零售数据分析之销售预测一：我们图的到底是什么？

各位数据的朋友，大家好，我是老周道数据，和你一起，用常人思维+数据分析，通过数据讲故事。

有一段时间没来更新了，确实是因为这段时间的工作太忙了，所以很抱歉，让大家久等了。
上一讲和大家一起，从RFM三个指标，将会员进行了8种分类，并分析了不同分类的消费结构与消费习惯，通过大数据发现，原来，大爷大妈根本占不到超市的便宜！
今天这一讲呢，开始讲很多朋友都非常期待的零售数据分析中的销售预测。因为销售预测的算法比较多样，有一定复杂性，所以，我们会分成两讲，首先我们会从一个医药零售行业的数据来和大家展示，销售预测的简单算法有哪些、怎么实现、到底有什么作用？然后再通过第二讲，将较复杂的算法基本逻辑和大家讲清楚，并将预测的算法用到销售目标分解中。

在讲之前呢，我想问大家一个问题，大家为什么会对销售预测充满期待呢？绝大多数的朋友会说，如果能准确的进行销售预测，就可以精准的进行补货，这不就太香了吗？也正是因为大家有这样的预期，所以，大家首先追求的就是一个字，“准”！经常遇到客户问我，你们的预测准确率能达到多少？此时，我就会说：最成熟的预测算法就是股票行情的预测算法，那么，全世界又有几个量化基金公司是靠算法赚到高于平均回报的呢？少之又少。这么多聪明的人，有钱的人都在研究这个，为什么仍然是不准确的呢？因为，所有的预测算法都是基于过去的数据在计算未来，谁又能预测新冠病毒会在2020年开始肆虐全球？谁又能预测今天的俄乌冲突？所以，德鲁克说过，没有人有能力预测未来，预测未来最好的办法就是创造它！
扯了这么多，其实，不是说销售预测没有意义，相反，它非常重要，只是我想强调的是，销售预测追求的不是准确，它追求的是有一个标准，因为有了这个标准，我们就可以更好的审视我们实际的工作是不是有偏差。比如我们通过销售预测的值来对比实际销售的情况，如果差异较大，我们就需要搞清楚是为什么，我们不能简单的来一句，预测不准就完事了，一定要想办法分析到原因，如果是比预测低，到底是因为什么，是人为的，还是客观的，以后可不可以避免？如果比预测高，那又是什么原因，可不可以持续？
又或者，我们通过销售预测再加上库存，来进行补货的计算，我们也需要一个一个商品的去审视，为什么这个商品的补货量这么大？是因为销量突然上去了？还是因为补货出现问题，之前没补上？如果是销量突然变大，那又是什么原因？历史同期如何？情况可以持续吗？

好了，接下来，我们将进入系统，来看我们如何实现两个简单的预测算法。
销售预测算法1：前90天日均销量*80%+前30天日均销量*20%，用前90天及前30天的历史销量作为参考，并赋予不同的权重，其中，前90天的权重为80%，前30天的权重为20%；

销售预测算法2：前90天日均销量*50%+上年后30天日均销量*50%，用前90天及上年后30天的历史销量作为参考，并赋予不同的权重，其中，前90天的权重为50%，上年后30天的权重为50%；这个算法与算法1不同的地方在于，我们认为，接下来的销量，可能与去年同期具备相似性，所以，我们就将去年同期的权重设置为50%。

搞清楚算法之后，我们进入系统，来实现这个预测的报表。为了方便大家同步体验，我们是在一个已经有其他内容的报表上去制作这个预测报表。同时，在同步上线的专栏文稿中，会告诉大家链接地址，方便大家通过在线演示平台进行操作。
我们先来构建一个这样的表格，就是按门店来进行销售预测，它包含了【销售数量】【近90日销售数量】【近30日销售数量】【日均销量预测1】【上年后30日销售数量】【日均销量预测2】【未来30天销量预测1】【未来30天销量预测2】等指标内容。

好，我们来看如何操作实现：这张报表的内容并不是我们想要的，于是，我们可以重新做一张自己想要的报表。鼠标移到表格的表头，就会出现一个工具栏，然后我们点击【数据集】这个图标，这时左侧会出现一个数据集构建器，我们可以通过它来任意构建自己想要的数据。后续我会有一个系列课程，专门来讲针对零售数据分析需求，该如何使用这个系统来实现。

（接下来的操作，无法一一截图展示，请大家结合视频一起学习）
我们先在汇总区域的【销售金额】字段旁边的【…】点击一下，然后选择【清空字段】，即可以将汇总区域的字段全部清除。

我们再在汇总区域添加一个【销售数量】的字段，这是一个可度量的字段，我们称之为度量值。我们看到在行维度区域已经有一个门店名称字段，这是一个分析的角度，我们称之为维度字段。这时就可以看到所有门店的销量情况。

我们将时间筛选条件设置为2016-06-01到2016-06-30。这时，表格里的内容就会随之更新。

然后我们再在汇总区域中【销售数量】旁边的【…】点击一下，选择【近期】-【日】-【-30】，点击确定，此时就会增加一个【近30日销售数量】的字段，这是在度量值的基础上进行再计算的，我们称之为计算成员。



这时，我们会发现，【销售数量】与【近30日销售数量】两个字段的值是相同的。是的，因为我们刚好选择的是30天的范围，此时，【销售数量】是2016-06-01到2016-06-30这个范围的汇总数，而【近30日销售数量】也刚好是2016-06-30这一天往前推30天的汇总数，所以，刚好是相同的。这其实也是一种核对数据的方法。
为了帮助大家理解，这里还需要强调一个概念，就是当前BI时间，当前BI时间是一个动态的时间，它会跟随时间筛选条件变化而变化，在当前的示例中，当前BI时间就是日历范围筛选条件中结束时间，即2016-06-30。
我们用同样的方法添加【近90日销售数量】。
我们也可以验证一下，2016-06-30往前推90天，应该是2016-04-02到2016-06-30，这时可以看到【销售数量】和【近90日销售数量】的值都是15236454.20。

好了，接下来，我们要开始计算日均销售预测了。这里可以点击【fx】图标，即可增加自定义计算成员，我们勾选一下【汇总区域】，此时，我们就可以看到我们之前已经添加到汇总区域的度量值和计算成员了。我们先点击【近90日销售数量】，此时系统会自动填入到公式区域，然后我们手工敲入{/90*0.8+}，再点击【近30日销售数量】，手工敲入{/30*0.2}，点击确定。此时就可以看到预测的日均销量了。



我们再用同样的方法，计算第二种预测方法。第二种预测方法有两个地方不一样：一是需要用到去年同期后30天的数据。也就是说，我们要得到2015-06-30到2015-07-29的数据。那怎么得到呢？我们可以曲线救国。就是先通过近期，得到后30天的销量汇总，再通过同期得到去年后30天的销量汇总。
我们先操作一下：这个近期，如果偏移值是负数，就是往前推，如果偏移值是正数，则就是往后推。所以选择【近期】-【日】-【30】，点击确定。

这里要将字段名称修改为【后30日销售数量】。接下来，我们再在【后30日销售数量】旁边的【…】点击一下，选择【同期】-【年】-【-1】，点击确定，即可以得到【上年后30日销售数量】。



接下来我们验证一下。这里得到的【上年后30日销售数量】等于5617066.78，然后我们将时间条件改为2015-06-30到2015-07-29，可以看到同样的结果。

好了，接下来，我们要开始计算第二种日均销售预测了。这里可以点击【fx】图标，即可增加自定义计算成员，我们勾选一下【汇总区域】，先点击【近90日销售数量】，然后我们手工敲入{/90*0.5+}，再点击【上年后30日销售数量】，手工敲入{/30*0.5}，点击确定。此时就可以看到日均销量预测2的值了。
我们大概对比一下这两种预测方法的值，在6月份，其实差异很小，但如果改为7月份，就会发现差异就比较大，第二种预测的方法值会相对大一些。

6月


7月
那究竟哪一种预测方法与实际更相近呢？
我们先来增加一个未来30天销量预测的字段，等于日均销量预测1或2*30。

对比可以看到，相对来说，第二种预测方法要更贴近实际销量。因为它既考虑了当年的实际情况，又将历史同期的因素考虑在内，所以，更精准。

好，接下来，我们再将库存考虑进来，进行一个补货建议的计算。
此时，我们先将维度转换为商品名称，然后再将库存数量添加进来，然后再用30天预测销量减去库存数量，就可以计算出来假设我们要保证30天销量需求的情况下，每个商品还需要采购多少数量。

这些数据如果需要，可以通过这里将之导出到EXCEL中。

讲到这里，已经基本上完成了从预测到补货的一个完整流程，通过这个完整的流程，我们也就可以得到销售预测的两个作用了：1、给实际定一个目标，定一个参考，当实际与预测差异较大时，我们可以去寻找并分析原因；2、作为标准，结合库存，作为补货的参考。

在刚才的实践中，我们会发现预测的偏差率还是比较大的，那为什么呢？因为我们还有许多因素没有考虑进去，比如：
周一到周日的波动特性，对于零售门店来说，通常会呈现比较明显的特征，比如周一到周四，销量会比较低，而周五到周日会比较高。
第二呢，是节假日的波动特性，节假日更加明显，比如5月6月刚好有劳动端午两个节日，所以，7月的前90天包含了这两个月的数据，就会导致预测值变大。
另外，还有促销日的波动特性，季节性的波动特性，天气的波动特性，道理都和上面的一样，所以，我们应该将这些变动因素考虑进去，才可以得到更精确的预测结果。至于如何在算法上考虑这些变动因素，就会变得比较复杂，下一讲我们会再讲一下基本的逻辑。

好，回顾一下，我们今天实现了两个简单的预测算法，并付诸于补货决策中。虽然今天这一讲的内容涉及到一些系统的操作，需要消化一下，但相信大家已经基本掌握了简单预测的实现思路。原来预测也可以这么简单！

老周道数据，和你一起，用常人思维+数据分析，通过数据讲故事，我们下一讲再见！