作者介绍：

毕业于香港理工大学。深耕供应链和物流解决方案多年，目前做跨境电商。供应链是六便士，文学是月亮。欢迎关注微信公众号【 来自星星的tina 】

引言

我文章中说的销量预测不是GMV或者金额的预测，而是供应链和物流视角的，销售单量预测。我们之前的供应链团队能把上亿件备货支持几十亿GMV的大促销量预测做精准，也有一些日常销量预测的方法。很早以前写过大促的销量预测，今天就写一下日常销量预测吧。

本文三部分内容：

1. Why: 降本和提效

2. Who: 计划供应链与物流供应链

3. How: 日常单量预测6步走

• 预测的周期

• 预测的维度

• 预测的影响因子

• 预测的方法

• 预测的计算

• 预测的复盘

• 预测的流程和框架

全文共5060字，重点是第3部分4023字。

01 WHY: 降本和提效

还是回到电商供应链物流最常说的两个词“降本”和“提效”。如果日常销量是平稳的，可能不需要花什么时间做。可是电商的两天一小促，每天搞几个品类和达人直播，过几天又是闪购巨划算什么的，每天的销量浮动还是挺大的。

那么，仓库的人员怎么安排，多少正式工多少临时工？产线要开几条？仓配交接怎么做？配送分拨中心要留多少空间，要排多少人，末端配送要排多少辆车？

当天发现销量暴增，临时加人肯定是来不及的，那么订单就做不出来，就要牺牲消费者体验（国内当日达，次日达，三日达已经让消费者成习惯了），一个外卖半小时没到可能就着急忙慌感觉会饿晕了，开始催骑手了。一个快递让等上3天没发货，那是不可能的，取消订单或者投诉咨询。订单取消率蹭蹭蹭上升，客服接咨询都接不过来了。

同样的，某些天的订单减少，又是人员、产线和车子的浪费。一两空车费一天就要上千，都是白花花的银子。

在销量预测能做得比较好的情况下，并且找到一定的规律后（比如不同直播品类和达人的爆发），就可以和外包公司提前确认好临时加人，合理安排正式工和临时工的比例，提前调度车子。成本下来了，时效也提升了，消费者体验好了。

这些都是物流的降本和提效。同时，销量预测还是直接影响货品效率和库存成本。预测准确了，滞销库存减少，爆品缺货率降低。降低库存成本，增加销售。

02 WHO: 计划供应链做预测    物流供应链做产能准备

生意计划供应链协同BI做GMV的预测。物流计划供应链参考GMV预测（不能完全参照，只能参考），加上物流要素的判断，做单量的预测。物流仓储和运输配送供应链根据单量预测，做产能、人员、车子等准备。GMV的预测更多是top down的，更多的是根据财年目标去定，而单量的预测是关系到物流部门全年的策略和规划，日产运营的排兵布阵。

03 HOW:

日常单量预测6步走

从6个方面：预测周期、预测维度、预测影响因子、预测方法、预测计算、预测复盘& 加上1部分预测流程和框架。讲如何做日常当量预测，从而实现降本和提效。

1） 

预测的周期

      预测周期，指的是提前多长时间做预测。从产能安排和补货联动两个角度来考虑。

A. 产能安排。引入制造业供应链SA (Schedule Agreement计划协议)中的三个关于周期的概念：free zone, trade-off zone, firm zone.

在制造业，销量预测主要需要和PMC (Product Material Control)协同。

• Free zone, 预测只是作为参考，在这个时间点可以自有调节。

• Trade-off zone, 需要作为产能安排的依据，只能在一定阀值内 (tolerance)调整，比如+/-10%。

• Firm zone, 产能等各种资源已经确定无法变动，销量变动会引起成本增加，或者交付时间延长。

在电商供应链，SA的三个周期也同样适用。

• Free zone, 用于做中长期的仓储规划，大概要多少仓容，多少人，多少车，排兵布阵。日常的话，一般是按季度来。大促的时候，跨境电商根据补货周期要可能要提前3-5个月，国内电商也要2-3个月。

• Trade-off zone, 短期的仓储、运输运营。日常的话，一般每月，灵活一些的可以是每2周甚至到每1周。取决于人力的安排可以有多灵活。

• Firm zone, 如果销量减少，浪费人力物力；如果销量增加，包裹发不出去，只能延长时效牺牲消费者体验。

以日常运营仓库产能准备为例，因为产线是固定的，主要的资源影响是操作人员。非大促和高峰时期，做得好的仓库有可能是可以提前一周甚至3-5天调配一定比例的工人的。那么W-2提供W-1与W0预测 (W-2= 上上周，W-1= 上周，W0= 本周)，则W-2是free zone预测可调；W-1是trade off zone预测可在一定阀值内调整；W0是firm zone预测不可变动，实际与预测的偏差会增加成本或降低时效。

B. 与补货联动。销量预测是影响补货的一个重要参数。

没有销量预测，就不知道接下来要卖多少，也就没有补货建议了。比如从欧美进口的跨境电商，如果门到门运输时间+采购时间可能是2个月，那么差不多至少要提前3个月要做销量预测，因为中间还有下发补货单和采购单等时间。比如出口东南亚的跨境电商，如果门到门运输时间+采购时间可能是1.5个月，那么也差不多提前2-3个月做预测。目前电商供应链中台一般做滚动13周的销量计划。

2）

预测的维度

• 空间维度。整体销量、各个物流仓销量、

• 时间维度。年度、季度、月度、周、天、小时。

• 品类维度。商品属性（爆品的SKU维度），物流属性（大、中、小件、特殊品类）。

在策略和规划的层面。需要做年度、季度的整体销量预测。这和物流的年度规划、P&L相关。物流成本除了固定资产的投入，主要是ABC(Activity based cost)：也就是说租仓的成本，每个包裹的包材、人工和配送成本都是发生了产生并且可以精确计算和分摊的。那么年度、季度的整体销量预测，会决定财年的采购和销售定价。

在运营的层面。则看每个物流仓、各物流仓下分品类、到月、到周、甚至是到天的销量预测（大促时可能需要到小时，但是日常预测基本没有必要到小时，到天是比较常见的）。比如说，大件和超大件可能需要单独做预测，因为大件需要接专门的末端配送；贵品需要专门的存储区域。到周和到天的预测，用于产能安排。

3）

预测的影响因子

日常因子。主要是历史销量，可以应用时序规律。如果是生鲜行业，天气也是一个重要因素。

活动因子。例如节假日，聚划算，闪购，直播等。最主要是直播，达人不同，品类不同，爆发系数都不一样。像其它活动可以根据历史达成、品类可以摸索出一定的规律。

季节因子。季节性商品、品类的迭代、新老SKU的替换，都可以归类为季节性因子。如果做到品类和爆品SKU维度的，为运营做产能准备时，季节性因子的影响就很重要。如果是做整体的规划预测，那就还好了。

库存因子。最重要的考虑因素，是否有足够的库存，是否会缺货。在采购和分销层面，重点品类需要锁货，是否能拿到货，拿不到的是否有其它货源替代，这时候库存影响预测，也影响整体规划。如果在运营的产能锁定层面，库存因素影响在周、天、小时维度时才能比较准确算出对销量的影响。

4）

预测的方法

预测的方法有2个：定量 (Quantitative)和定性 (Qualitative) ，通常是两者结合着做。

A. 定量的预测办法。目前最常用的办法是时间序列方法，整体逻辑是通过历史销量推导未来的销量。时序方案通常不需要线下做，线上已经有一套比较成熟的模型，通过机器学习和深度学习，进行基础数据修正、异常值检测（主要有新颖点检测Novelty detection和离群点检测Outlier detection）、缺失值补充等，产出未来X周（目前基本13周）的销量预测。

B. 定性的预测方法。就是在定量的基础上，做一些人工的调整，电商叫做销量预测协同。大促主要通过盘货，日常主要是供应链和各方（采购、卖家、行业、营销）进行预测协同。比如：

• 直播的预测，在系统算法不够精准的情况下，就要找出直播仓和直播的品类和SKU，根据爆发系数和库存情况，手动调整；

• 某些爆品的SKU可要断货，那么就卖不了那么多了，销量要往下调。

• 季节性或者新品，老SKU销量往下调，新SKU往上调。

• 是否有搬仓、挪仓等情况。

定性的预测可以再举很多例子。定量的预测往往是不够准的，而定性的预测协同也不是轻飘飘的几句话就可以说好。做预测其实也是一个长期的学习过程，特别是定性的协同，需要花时间研究：

• 不同活动在不同时间段的成交表现，价格折扣的区别；

• 直播达人、价格、时间段、品类的爆发系数有何不同；

• 不同品牌的表现力。国际大牌基本不会打折但是经常有买赠，赠品的预测怎么做，因为赠品影响了件单比，件单比越高拣选效率越低。

• 锁货商品的持续成交情况。

• ……….

摸索一定的规律把这些规律线上化，算法不断调优，协同仍然是必要的只是减少了人肉作业。一个新手预测能做准可能是运气，而一个老手能把预测经常做准，靠的是积累，基于长期观察的敏锐判断，还有运气和敢。

在制造业的大宗商品的预测上，比如server（服务器），或者是基于项目或者投标的订单，也更适用于定性方法。而快消品的预测，更适用于定量为主定性为辅。定量预测算法可以做得更准，定性预测则需要更多的线下协同。

5）

预测的计算

计算的方法有top down和bottom up，也就是由总到分，再由分到总。

1. A.   先看一下预测计算的参数都有哪些

• GMV: 整体成交目标，分行业的目标。

• 仓渗透率：直邮的比例，自有仓的比例。

• 分仓比：可能会有很多仓，有大仓有小仓，有主仓和次仓。每个仓占整体大盘的比例。

• 笔单价：对于生意端主要会看客单价，就是每个客人平均每笔的支持。对于物流端，主要看的一个主订单的价格。

• 件单比：每个主订单的平均件数。比如一个消费者

• 件单价：平均每件的价格。

比如，一个消费在同一个店铺下了一个订单，2支口红+2支粉底液 + 1支腮红，总共花了2000。那么笔单价=2000，件单比= 5，平均件单价= 400.

1. B.   Top down计算

• 整体单量 = 整体GMV目标 * 整体仓渗透率 / 整体平均笔单价

• 行业维度单量 = 分行业GMV目标 * 分行业仓渗透率 / 分行业平均笔单价

• 仓维度单量 = 整体GMV目标 * 整体仓渗透率 * 分仓比/ 分行业平均笔单价

• 时间维度单量 = 整体单量 * 分天占比 or 小时段占比

1. C.   Bottom up计算

• 重点店铺爆品SKU维度件数 = SUM {SKU GMV目标 * 仓渗透率 / SKU单价}（请注意，SKU维度，只有件数的预计，而没有单量的预计，因为多数的情况都是不同的SKU会凑单）

• 重点店铺维度整体单量 = 爆品总件数 / 爆品件单笔 / 爆品店铺比例

• 重点店铺分仓维度单量 = 店铺整体单量 * 分仓比

• 分仓单量 = 重点店铺分仓单量 / 这些店铺单量占比

• 整体单量 = SUM {分仓单量} = SUM {重点店铺单量} / 重点店铺整体占比

在大促时先top down再bottom up，需要两者对比并来回校验。在日常预测中，可以在不同时间段运用不同的计算方法，在预测模型中基本是由SKU维度往上聚合的，所以是bottom up为主，再看聚合的整体数据是否与大盘目标吻合。

6）

预测的复盘

衡量预测准确率(SFA, sales forecast accuracy) & 低SFA的改进。在预测周期内，衡量到各个维度的预测准确率。Free zone的预测不会衡量，看trade off zone和firm zone内的准确率。日常预测的准确率衡量一般要到周和到天。

SFA范围。以日常运营仓库产能准备为例，在前面预测周期说过：W-2提供W-1与W0预测，则在W0回顾W-2提供的W-1与W0的预测准确率。

SFA计算公式。（备注：ABS是绝对值的意思）

• 1周整体的SFA = 1 – ABS (整周预测单量 - 整周实际单量) / 整周实际单量

• 1周分天的SFA = 加权平均 {1 – ABS (每天预测单量 - 每天实际单量) / 每天实际单量}

• 1周分天分仓的SFA = 加权平均 {1 – ABS (各仓每天预测单量 - 各仓每天实际单量) / 各仓每天实际单量}

SFA复盘。即分析预测不准的原因及制定改进计划。从整天到分天，分仓，分品类维度看预测准确率，看什么时间、哪些品类做的好或者不好。再从定性和定量两方面分析不好的原因，再看如何改进。

随机列举一些数据做周维度的某个仓的SFA。其中分天平均中：预测和单量是平均值，而SFA则是按天的加权平均。

从这组数据可以看到，一周整体的预测是99.9%非常精确了，分天加权平均也有87.0%也很不错。但是周中的3天5/20 ~ 5/22的准确率都没有达到85%，相对其他4天差了很多，并且拉低了加权平均值。5/20预测值低了，而5/21和5/22却高了。那么就是5/20有什么活动或者直播没有预测到或者预测低了，而经过5/20的活动后的2天成交回落。需要再具体看到品类和营销，为什么会遗漏或者低估，后续类似情况如何加入预测考量因子，并做算法调优或者人工协同调整。

7）

预测的流程和框架

参考 Poirier (2004)，改进预测很重要的一点是要认识到它是一个循环过程。

Circular forecasting process 循环预测过程。原文英文，作者翻译。Source: Poirier, C.C. (2004). Using Models to Improve the Supply Chain. St. Lucie Press. Page 100.

销售订单信息 -> 维护需求历史数据 -> 需求清理和调整 -> 在历史数据基本线的基础上 & 应用BI(商业职能) , 建立统计预测-> 根据促销历史，应用促销预测 -> 制定/调整财务预期 & 制定/调整营销或推广计划 -> 生成最终的预测 -> 财务目标是否达成？达成，则执行。

我一直在说，不管是电商还是传统行业，供应链的理论自1980年代发展起来，所有的逻辑和打底都是相通的，这个流程虽然比较简单，但是仍然可以应用到电商供应链的预测流程中。在实操过程中，可以把这个流程再细化。

预测模块和数字化框架部分今天不写了，作为下一期的彩蛋吧~