每年的双十一过后，都是物流行业的一场大考。以往考验的是电商企业熬夜接单打包的销量、物流公司人员配置是否充分等等。当以上两点对于客户购物体验的提升达到阈值，考验的就是品牌和平台能否对供应链进行合理的调控，在库存和线上线下协调上减轻物流压力。
这也是商业智能中的“终极问题”——销售预测。
ZARA成功的秘诀，真的不只是很会抄
究竟什么是销售预测？
简单来说，就是根据以往销售数据结合未来一段时间内各种因素的影响，对商品的销量和销售额做出估计。
在销售、市场和运营工作中，销售预测无处不在。往大了说，销售预测影响着企业的整体规划，往小了说销售预测影响着企业每一次营销活动的成本投入。
在零售行业中，销售预测的重要性更加凸显。我们知道，零售行业的收益如何，取决于供应链能否良好的运转：没有压库存的压力也没有缺货的现象、不同的产品都被储存在自己销售情况最好区域的仓库中、新商品的生产和旧商品的售卖能形成衔接。
双十一为例，整个品牌参与过程处处和销售预测相关。一家纸制品品牌需要知道自己库存中的哪些商品更适合促销活动，是刚需类的尿不湿或是消费升级类的湿厕纸；决定好选品后，还要依靠种种数据决定库存的分布和数量；最后要根据整体的活动的销量预测评估如何对库存进行补充，以免出现大促后无货可卖的情况。
被称为快时尚奇迹的ZARA，就是利用强大的销售预测能力实现跟随流行趋势快速上新货，并且保持可观的毛利率的。
对于消费者来说，我们看到的是ZARA几乎过两周就会上一次新品，让人忍不住掏出钱包，可ZARA背后的秘密，却藏在数据、算法和供应链中。
从拍脑门到机器学习，销售预测该怎么做？
在很多时候，我们预测销售的方式常常是一拍脑门编出个数字，或者凭借自己的经验做出推测。但真正的销售预测，是要经过严格的数据计算的，在新零售时代更是如此。
销售预测的方法基本分为三大类，最常见的就是“拍脑门”的主观预测方法，当然，现实情况这种方法通常由咨询公司的专家团队执行。到后期大数据分析方法所占份额增大，利用变量和时间之间的相关性，通过对以往数据的总结来分析将来的数据。到现在，机器学习正在越来越多的进入销售预测领域，神经网络、决策树、线性回归等等我们非常熟悉的算法也能应用到这一领域之中。
还拿上文的纸制品公司做例子，从技术角度看，预测销售究竟是怎么完成的。
拿到往期数据后，第一件事就是要对数据进行清洗，把因为促销活动或商品缺货带来的数据变化提取出来单独处理，从而对历史数据趋势进行一个完整的认识。然后再提取产品的特征，比如包装、质地、用途等等。
清洗完数据，提取完特征后，我们就得到了一批训练样本。这样我们就可以把2016年全年的销售数据作为训练集，而把2017年上半年的数据作为测试集。
假如我们选择用随机森林方式建模，可以把产品特征、促销手段等等都看做连续变量，不同变量分布在树状图不同的枝丫上，再利用这些变量以回归的方式去解释销量。这样我们就可以清楚的看到，某一时段的销售额是如何受售价、产品特征等等因素的影响，并拟定出相关的模型。
利用2016年的数据得出模型后，再用模型模拟2017年上半年的数据，对比真实数据加以调试，就可以去预测未来一段时间的数据了。在已知案例中，雀巢电商和京东合作过的销量预测项目，就是利用了消费者决策的随机森林模型。
以上只是最简单的案例，在实际情况中还需要大量的编码、调参、优化迭代等等。而且能完美的模拟出测试数据，也并不代表能在未来做出准确的预测，其中还是少不了专家凭借经验去做出判断。
午夜的无人车和快递柜，才是真“新零售”的模样
以上谈到的，只是销售预测一贯的样子，只不过随着数据量的增大，机器学习算法在其中也有了用武之地。可真正让销售预测发生变化的，还是新零售模式的出现。
首先，新零售意在协同线上和线下整体的渠道和数据，销售预测时要参考物流、线下店面和线上库存等等更多的因素。
其次，渠道的统一、线下智能硬件和线上活动设置（智能推荐、定向优惠、收藏、购物车）都导致收集用户数据的端口越来越多，数据的复杂程度加大，特征也变得更多了。
在未来，无人零售、无人物流等等渠道基础设施的升级，很有可能降低销售预测的试错成本并极大提升收益。
在哈佛商学院即将出版的《预测机器：人工智能中的简单经济学》中提到了这样一个概念：随着数据收集越来越完善、预测模型精度越来越高，购物这件事很可能会从先购买再配送的方式变成“先配送再购买”的方式。
比如，预测模型可以根据你平时购买纸巾的规律，判断出你最近又需要购买纸巾了。于是你在下班路上收到一条某直接品牌的定向优惠券短信，你家楼下的无人零售柜中也出现了一组纸巾。
而企业甚至不再需要参与双十一这种压力山大的零售节日，只需要根据用户群体的需求，结合自己供应链的节奏对区域、渠道甚至个人进行个性化和定向化的运营。每天凌晨，无人物流车会路经一个个无人零售柜，拿走其中被退货的货物（到那时，所谓的退货可能只是预测错误），按照销售预测放入新的货品，等待着明天被消费者购买。
这样的场面，听上去是不是有种按需分配的“共产主义”味道？
总之理想情况是，当销售预测越来越准确，购物这件事越来越会从主动变成被动。
这样的“被动”购物更符合我们对新零售的期盼——目前出现的这些线上线下协作、换个名字的自动售货机等等，难免有些换汤不换药的味道，除了打通渠道，更好的利用数据之外，新零售和旧零售之间的差异实在不大。
可销售预测的发展，却有可能让新零售真正意义上拥有新零售之实。相信到那时，新零售才会像曾经的电商一样，具有颠覆旧模式的可能。
第三十四届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训
责编：pingxiaoli
免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。
抢沙发
