时此刻，BOSS君心里猜想货控们一定还是那句话：“我太难了！”

难懂的算法模型！

同样，说到预测会有各种各样的算法模型，目前最常见的是两种算法：时间序列分析法和回归分析法。

1.时间序列分析法：利用变量与时间存在的相关关系，通过对以前数据的分析来预测将来的数据。在分析销售收入时，大家都懂得将销售收入按照年或月的次序排列下来，以观察其变化趋势。时间序列分析是销售预测中具有代表性的方法。

例如品牌做销售预测的时候，一般以门店为单位，通常分为几步：

通过过去一段时间销售数据预测单门店的销售额

预测各品类占比

同样的方式，从品类预测到款

各个款的销售结构计算

综上各步，预测每款的销售额

但是这种方法在进行销售预测时，遇到断码或者非连续周期销售的情况，计算过程会非常麻烦。

2.回归分析法：各种事物彼此之间都存在直接或间接的因果关系，同样的，销售量亦会随着某种变量的变化而变化。当销售与时间之外的其他事物存在相关性时，就可运用回归和相关分析法进行销售预测。

品牌在用回归分析法时，通常会加入门店层级和商品的销售性质等多个因素，看这些因子对于销售量变化的影响：

做相关分析，确定因子是否对销量有影响

确定各个因子权重系数，以及拟合优度

预测销售额

正是因为零售行业多维度因素的情况下，这两种算法在进行预测时，也会出现很多的数据问题，特别是那些商品档案数据质量比较差的企业，还要花费大量的时间进行清洗，得到的结果往往不尽如人意。同时当地理位置、气温带、商圈、门店层级、购物客群习惯等的多方面因素综合的时候，对算法模型的要求也更加高。

预测结果怎么用？

当算法进行完数据推演后，我们认为这个结果并不是最终的销售预测结果，把它称作理想库存。这个库存是在商品流转过程中，最优的存在方式，也是我们不断追逐的目标。梦想总是言不可及的，但是拦不住我们这群追梦人。

计算得到理想库存之后，我们可以综合诸多因素，比如门店的在库库存，单款的尺码配比，齐码率等因素，再进行全局库存分配。这样“算法+业务参数”的多维度测算，可以得到最终的目标库存，目标库存也是最贴近各个企业的需求的预测结果。

销售预测的道路漫长且艰难，但是从最初的越多越好，到现在的目标库存，我们实现了从无到有，从粗到精这样的过程。鸡汤说得好，翻过那座山，你就会看到不一样的风景，而在零售行业，商品世界中，有着无数的高山，每当我们翻过一座山，相信带来的必定是无限的提升。

那么问题来了，目标库存到底是什么，我们下期再聊~

各位宝贝，天冷了，多加衣！

阅读推荐