销售预测怎么做，不多也不少？

遭遇断货，企业错失的不止是本可实现的业绩，还有消费者与供应商对其服务能力的评定。

在这个订单驱动生产的时代，销售预测失误，是导致断货的主要原因。无论是预测偏低或走高，由此引致的断货或爆仓，都将对企业自身及其供应链伙伴造成巨大伤害。

贝恩的一项调查显示，销售预测难是目前供应链领域最为头疼的问题。

尤其是在产品生命周期越来越短、购物热点越来越多的当下，不断强化的竞争为企业销售预测提出了更多、更严苛的要求。通过本文，Kr8希望与您一同探讨：

销售预测的难点在哪？

如何提升销售预测能力？

关于销售预测，什么是未来的发展趋势？

四维观察，销售预测难点解析

告别主观决策，目前很多企业都已引入ERP（Enterprise Resource Planning，企业资源计划）系统以改良销售预测；更有百威英博与微软加速器合作，组织数据竞赛，外源开辟销售预测思路。

然而，当下绝大部分企业的销售预测情况并不理想。预测精准度低、无法直接用于业务是销售预测的最大问题。

销售预测的难点究竟在哪里？

Kr8从预测对象、预测人员、预测系统、预测数据四个维度进行了概括。

【预测对象】

销售预测需以具体产品为预测对象，在消费者需求日益多元化的影响下，越来越多的企业走上了“大SKU”的发展道路。更多的产品品类、更复杂的产品矩阵增加了销售预测的任务量，而这其中不乏进口产品、阶段性热销品等在预测分析时较为复杂的特殊产品。

除此，企业还需各种节日与消费热点对销售的影响纳入考虑，市面上花样层出的上新计划与促销，也将进一步提升销售预测的难度。

【预测系统】

依照核心流程，预测系统可分为以时间序列为主、和以机器学习算法为主两种。

前者对时间排列的系列数据进行分析，通过曲线拟合和参数估计来建立数学模型、预测未来趋势。这种方法统计性味浓，对数据量积累的要求高，且当数据趋势性不明显时预测效果会很差，传统销售预测系统中多是运用了此种流程。

以机器学习算法为主的销售预测则通过假设与算法，使模型具备自我改进的能力，且对数据量要求较低。此种系统是当下的流行，在百威英国、蒙牛等大企业中均有应用。然而，由于机器学习具有场景局限性，而且预测是基于因素见的相关关系而不是因果，这种系统也存在着不足。

资料来源：百分点

预测系统无法理解企业业务、无法及时反映市场变化、洞悉双11等特殊销售时刻的不足，使得销售预测结果的应用意义大打折扣。

【预测数据】

数据是预测的基础，当下来自预测数据的问题有三：

其一，企业数据沉淀期较短，数据积累少。

上市时间短的新品更是如此。假如是做月度预测的话，即便是沉淀两年，针对单个SKU也不过是24条月度销量数据，而数据的不足将大大影响预测效果

其二，同一企业内各系统未打通，预测系统可用数据有限。

然而，销售量是企业综合运营的反应结果，得到更精准的预测数据，除了ERP（企业资源计划），还需得到企业内CRM（客户管理系统）、PDM（生产数据管理系统）等系统的信息反馈。

其三，复杂的产品销售渠道，使得企业销售数据碎片化，加之渠道商在消费者与品牌间形成阻隔，这使得企业缺乏消费端信息、数据可见度较低。

【预测人员】

一方面，由于当下系统预测的结果不够准确，企业在给出最终的销售预测数字前，会结合很多的人工干预在里面。而这种干预，很多时候反而使预测结果更加失真。

另一反面，大多数业务员对销售预测的精准把握有赖于工作经验的积累，但如何将业务员的个人经验在企业中共通、固化下来，是一个巨大挑战。

综上，在四个维度综合作用下，销售预测成为企业的“心上难”。

提升之策

【预测之基，数据的积与容】

如何提高销售预测精度？第一个建议是，汲取更多大数据。为达到这一目的，可从企业内外部同时着手。

1.内部发力，数据的积累与打通

一方面，企业应加大数据更新的频次、加快数据沉淀的进度；另一方面，企业应打通内部各个系统的数据边界，实现数据共通。

这种共通的思路，也使得提供销售预测解决方案的企业，将方案所涉及的范围扩展至对象企业供应链与整体运营效率的提升。SAP（System Applications and Products,企业管理解决方案）等集成式解决方案类产品的兴起，便是考证。

2.结合渠道，实现赋能

目光投到外界，渠道商在品牌商与消费者之间形成的区隔，一度阻碍了企业获取消费端数据。但若能打通渠道，实现全链条的信息畅通，这会对提升销售预测的准确性大有裨益。

而从渠道商的角度，以在我国尤为突出的电商为例，企业销售预测的准确度也在切实影响着它们的运营效率。每一次双11这样的全民狂欢前，淘宝、阿里等电商平台都要对爆品款项、销售量等信息进行评估，以提前进行物流部署。

作为智能供应链的推崇者，长期以来，京东都在宣传自己的供应链服务，通过对平台沉淀的消费者购物习惯及位置的大数据分析，协助商家进行销售预测。作为这一模式的尝试者，雀巢在与京东合作后，库存成本降低了30%。天猫技术负责人范禹也透露，未来阿里数字经济操作系统将通过机器学习、针对不同的特征值，帮助商家进行销售预测。

除此，在与联合利华、宝洁等公司的合作中，天猫新品创新中心也提供了基于天猫消费者大数据的新品销量预测与指导服务。此时渠道商与企业进行合作的价值，已不只局限于物流提效的供应链疏导，而是向供应链合作赋能延伸。

但除了等待渠道商的合作，企业也可主动出击从渠道中获取信息，就此Kr8曾有过深度讨论：《新零售时代，品牌的线下运作有多难？》

【不破不立，完善系统】

归根结底，销售预测准确度的提高，离不开预测系统的改进。对此，Kr8总结出系统提升的几点思路：

1.更先进的算法

算法老旧是当下预测系统最大的问题之一，且由于预测具有很强的时间性，目前市面上大多数公司所使用的都是时间序列算法，这在某种程度上造成了经验固化。因此，若想把握更新锐、更前沿的算法，不仅可以通过对国际期刊与相关赛事的密切跟踪以学习，还可以开阔思路，从其他领域的算法中总结规律、寻觅思路。

2.更深刻的业务结合

销售预测不是数字游戏，它需要深刻理解企业所面临的市场、客户、竞争对手以及本产品的优劣势。

观远数据的产品研发负责人张进说道：“一个好的销售预测系统不是在理想化的数学模型里，而是真的到了业务中、考虑现实因素。”

以观远数据为例，公司的算法工程师们会通过专家团队深入一线与客户进行沟通，深度挖掘客户业务点以辅助建模。除此他们还会定期与客户进行讨论，及时跟进客户业务发展情况以不断对模型进行完善。在与联合利华的合作中，观远数据的目标是将weekly预测精度的绝对值提升10%以上，目前已经交付了一部分品类，其余品类还在分批交付中。

而当数据沉淀尚且不足、或是部分现实情况无法用算法来固化使，使模型更加贴近业务的一个方法，则是通过设定先验规则，在模型中融入更多来自商品、渠道、销售等相关业务人员的经验。

Zara以快为特色，却可保证较高的销售预测水平，一大原因就是其能够化繁为简，为其产品打上特征标签。新品迭代是当下市场的表象，但若能挖掘产品背后的特征，将这些特征与销售数据匹配作为销售线索沉淀，必会有助于企业预测精度的提升。

除此，我们也可通过系统化的能力，将业务人员的销售预测经验固化下来，辅助企业销售预测系统的建设。这样不仅使预测模型更加贴近现实，也使相关业务人员可以从重复而冗杂的预测流程中抽身，从事更多更需要创造性的工作。

未来趋势

中国市场野蛮生长的红利期已经过去，经济已从速度向质量转变，企业也越来越需要回归成本、效率。企业争夺的下半场，需要利用数据以实现精细化运营。未来，机器学习与企业业务更深度地结合将会是发展所向。

进一步的，通过供应链集成运作以缩短整个供应周期，可作为销售预测失误的补救。更精准的预测与更弹性的供应互为补充，或将是破局断货与爆仓的最终法门。当下我国仍较为碎片化的供应链，是时候走向整合。