整理书稿第二版的时候，我对内容都做了梳理和更新，接下来会在这里持续登载。如果发现是你熟悉的内容，也可以在评论里补充一句你掌握之后发挥的新实践，互相激发思考。
有位品牌总经理说自己的产品是没有日常销量的，“不促不销”，而且如今还真的不敢不促，永远露不出所谓的“日常”。咱们做基线预测真的有意义吗？
说得对，如今这种情况很常见！中国这么VUCA（易变、不确定、复杂、模糊）的环境，很多品牌真的已经没有了绝对的日常销量。但我们说的这个“基线”不是要追求最干净的“日常销量”，它是相对的。把所有的促销都剥离，不仅不值得，实际上也做不到。我们所说的“基线”，就是把人工能判断出来的、不按规律的外部影响因子移除掉，让它变成一个有规律可学习的数据底子，从而让统计模型、机器学习等智能方法，能比人更高效地做预测。那这些人工能判断出来的、不按规律的外部影响因子，就是我们要做的数据清洗了。这一部分就会讲到哪些东西需要做数据清洗，从而做出怎样的基线预测。基线预测分成三步，先更新历史数据，然后做数据清洗，最后跑统计模型。1.更新SKU维度的历史销售支数（Data actualize）这里说的是Sell-out数据的实际月份更新。如果经销商有上系统，能够回传历史销量和渠道库存数据，也需要做一下数据核实。这件事在有的公司由经销商库存管理团队来操作，在给财务最终版数据之前完成。逻辑就是对每个经销商做SKU维度的进销存核对，对不上的查出问题，让供应商做好修正。常见问题是经销商录入错误，尤其是相似商品间容易出错；经销商操作类型错误或者漏操作，比如涉及内部领用、正装临时转试用装（费用需要后补）；还有就是为博取返利等原因做的虚假出货。操作严密的虚假出货不仅影响公司支出，也会误导后续的预测，是需要杜绝的。所以经销商管理团队一般需要定期对经销商进行“飞行检查”来核实账实相符的情况，同时管理机制上可以设置经销商信息维护津贴，比如进货折扣的0.3%，对数据提供不实或不及时做扣钱惩罚。要想得到一个产品历史销量的基线（baseline），首先要“削峰填谷”，去除外部因素(External Event)：
这个基线其实是相对的，很多消费品常年各种促销，甚至说“不促不销”了。把所有的促销都剥离，不仅不值得，实际上也做不到。我们要清的只是：每年在不同月份的节日促销，譬如随农历的春节、七夕和年货节（腊月初八）。相反，每年三八节都做的全品类促销，你就可以省功夫了，这是为了得到清楚的季节规律，统计模型只能学会自然月的规律。当然如果每年三八节推的品类不同，力度有别，还是要做数据清洗的。清的时候别只清促销品，还要清“倒霉”的销量被蚕食的产品，补上被蚕食的部分销量；别只清促销月，削了当月的“峰”，还要填次月的“谷”；缺货和新品铺货也类似，清了当月还要修正次月。有的计划系统有自动清洗功能，但是也得由你选出哪个SKU指定在哪个月。在系统里假设该点缺失，用模型估出清洗量。![]()
photo from Unsplash.
做在大类上的预测无法简单下拆，全做到最细的SKU维度上也不必要，我们需要定义一个做预测的维度，叫做BFL(Business Family Level), 将那些有同样季节性和趋势性的SKU组在一起。一个BFL可以对应多个SKU，也可以对应1个SKU。对应多个SKU的情况，比如同系列口红的多个色号。但是注意，毫升数/克重数不同一般不并入同一个BFL，因为不同的毫升数的目标顾客不同，其销售行为也会不一样，复购节奏不同，反映出来就是季节性特征不同。小毫升是给新客，大毫升是给熟客，超大毫升是给囤货爱好者。在BFL维度上做好预测后，要再落实到SKU级别，用于做采购计划。这时直接用SKU间的历史平均销量占比下拆，往往就很准了。某系列的烫发水销量如下（数据用系数做了预处理，但保持数据的季节性等特征），我们在BFL上做预测，这个BFL含6个SKU，分别针对不同发质，可以理解为不同强度。先做好BFL维度的预测，再根据各SKU的历史平均占比去摊分。假设现在是2017年1月，我们要做今年1～12月的预测，如图1-2的三个步骤：![]()
图1-2
最理想的情况是有数据，比如系统能记录促销数量和缺货未满足的订单数量；其次是销售部和市场部能给一个估计，比如新品铺货量；再其次是自己估算，比如已知当月有缺货，大致用去年同期销量乘以此品类今年的增长率作为自然销量，差距部分作为缺货。这个例子中，我直接忽略了缺货那三个月的销量，用模型计算了一下，很多系统提供的自动清洗(cleansing proposal)，就是用模型计算的。数据清洗能及时是最好。次月做预测的时候，就做前一个月的清洗，“知根知底”，有人可以问或者一起“拍一拍”。但现在已经1月了，假设我刚接手，我看到历史那几个月销量异常，经销商库存偏低，确认是缺货，但并不知道当时缺货了多少。我就可以直接忽视9～11月的数字，把历史销量在模型中“跑”一个。即便不够准，也比不填补这个缺口准多了。事实上后面我们的模型跑得还比较贴合，也验证说明我们清洗得还不错。清好了开始跑模型。我选择的统计模型是“季节趋势指数平滑法”，适用于有明显季节性的快消品，它其实是三个统计方法的综合：- 季节性模型：考虑每个月对比全年平均销量的比例。消费品有明显的季节性，传说中的“六死七绝八抬头”，每个月占全年的比例是相对稳定的；
- 趋势线法：趋势是上行、下行还是平走，把增加或减少的趋势加进去。我们抓住走势，即产品正走上坡路还是下坡路；
- 指数平滑法：倾向于认为最近的态势会持续到未来，所以将较大的权重放在最近的销量上。有的系统中有双指数平滑法，会更倾向于抓住最近期的变化，反应速度比较快，也是比较适合快消品的；
如图1-3，看这个产品的模型曲线，就会发现还是很贴合的：![]()
图1-3
具体这个模型的公式怎么写，有点复杂，如图1-4所示是这个模型解析的鸟瞰图：![]()
图1-4
选择模型是个大课题，简单地说，就是罗列所有可能适合公司产品的各种模型，分别计算模型跑出来的各项准确率指标好不好。然后选择适合大多数产品的一个模型作为默认模型来用，同时留下多个适合其它产品的模型备选。一旦选定了模型，调好了参数，不建议经常去改。
在我的工作中，实际上不需要用Excel手写这些公式，我们所用的系统中可以选用这个模型。另外备选的还有趋势线法，针对销量小且比较随机的情况，其实可以拉一条“趋势线”了事。这个简单又神奇的模型叫做“Level shift”（水平线法），就是拉一条直线，什么时候渠道有扩张，再加个比例让直线上个台阶。你笑说这叫什么模型？你错了，这个很有用，小众产品一个月卖20支，一个月又卖100支，随机得像“泊松分布”一样，你弯弯曲曲的预测曲线真的比50支拉一条直线准吗？如果你需要手写Excel公式，觉得这个模型太复杂，可以试试季节简单平均法，写公式会容易一点，指标也不差。不得不说，写这种统计模型公式需要细致的编辑和测试比较，还容易出错。所以希望你先消化理解Excel做预测的逻辑，等到公司愿意上系统的时候，你的这些思路还能辅助你帮公司上一套适合的系统。现在有的公司加入了机器学习模块，用算法来模拟，我们可以将商品的特性和历史数据一起作为输入给到算法团队。一是尽量“算法白盒化”，明确有哪些输入，以及输入和输出之间的关系。明确输入才能从运营角度做流程保障，让输入有质量，没质量的输入宁愿移除；清楚输入和输出之间的关系，也才能在跟市场和销售部沟通的时候，对算法高走低走的原因知根知底，说得出个所以然来，在沟通中赢得信任。二是在电商大促造成“high-low”（大促和日销的两极分化）的情况下，让算法对大促、基线和新品分开应用不同模型。并让算法团队定期分析准确性差的用例，跟我们一起讨论，通过不断修正来提升算法准确度。然而，纵有模型、算法的十八般武艺，令人沮丧的是，并非所有的产品都适合用模型。量大、稳定、少“high-low”又有多年历史的产品，模型表现比较优秀，反之它就比较无力。简单可以记住就是，AX类的产品模型跑得是最准的。A是ABC分类中销量最大的，X是XYZ分类中变异系数或者预测偏差最小的，也就是销量比较有章可循。一年以内的产品，单月的拐点都会让模型对你产品的判断发生天翻地覆的改变，不容易算准。但是消费品更新迭代多发，每一两年即便不升级个配方，至少也要换个包装来点新意。所以要在系统中建立品与品之间的替代关系。借老版本的“壳”，给新版本建立模型，需要的话还得在模型上打个折。（旁白：希望大家的产品都在往上折，你懂的。）![]()
photo from Unsplash.
更让人沮丧的是，也并非所有的渠道都适合用模型。电商虽然每年都有固定的节日，但是平台每年的玩法都在变，品牌获取资源的能力不一定，电商自己的计划提前期比品牌方短，竞争态势每年不同，都造就了电商更高的预测难度。80/20原则到了电商变成95/5，爆品真的是没有“基线”的，认了吧，他们的预测应该叫“计划”，计划的时候用算法的大促预测作为输入，决策基于这个输入也必须结合品牌这次大促的策略。决策了之后强势执行。将这个大促策略落实到爆品的销售计划上，做对应的备货计划。占据其余95%数量的那些陪玩品，可以托管给算法的大促预测，轻度运营少占时间。大头的时间我们要用来跟电商团队、代运营团队和电商平台对焦大促计划，保证信息同步。特别值得一提的是大促限量礼盒装，要大胆谈，保守估；报入预售商品池，从而增加前置信息以便提高预测确定性（取消预售后，寻找类似增加确定性的办法）；切不可准备太多库存，谨防遗留给下次大促，影响后续新品获得的流量。但是话说回来，不得不承认，当流程跑顺了，SKU成千上万，量也超大的时候，打磨适合自己的模型算法真的是竞争优势！亚马逊、京东和阿里都在这一块默默下功夫，将已经了解到的各种影响因子考虑周全，用系统“滚”。系统只要不犯常识性错误，命中率还是比较高的。我们人的工作就是识别常识错误和低质量的输入，通过流程去健全它。有了这样的配合，“天下武功，唯快不破”，有合适的系统，系统又能自适应地去学习，是多么美丽的一件事情啊。
