旺季之前订多少货，下个月排多少人，春天资金会不会紧张：小企业做这些决定，靠的是经验加上去年的数字。AI 销售预测承诺做得更好，而在背后的数据可靠、期望又现实的情况下，它确实可以。本指南涵盖您需要什么数据、如何判断一个预测好不好，以及哪些情况下不应轻信。

AI 销售预测究竟做什么

预测模型会查看过去的销售，并学习其中的规律：整体趋势、全年的季节性、工作日之间的差异、节假日效应，以及促销带来的提升。然后它把这些规律向前推演，最好给出一个范围而不是单一数字，因为未来是不确定的，而范围显示了不确定的程度。

机器学习预测还可以纳入外部因素，如天气、本地活动或营销支出，并学习多个产品共有的规律。不过，对于小数据集，指数平滑等较简单的统计方法往往同样准确，也更容易解释。严谨的分析会两者都试，保留在您自己的数据上表现更好的那个。实际上，小企业需求预测与其说取决于算法，不如说取决于输入的数据。

需要多少历史销售数据

  • 凡是有季节性的，至少需要两个完整年度，这样每个季节才出现不止一次。只有一年的话，季节性高峰和一次性事件看起来是一样的。
  • 合适的细节层级。每个产品或类别的周汇总，往往比每件商品的日数据更有用，后者对销量慢的商品来说噪声很大。
  • 一致的定义。整个期间的销售以同样方式记录，使用相同的产品编码和相同的渠道。

新产品和滞销品很少有足够的自身历史。与逐个预测相比，按类别层级预测，或借用相似产品的规律，效果更好。

在模型接触之前清洗历史销售数据

数据清洗比建模更花时间，也更重要。历史销售数据中的典型问题有：

  • 退款和取消被记为销售，或根本没有记录。
  • 更换供应商或重建网站之后，同一产品出现多个编码。
  • 收银系统和线上销售保存在不同的系统里，产品名称也不同。
  • 一次性的大宗订单，否则会被看作趋势的开端。
  • 促销和缺货：促销周会推高需求，而没有库存的一周显示销量为零，尽管客户想买这个产品。两者都需要标记，否则模型会学到错误的教训。

请保留一份简短的日志，记录改了什么、为什么改。日后阅读预测的人会想知道。

评判销售预测准确度

唯一诚实的检验是预测回测：对模型隐藏最近几个月的数据，让它预测这些月份，再把预测与实际发生的情况对比。要对多个时间段重复这个过程，而不是只做一次。

  • 与简单基线对比。“去年同一周”或“最近四周平均”就是基准。如果模型无法超过它，就不值得运行。
  • 用业务语言衡量误差。每周差多少件或多少美元，比抽象的分数更能告诉采购人员什么。
  • 检查范围。如果预测说多数周的销售会落在某个范围内，就数一数实际落在范围内的频率。

销售预测准确度因产品和季节而异。稳定畅销的产品和类别总量预测得会比较好，而新品或波动大的产品，范围会比较宽。这就是为什么我们 AI 数据分析工作中的每个模型，都附有说明它在过去数据上有多准确、哪些地方不应依赖；预测是规划工具，而不是承诺。

把预测变成决策

预测只有在改变了某个决策之后才有用。对于补货计划，常见的做法是：当库存降到供应商交货期内的预期需求加上一个安全缓冲时补货，由预测范围决定缓冲的大小。同一个预测还可以指导旺季周的排班和淡季的资金规划。

每月把预测与实际销售对照检查。当差距扩大时，说明有什么发生了变化，例如出现了新的竞争对手、价格变动或客户习惯转变，模型需要新数据或人工决策。

常见问题：AI 销售预测

AI 能预测全新产品的销量吗？

无法依据它自身的历史，因为没有历史。通常的做法是借用相似产品或所属类别的历史，然后在真实销售到来后迅速更新预测。

用 Excel 做预测够用吗？

初步查看的话，往往够用。Excel 的预测工作表和 FORECAST.ETS 函数使用指数平滑，可以处理季节性。当产品很多、需要纳入外部因素，或预测必须自动刷新时，专用工具才有用武之地。

预测应该多久更新一次？

与它所支持的决策一样频繁：快周转的库存每周更新，排班和资金规划每月更新。每月或每季度用新数据重新训练模型，可以防止它偏离。

想知道您的数据能否支撑预测？我们的 AI 数据分析服务从您销售、会计或商店系统的导出数据开始，清洗并关联它们，交付预测和图表，并附上关于其局限的直白说明，使用关闭训练功能的企业级服务或本地模型。请联系我们，告诉我们您使用的系统以及想要回答的业务问题。