服装销售预测的方法有哪些？我们如何运用大数据将销售做得更好？

//////////

01

服装销售行业销售预测的重要性

Q:请问大家在工作中遇到过哪些因为销售预测不准确带来的麻烦？

A1 销售没有达到原来的预期，以至于产生大量库存。

A2 突发情况影响销售预测，譬如这次突发的疫情，全年预算全部作废。

A3 曾经遇到过因为门店变化遭受到影响的情况。门店无法继续经营，但又没有找到下一个可替代的。

正如大家所指出的，服装销售行业中常常会有因为销售预测过多或过少，而带来的库存积压、利润损失和缺货问题，这些问题看似简单，但却容易引起牛鞭效应，从而影响到我们的供应链、我们的生产、我们的客户服务等各方各面。

最直接结果可能会造成资金链短缺，而从长远来看，对于一些品牌来说，销售预测不准确甚至会影响到品牌效应。

正因为销售预测至关重要，人们才在一直在积极探索更加科学的方法，提高销售预测的准确性。服装行业供应链是一个相对较长的供应链，包括原材料生产厂商、服装加工厂商、分销商、物流商、批发商、零售商等众多环节。

产品的生命周期有长有短，产品本身也受到色彩、季节、流行趋势等等众多因素的影响。如何能够把握好这一链条中紧紧相扣的每一环？我们还需要从众多因素中着手找到适合的办法。

02

服装销售预测方法

Q: 目前大家工作中会接触到哪些销售预测方法？

A1 我们线上通常会根据往年的销售淡旺季历史数据和推广计划来预测，也会参考行业趋势。另外，根据往季的产品复盘，围绕着消费者需求来生产也是我们会采用的方法。

A2 我们会结合24节气看上货波段、款量数量等，还有参考大数据的结果，比如阿里数据。

A3 我们还会用表格看款式、颜色、季节、风格等来预测。

上述芸友们提到的均为预测时参考的具体的数据，而非预测的方法。很多服装行业的从业者可能因为缺乏了解，也会存在这样混淆不清的情况，因此，更有必要为大家详细介绍销售预测的具体的方法。

1.传统统计方法的类型和缺点

我们以往工作中接触的大多都是传统的统计方法，比如数据搜集、数据统计、数据计算等等。文献《Sales Forecasting for Fashion Retailing Service Industry: A Review》指出，“传统统计方法依赖时间序列数据，要求数据具有现实、真实的特点，来反映某一现象的变化规律。

这也是历史销售数据分析，包括销售同比、环比、成交单价、采购成本、毛利率、库存周转周期等等以流水方式记录下来所形成的数据。”

其特点是预测整体过程中仅借助于他人的分析结果作为一个参考，而自己并非预测的参与者。

（图片源于unsplash）

1.1

传统统计方法的类型

在《Sales Forecasting for Fashion Retailing Service Industry: A Review》中提到了以下几种销售预测方法：

（1）线性回归法

线性回归法是一种常用的分析技术，主要研究一个随机变量和多个变量之间的线性关系，当输入变量发生变化时，输出变量值也随之发生变化。其方程式为：y=ax+b。

《Sales Forecasting for Fashion Retailing Service Industry: A Review》中提到此方法的主要步骤如下：

a.确定几个特定的变量之间是否存在相关关系，如果存在找到他们之间合适的数学表达方式。

b.根据一个或几个变量的值，预测或控制另一个变量的取值。

c.进行因素分析，在对于共同影响一个变量的许多变量之间，找出哪些是重要因素，哪些是次要因素，这些因素之间是什么样的关系等等。

我对这个方法有一些自己的理解，以预测年销售预计为例，影响年销售预计的所有变量，如季节、颜色、款式都是影响销售值的变量。

我们要从历史数据中找到他们存在的某些规律，分析次要原因、主要原因，包括他们之间存在的数量关系，来预测未来的数据。

（2）移动平均法

根据文献《Sales Forecasting for Fashion Retailing Service Industry: A Review》，移动平均法可以理解为是用一组最近的实际数据值来预测未来一期或几期内产品的需求量和产能等数据的方法。这种方法适用于即期预测，当产品需求稳定且不存在季节因素时，这个方法很有用。

如何理解移动平均法呢？比如我们知道一款基础T这周的销售额，我需要预测下周的销售数据，这时就可以直接参考这一周的销售额。这种方法适用于这一类的短期预测。

（3）加权平均法

加权平均的计算公式为：各数值*相应单位数，然后加总求和得到总体值，再除以总的单位数，即权重相同的加权平均。

用一道百度文库中关于存货核算类型的例题来举例：

A产品34元一个，买了10个，B产品45元一个，买了20个，问：买了A产品和B产品的平均价格是多少？

注：这时不能用算术平均，即直接（34+45）/2，因为他们买的数量不一样。我们需要做的是计算他们的平均价格，只能用所买的数量作为权数，进行加权平均。列式如下：（34×10+45×20）/（10+20）= 1240 /30 = 41.33元/个。

这种方法就是加权平均法。

（4）指数平滑法

另外，文献《Sales Forecasting for Fashion Retailing Service Industry: A Review》还提到了指数平滑法，文中说明该法主要用于生产预测，这种方法需要更新上一时间的计算结果，并使用当前时间的数据中包含的新信息，也就是利用新旧信息来共同实现预测。

这种方法是适合中短期销售的预测方法，也是我们现在比较常用的方法之一。

在斋藤孝浩的《如此不同,如此成功:优衣库 VS ZARA》一书中，我们可以了解日本品牌优衣库在销售预测与销售管理工作上的结合。

书中提到，优衣库会把每周每种商品的计划销量累加起来，得到年度计划销量，每种商品订货数量的依据非常明确。销售管理上，把每周实际销量和每周计划销量进行对比。

优衣库这种结合方式使得销售进度管理变得简单，而且实际销售和预测销售之间的偏离状况我们也能一目了然。

以这种方法为根据，负责人能够对自己负责商品的销量情况和未来市场进行预测，不断考虑需要追加的商品数量并且削减实际销量低于预期的商品数量，重新设计每周销售业绩和未来的市场需求，从而反馈到生产工厂。

在优衣库这一案例中，我提取的重点是销售预测工作的精细。首先年计划是由周计划组成，且每周会合适销售预测和实际销售情况随时进行调整，并且优衣库是按照所有商品的品种、颜色、尺码的最小库存制定周销售计划的。

一些人可能会担心这样的模式对供应链管理要求过于严格而导致在实际工作中，与生产工厂合作方面可能会面临比较大的压力。例如在批量生产数量与次数协商以及交货期是否准时方面出现问题，导致影响原定的周计划。

但优衣库这样的品牌能够根据一周预测销售和实际销售的数据，得出库存是否够、是需要追单还是暂缓，而不是一次性下单，这样的方法正适合于优衣库多生产基本款、销售量比较稳定的特点。

以我对行业的观察来看，前几年大家多在供应链上竞争，而这个供应链不限制是生产厂家还是代理商家。但是去年开始，更多的商家在生产环节的供应链上竞争，尤其是面对今年的特殊情况，有很多商家在年后出现断货缺货的困境。

（图片源于unsplash）

当下，很少有服装企业可以做到上面案例中的柔性供应。但换一个角度来看，做不到的也正是我们需要去努力的方向。这几年柔性供应成为了行业热门话题，越来越多的企业开始学习相关的知识，相信未来我们能在这方面有所突破。

（5）贝叶斯分析法

贝叶斯分析法不仅利用前期的数据信息，还加入了决策者的经验和判断等信息，将客观与主管因素结合起来，对异常情况发生具有较多的灵活性。（参考自文献《Sales Forecasting for Fashion Retailing Service Industry: A Review》）

1.2

传统统计方法的缺点

传统的统计方法简单、快速，在服装行业中被广泛使用，但是传统统计也存在一些问题:

（1）从上面的几个专业统计方法可以看出，传统统计虽然简单快速，但在选择方法的判断上需要我们具备一定的专业知识。

（2）传统统计方法在实际运用中分析性能较差，通常结果缺乏准确性。

（3）服装销售受时尚潮流，季节性等多种因素的影响，它高度不规则的格局，决定了纯传统统计的方法无法达到理想结果。

（图片源于unsplash）

那么，在运用传统统计方法进行服装销售预测的时候，怎么去弥补销售预测与实际销售的明显差异？

我认为最实际的弥补办法就是不断调整预测或者根据预定数量生产，同时在选取往年的数据时不能间隔过长，这样是比较安全的预测方法。

2.人工智能方法的类型和缺点

近些年来随着互联网技术推广，在AI人工智能技术支持下，新的数据分析方式促进了服装销售预测质量的提升。

2.1

人工智能方法的类型

在《Sales Forecasting for Fashion Retailing Service Industry: A Review》一文中列出并解释了以下几种纯人工智能方法：

（1）ANN（Artifical Neural Network，人工神经网络）

这是目前被广泛使用的模型。它能对信息进行大规模并行处理，善于联想、概括、类比和推理，有很强的容错性和自学习特征，善于从大量统计资料中分析提取宏观统计规律，几种人工智能分析比较效果看ANN效果最好。

（2）Fuzzy(模糊集系统)

Fuzzy(模糊集系统)是一种在服装销售预测方面基于颜色，时间，尺寸等重要的产品变量构建新的多元模糊模型，在输入的数据中有识别非线性关系（不确定的属性）的能力，可以有效预测销售。

它是自然界复杂性的典型性质之一，更接近客观事物的本质，它也是目前广泛使用的人工智能方法。

（表格来自《Sales Forecasting for Fashion Retailing Service Industry: A Review》）

除以上两种广泛使用的人工智能方法，还有ENN（Expand Nonstop network,加大点对点不转机网络模型）它优于传统的SARIMA模型（季节性自回归单整移动系统），可以显示产品的低需求性和弱季节性特。

另外，ELM（Extreme Learning Machine,快速预测模型，预测极快的方法，但是不稳定）和EELM（ELM的扩展，通过多次重复计算来预测结果）也是普遍使用的人工智能方法。（以上部分引用自文献参考《服装零售的销售预测》）

据我个人了解，目前虽然行业内有一些大公司已经开始使用以上这几种人工智能的预测方法，但是大部分的企业仍然选择采用传统的预测方法。

2.2

人工智能方法的缺点

人工智能统计方法能够迅速计算出结果，但是在前期需要有大量的数据统计工作，因为数据量越大，人工智能测算的结果才能越准确，这十分耗费时间与精力。

同时，如果我们对人工智能的计算逻辑不是很了解，那么有时可能无法得出我们所期待的结果。

3.人工智能方法和传统统计方法的混合分析方法

相比于要求较高的纯人工智能方法和缺乏精确性的传统统计方法，将人工智能与传统方法的结合的服装销售预测方法做到了取长补短，继而可以获得更好的应用效果。

混合方法服装零售预测在《Sales Forecasting for Fashion Retailing Service Industry: A Review》一文中也有详尽的介绍，在这里为大家展示部分方法如下，请点击大图查看：

（表格来自《Sales Forecasting for Fashion Retailing Service Industry: A Review》）

需要注意的是，在实际操作中我们更多是在系统中设定好参数，定期的采集我们所需要的数值和变量，然后等待系统自动分析。

这些底层的逻辑和方法是指引我们贯穿思考的点和检验方式，最后还是会导出品牌最需要的数据和简单的结论。AI应该在人类理性范围内的部分做完所有工作，而人则需要在感性部分有判断的部分进行自我决策。

另外，现有的预测模型大多适用于中长期预测，对于短期预测与即期预测并没有过多的研究，但就服装行业的性质而言，短期预测是非常重要的，比如上面提到的优衣库的案例。

现实中，基于模糊逻辑模型（Fuzzy）以及传统的统计方法相比其他方法，可以比较好地应用到短期服装零售预测。

03

怎样利用现有的智能大数据，帮助我们做好服装销售工作？

在线上销售中，有一种为大家所熟知的形式——天猫旗舰店订货会，它能够实现在订货完成后一天时间里，通过历年销售数据筛选出爆款，以及筛选出那些我们虽然无法判断出是否爆款，但却足够新颖的设计款。

在此之后，再由商家在淘宝进行测款，仅用一天时间就能判断商品是否畅销，从而决定是否加单。同时也能实现较高的精准度。

（图片源于unsplash）

严格来说，这个例子并不属于线下实际的预测范围内，但它是现阶段服装行业大数据利用得很好的范例。

首先我们进行测款，然后进行基于算法的流量推送。后者在整个过程中占有很大的地位，没有基于算法的流量推送，就无法准确抓住销售热点，展开销售。

总的来说，线上销售只要掌握一定程度的算法逻辑，就能较容易地实现业绩良好的销售，但对于线下销售而言，这样的掌握是不够的。

1.进行新产品的销售预测，需要准备哪些信息？

刚刚提到的方法可以预测的产品类型包括新产品和现有产品。新产品的预测由于缺少开始数据，因此它的预测比较复杂困难。而在实际工作中，一般在做新产品的销售预测时，我们需要准备哪些信息呢？

首先，我们需要捕捉数据特征，新品的预测要根据消费者的画像来进行，通过细分客户的年龄、爱好、职业等特征得到更准确的结果。

其次，很多商家会结合往季的款式销售数据以及当季流行趋势来进行预测。

在预测速度方面，传统统计方法可以很快输出预测结果，人工智能模型需要更长的时间，在当下的“快时尚“时代，预测结果通常需要在很短的时间内出来。

这时，之前提到的人工智能方法和传统统计方法的混合分析方法的优越性就得以凸显，如果未来这样的方法能够普及，对于新品我们就能够做出更精确、及时的预测。

2.怎么更好地灵活调整新品的实际销售？

“快时尚”的节奏下最容易遇到的问题就是预测的不准确，一次下单量太多可能会出现滞销，但下单量如果太小又可能面临脱销，加单来不急的情况。

大家虽然小心翼翼，但还是摆脱不了库存的压力。因为库存和销量是相伴相存的，如果想要让销量有所起色，我们就必须要有出现库存的心理准备。

现在有这样一种操作方法：商家们把一部分产品分配给自己的工厂加工，一部分由代工厂负责，剩余的一部分则在市场上直接拿货贴牌。

然而，即使商家们采用了这样的办法，同时控制款量，保证自己生产的是热销款，在生产的部分还会时常出现缺货现象。

《服装零售的销售预测》中的调查研究还显示：

（1）色彩作为重要的时尚元素，与库存和生产计划高度相关，但极少有研究颜色预测的方法，同时，涉及服装设计及设计元素对销售预测的影响这方面的研究还比较少。

（2）服装销售预测系统中，日历因素有非常重要的影响。比如节假日，这些具体日子的需求不稳定，但是增长较平时非常快速，难以预测，这也是一个值得探索的话题。

大家可以着眼于文献中提出的这两点尝试自我突破，这是销售预测中欠缺的部分，同时也是机遇所在。

在这里，我与大家分享几张图片，来源于《商业模式新生代》中描述的影响商业模式的关键外部因素：

（图片来源于《商业模式新生代》 ）

（图片来源于《商业模式新生代》 ）

（图片来源于《商业模式新生代》 ）

3.公域流量竞争：如何利用淘宝、抖音的大数据？

淘宝平台自带的付费工具是及其有效的数据分析工具，比如在“生意参谋”中的“流量纵横”里，商家可以看到所在的类目中最近客户搜索的关键词。

如果是做女装的商家，那么TA可以在细分到针织类产品的类目中看到关键词，通过优化关键词来吸引自然流量。另外，商家还能够看到细分栏目中，过去一年、两年、某个季度的销售增长情况，对当时增长的款式锁定后，再进行测款。

（图片源于pexels）

其次，付费的“直通车”也可以帮助商家与其他店铺去竞争关键词，达到引流的效果。

除了上述工具之外，还有刚刚提到的“阿里指数”。商家同样可以运用“关键字查询”。通过关键字预测大数据与淘宝，不仅可以根据客户的需求来预测短期需求及未来趋势，还可以通过一段长时间的跟进分析，预测未来的新兴市场。

下面为大家介绍一些案例。

阿里案例：淘宝店铺成功卖家的操作流程

（1）70%的工作在上架前。分析自己产品的竞争力，获取与自己竞争相当对手的产品，根据销量、单价、转化率、产品特征、货源地、成本与质量等分析对手的优点与缺点，通常花费半个月到一个月。接下来则是进行商品策划。

（2）10%的工作在上架后两周。重视点击率、收藏率和转化率等基础数据，接下来是通过促销方式做基础销量与评价。

（3）20%的工作在优化。

在生意参谋中分析经营数据，包括每天的流量，每天销售额，关键词搜索进入，然后根据数据修改标题，引入成交量较大的关键词。修改页面，提高点击率与转化率。改进客服水平，提升转化率。同时还需要与自己的供应链沟通，不断改善产品。

还需要锦上添花——付费推广，这是最后10%的工作。

抖音案例：针对具体区域测试爆款

去年下半年，一位皮草服装销售商面临库存积压严重的问题，于是TA开始尝试在抖音销售。经过一段时间的销售测试后，他们发现了客户主要来源地，当即决定直接到该地开设实体店。

在实践了这个想法之后，当地的市场很快就打开了。原本成堆的库存给他带来了开拓市场的商机。

我们可以看到，上面案例中的商家都对数据做出了迅速、灵敏的反应，这启发我们在经营的过程当中要培养对数据的敏锐意识，同时学习他们利用数据的方法，并将利用的过程流程化、规范化，进行合理的安排。

4.私域流量竞争：如何利用微信大数据？

通过人工整理，微信可以很好地将客户进行分类管理并捕捉TA们的特征，养成属于自己的数据库，再根据自身客户的特点做销售预测。同时，对于新品的投入我们完全可以通过精准客户的调查报告来做销售预测。

“耐克拥有4000W+的“Nike+”社群，它不仅是值得称道的客户关系管理数据库，还是一个运动娱乐部。“Nike+”数据库提供了产品如何、在哪里被使用的确切信息，让耐克在材料供应商和分销渠道等方面做出更好的商业决策。”（《引用《奥格威说广告》)

上面的NIKE社群管理是微信社群管理同样可以借鉴的思路，我们需要学会建立自己的“客户关系管理数据库”，精准触及到具有不同特点的消费群体和客户类型。

值得注意的是，结合目前的整个经济形势，和国内产能过剩的情况，我们有必要做好清晰的保守的销售预计。

（图片源于pexels）

无论是微信、抖音，还是淘宝，都是一种渠道和方式，立足产品本身才能为销售打下良好的基础，好的产品布局一旦打开是不缺乏推手

Q: 大家觉得应该先有货品还是先有流量？

A1 : 我认为应该两手抓，不能消耗在一个渠道上。

A2 : 我认为取决于在什么渠道，如果本身要打造渠道，就要流量优先。借助强大的渠道，应该是先有流量。

A3 :很多网红是有了粉丝、有了流量后才开始做服装，几乎可以说是十个网红有九个都选择服装领域来开始自己之后的事业。

在此次疫情危机之下，不少商家找来一堆产品，为了上架而上架，但流量却不尽如人意，商品销量很难有起色。类似地，商场也存在这样的情况，疫情期间不少商场试图通过抖音带货，但成交的订单却很少。

大家不妨问问自己，在此之前，有做抖音号的维护吗？有尝试吸引粉丝吗？有分享什么内容吗？如果只是随性地运营，偶尔发商场活动宣传推广，如何增加粉丝转换率呢？

在微信的社交平台和抖音等短视频平台中，所有的粉丝都是一个慢慢养的过程，一个需要时间经历、不断筛选维护的过程。有互动才能产生交集，加深这个交集是需花费很多功夫的。

（图片源于pexels）

如果在之前没有进行用户培育的话，想要一下子实现销量的爆发是不现实的。这个又返回到我们今天的话题——销售预测，不能盲目地为追求数据而忘记其他的方方面面。

数据本身更注重技术而不是消费者体验，它确实改变了企业老板的思维方式。

但是，很少有消费者谈到他们的生活因为大数据改变很多，因为大多数人的关注点都放在了数据的收集和分析上，没有好好运用这些信息来改善消费者的生活。

奥格威说到：真正有用的数据会带来洞察，这样的数据越多越好。来自数据的洞察有三种不同的类型：

（1）观察型：数据可以展示某样东西表现如何。

（2）改善型：数据可以解密为何这个有用，那个无用。

（3）灵感型：数据可以激发创意 。

而数据激发创意灵感有三种具体方式：

（1）数据可以显示要与谁交谈，并解释原因。

（2）数据可以把你指向特定人群，并显示这类人群的动机,以及如何接触他们。

（3）数据可以帮助生成正确的信息，在合适的时间使用合适的方式传递给对的人。

（引用自《奥格威谈广告》）

奥格威是我本人很欣赏的广告人，他对数据的看法相信能给广大商家以启迪，也是对本文的完美总结与收束。

人工智能模型是一种工具，它使工作变得快速、高效、智能，但是它大量的输入数据需要人去把握，数据的真实性如何？数据的数量是否足够？

（图片源于pexels）

人的能动性是无法忽视的，如何将工作越来越细化、越精准、越专业化、能够不停随环境的变化而实时变化，是对人的重大考验，也是对数据预测准确性提升的关键点。

人工智能的强大计算能力意味着算法可以做更多的事情，但是原则没变，人们仍在纠结最根本的问题——分析什么数据，为什么分析？这个方面值得我们去用心研究。

参考文献：（Liu N , Ren S , Choi T M , et al. Sales Forecasting for Fashion Retailing Service Industry: A Review[J]. Mathematical Problems in Engineering, 2013, 2013(pt.14):738675.1-738675.9.）

（编辑：厦门网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!