作者介紹：

畢業于香港理工大學。深耕供應鏈和物流解決方案多年，目前做跨境電商。供應鏈是六便士，文學是月亮。歡迎關注微信公眾號【 來自星星的tina 】

引言

我文章中說的銷量預測不是GMV或者金額的預測，而是供應鏈和物流視角的，銷售單量預測。我們之前的供應鏈團隊能把上億件備貨支持幾十億GMV的大促銷量預測做精準，也有一些日常銷量預測的方法。很早以前寫過大促的銷量預測，今天就寫一下日常銷量預測吧。

本文三部分內容：

1. Why: 降本和提效

2. Who: 計劃供應鏈與物流供應鏈

3. How: 日常單量預測6步走

• 預測的周期

• 預測的維度

• 預測的影響因子

• 預測的方法

• 預測的計算

• 預測的復盤

• 預測的流程和框架

全文共5060字，重點是第3部分4023字。

01 WHY: 降本和提效

還是回到電商供應鏈物流最常說的兩個詞“降本”和“提效”。如果日常銷量是平穩的，可能不需要花什么時間做。可是電商的兩天一小促，每天搞幾個品類和達人直播，過幾天又是閃購巨劃算什么的，每天的銷量浮動還是挺大的。

那么，倉庫的人員怎么安排，多少正式工多少臨時工？產線要開幾條？倉配交接怎么做？配送分撥中心要留多少空間，要排多少人，末端配送要排多少輛車？

當天發現銷量暴增，臨時加人肯定是來不及的，那么訂單就做不出來，就要犧牲消費者體驗（國內當日達，次日達，三日達已經讓消費者成習慣了），一個外賣半小時沒到可能就著急忙慌感覺會餓暈了，開始催騎手了。一個快遞讓等上3天沒發貨，那是不可能的，取消訂單或者投訴咨詢。訂單取消率蹭蹭蹭上升，客服接咨詢都接不過來了。

同樣的，某些天的訂單減少，又是人員、產線和車子的浪費。一兩空車費一天就要上千，都是白花花的銀子。

在銷量預測能做得比較好的情況下，并且找到一定的規律后（比如不同直播品類和達人的爆發），就可以和外包公司提前確認好臨時加人，合理安排正式工和臨時工的比例，提前調度車子。成本下來了，時效也提升了，消費者體驗好了。

這些都是物流的降本和提效。同時，銷量預測還是直接影響貨品效率和庫存成本。預測準確了，滯銷庫存減少，爆品缺貨率降低。降低庫存成本，增加銷售。

02 WHO: 計劃供應鏈做預測    物流供應鏈做產能準備

生意計劃供應鏈協同BI做GMV的預測。物流計劃供應鏈參考GMV預測（不能完全參照，只能參考），加上物流要素的判斷，做單量的預測。物流倉儲和運輸配送供應鏈根據單量預測，做產能、人員、車子等準備。GMV的預測更多是top down的，更多的是根據財年目標去定，而單量的預測是關系到物流部門全年的策略和規劃，日產運營的排兵布陣。

03 HOW:

日常單量預測6步走

從6個方面：預測周期、預測維度、預測影響因子、預測方法、預測計算、預測復盤& 加上1部分預測流程和框架。講如何做日常當量預測，從而實現降本和提效。

1） 

預測的周期

      預測周期，指的是提前多長時間做預測。從產能安排和補貨聯動兩個角度來考慮。

A. 產能安排。引入制造業供應鏈SA (Schedule Agreement計劃協議)中的三個關于周期的概念：free zone, trade-off zone, firm zone.

在制造業，銷量預測主要需要和PMC (Product Material Control)協同。

• Free zone, 預測只是作為參考，在這個時間點可以自有調節。

• Trade-off zone, 需要作為產能安排的依據，只能在一定閥值內 (tolerance)調整，比如+/-10%。

• Firm zone, 產能等各種資源已經確定無法變動，銷量變動會引起成本增加，或者交付時間延長。

在電商供應鏈，SA的三個周期也同樣適用。

• Free zone, 用于做中長期的倉儲規劃，大概要多少倉容，多少人，多少車，排兵布陣。日常的話，一般是按季度來。大促的時候，跨境電商根據補貨周期要可能要提前3-5個月，國內電商也要2-3個月。

• Trade-off zone, 短期的倉儲、運輸運營。日常的話，一般每月，靈活一些的可以是每2周甚至到每1周。取決于人力的安排可以有多靈活。

• Firm zone, 如果銷量減少，浪費人力物力；如果銷量增加，包裹發不出去，只能延長時效犧牲消費者體驗。

以日常運營倉庫產能準備為例，因為產線是固定的，主要的資源影響是操作人員。非大促和高峰時期，做得好的倉庫有可能是可以提前一周甚至3-5天調配一定比例的工人的。那么W-2提供W-1與W0預測 (W-2= 上上周，W-1= 上周，W0= 本周)，則W-2是free zone預測可調；W-1是trade off zone預測可在一定閥值內調整；W0是firm zone預測不可變動，實際與預測的偏差會增加成本或降低時效。

B. 與補貨聯動。銷量預測是影響補貨的一個重要參數。

沒有銷量預測，就不知道接下來要賣多少，也就沒有補貨建議了。比如從歐美進口的跨境電商，如果門到門運輸時間+采購時間可能是2個月，那么差不多至少要提前3個月要做銷量預測，因為中間還有下發補貨單和采購單等時間。比如出口東南亞的跨境電商，如果門到門運輸時間+采購時間可能是1.5個月，那么也差不多提前2-3個月做預測。目前電商供應鏈中臺一般做滾動13周的銷量計劃。

2）

預測的維度

• 空間維度。整體銷量、各個物流倉銷量、

• 時間維度。年度、季度、月度、周、天、小時。

• 品類維度。商品屬性（爆品的SKU維度），物流屬性（大、中、小件、特殊品類）。

在策略和規劃的層面。需要做年度、季度的整體銷量預測。這和物流的年度規劃、P&L相關。物流成本除了固定資產的投入，主要是ABC(Activity based cost)：也就是說租倉的成本，每個包裹的包材、人工和配送成本都是發生了產生并且可以精確計算和分攤的。那么年度、季度的整體銷量預測，會決定財年的采購和銷售定價。

在運營的層面。則看每個物流倉、各物流倉下分品類、到月、到周、甚至是到天的銷量預測（大促時可能需要到小時，但是日常預測基本沒有必要到小時，到天是比較常見的）。比如說，大件和超大件可能需要單獨做預測，因為大件需要接專門的末端配送；貴品需要專門的存儲區域。到周和到天的預測，用于產能安排。

3）

預測的影響因子

日常因子。主要是歷史銷量，可以應用時序規律。如果是生鮮行業，天氣也是一個重要因素。

活動因子。例如節假日，聚劃算，閃購，直播等。最主要是直播，達人不同，品類不同，爆發系數都不一樣。像其它活動可以根據歷史達成、品類可以摸索出一定的規律。

季節因子。季節性商品、品類的迭代、新老SKU的替換，都可以歸類為季節性因子。如果做到品類和爆品SKU維度的，為運營做產能準備時，季節性因子的影響就很重要。如果是做整體的規劃預測，那就還好了。

庫存因子。最重要的考慮因素，是否有足夠的庫存，是否會缺貨。在采購和分銷層面，重點品類需要鎖貨，是否能拿到貨，拿不到的是否有其它貨源替代，這時候庫存影響預測，也影響整體規劃。如果在運營的產能鎖定層面，庫存因素影響在周、天、小時維度時才能比較準確算出對銷量的影響。

4）

預測的方法

預測的方法有2個：定量 (Quantitative)和定性 (Qualitative) ，通常是兩者結合著做。

A. 定量的預測辦法。目前最常用的辦法是時間序列方法，整體邏輯是通過歷史銷量推導未來的銷量。時序方案通常不需要線下做，線上已經有一套比較成熟的模型，通過機器學習和深度學習，進行基礎數據修正、異常值檢測（主要有新穎點檢測Novelty detection和離群點檢測Outlier detection）、缺失值補充等，產出未來X周（目前基本13周）的銷量預測。

B. 定性的預測方法。就是在定量的基礎上，做一些人工的調整，電商叫做銷量預測協同。大促主要通過盤貨，日常主要是供應鏈和各方（采購、賣家、行業、營銷）進行預測協同。比如：

• 直播的預測，在系統算法不夠精準的情況下，就要找出直播倉和直播的品類和SKU，根據爆發系數和庫存情況，手動調整；

• 某些爆品的SKU可要斷貨，那么就賣不了那么多了，銷量要往下調。

• 季節性或者新品，老SKU銷量往下調，新SKU往上調。

• 是否有搬倉、挪倉等情況。

定性的預測可以再舉很多例子。定量的預測往往是不夠準的，而定性的預測協同也不是輕飄飄的幾句話就可以說好。做預測其實也是一個長期的學習過程，特別是定性的協同，需要花時間研究：

• 不同活動在不同時間段的成交表現，價格折扣的區別；

• 直播達人、價格、時間段、品類的爆發系數有何不同；

• 不同品牌的表現力。國際大牌基本不會打折但是經常有買贈，贈品的預測怎么做，因為贈品影響了件單比，件單比越高揀選效率越低。

• 鎖貨商品的持續成交情況。

• ……….

摸索一定的規律把這些規律線上化，算法不斷調優，協同仍然是必要的只是減少了人肉作業。一個新手預測能做準可能是運氣，而一個老手能把預測經常做準，靠的是積累，基于長期觀察的敏銳判斷，還有運氣和敢。

在制造業的大宗商品的預測上，比如server（服務器），或者是基于項目或者投標的訂單，也更適用于定性方法。而快消品的預測，更適用于定量為主定性為輔。定量預測算法可以做得更準，定性預測則需要更多的線下協同。

5）

預測的計算

計算的方法有top down和bottom up，也就是由總到分，再由分到總。

1. A.   先看一下預測計算的參數都有哪些

• GMV: 整體成交目標，分行業的目標。

• 倉滲透率：直郵的比例，自有倉的比例。

• 分倉比：可能會有很多倉，有大倉有小倉，有主倉和次倉。每個倉占整體大盤的比例。

• 筆單價：對于生意端主要會看客單價，就是每個客人平均每筆的支持。對于物流端，主要看的一個主訂單的價格。

• 件單比：每個主訂單的平均件數。比如一個消費者

• 件單價：平均每件的價格。

比如，一個消費在同一個店鋪下了一個訂單，2支口紅+2支粉底液 + 1支腮紅，總共花了2000。那么筆單價=2000，件單比= 5，平均件單價= 400.

1. B.   Top down計算

• 整體單量 = 整體GMV目標 * 整體倉滲透率 / 整體平均筆單價

• 行業維度單量 = 分行業GMV目標 * 分行業倉滲透率 / 分行業平均筆單價

• 倉維度單量 = 整體GMV目標 * 整體倉滲透率 * 分倉比/ 分行業平均筆單價

• 時間維度單量 = 整體單量 * 分天占比 or 小時段占比

1. C.   Bottom up計算

• 重點店鋪爆品SKU維度件數 = SUM {SKU GMV目標 * 倉滲透率 / SKU單價}（請注意，SKU維度，只有件數的預計，而沒有單量的預計，因為多數的情況都是不同的SKU會湊單）

• 重點店鋪維度整體單量 = 爆品總件數 / 爆品件單筆 / 爆品店鋪比例

• 重點店鋪分倉維度單量 = 店鋪整體單量 * 分倉比

• 分倉單量 = 重點店鋪分倉單量 / 這些店鋪單量占比

• 整體單量 = SUM {分倉單量} = SUM {重點店鋪單量} / 重點店鋪整體占比

在大促時先top down再bottom up，需要兩者對比并來回校驗。在日常預測中，可以在不同時間段運用不同的計算方法，在預測模型中基本是由SKU維度往上聚合的，所以是bottom up為主，再看聚合的整體數據是否與大盤目標吻合。

6）

預測的復盤

衡量預測準確率(SFA, sales forecast accuracy) & 低SFA的改進。在預測周期內，衡量到各個維度的預測準確率。Free zone的預測不會衡量，看trade off zone和firm zone內的準確率。日常預測的準確率衡量一般要到周和到天。

SFA范圍。以日常運營倉庫產能準備為例，在前面預測周期說過：W-2提供W-1與W0預測，則在W0回顧W-2提供的W-1與W0的預測準確率。

SFA計算公式。（備注：ABS是絕對值的意思）

• 1周整體的SFA = 1 – ABS (整周預測單量 - 整周實際單量) / 整周實際單量

• 1周分天的SFA = 加權平均 {1 – ABS (每天預測單量 - 每天實際單量) / 每天實際單量}

• 1周分天分倉的SFA = 加權平均 {1 – ABS (各倉每天預測單量 - 各倉每天實際單量) / 各倉每天實際單量}

SFA復盤。即分析預測不準的原因及制定改進計劃。從整天到分天，分倉，分品類維度看預測準確率，看什么時間、哪些品類做的好或者不好。再從定性和定量兩方面分析不好的原因，再看如何改進。

隨機列舉一些數據做周維度的某個倉的SFA。其中分天平均中：預測和單量是平均值，而SFA則是按天的加權平均。

從這組數據可以看到，一周整體的預測是99.9%非常精確了，分天加權平均也有87.0%也很不錯。但是周中的3天5/20 ~ 5/22的準確率都沒有達到85%，相對其他4天差了很多，并且拉低了加權平均值。5/20預測值低了，而5/21和5/22卻高了。那么就是5/20有什么活動或者直播沒有預測到或者預測低了，而經過5/20的活動后的2天成交回落。需要再具體看到品類和營銷，為什么會遺漏或者低估，后續類似情況如何加入預測考量因子，并做算法調優或者人工協同調整。

7）

預測的流程和框架

參考 Poirier (2004)，改進預測很重要的一點是要認識到它是一個循環過程。

Circular forecasting process 循環預測過程。原文英文，作者翻譯。Source: Poirier, C.C. (2004). Using Models to Improve the Supply Chain. St. Lucie Press. Page 100.

銷售訂單信息 -> 維護需求歷史數據 -> 需求清理和調整 -> 在歷史數據基本線的基礎上 & 應用BI(商業職能) , 建立統計預測-> 根據促銷歷史，應用促銷預測 -> 制定/調整財務預期 & 制定/調整營銷或推廣計劃 -> 生成最終的預測 -> 財務目標是否達成？達成，則執行。

我一直在說，不管是電商還是傳統行業，供應鏈的理論自1980年代發展起來，所有的邏輯和打底都是相通的，這個流程雖然比較簡單，但是仍然可以應用到電商供應鏈的預測流程中。在實操過程中，可以把這個流程再細化。

預測模塊和數字化框架部分今天不寫了，作為下一期的彩蛋吧~