各位数据的朋友,大家好,我是老周道数据,和你一起,用常人思维+数据分析,通过数据讲故事。
预测这个主题的视频更新中断了很久,现在重新回归,继续来讲销售预测。(观看视频)
上期内容回顾
上一讲我们用两个相对简单的预测算法,让大家体验了一下从预测到补货的一个完整流程,通过这个完整的流程,我们看到了销售预测的两大作用:
1、给实际定一个目标,定一个参考,当实际与预测差异较大时,我们可以去寻找并分析原因;
2、作为标准,结合库存,作为补货的参考。
但是因为还有许多因素没有考虑进去,所以会导致简单的预测非常不准确。都有哪些因素没有考虑进去呢?
1、周一到周日的波动特性。对于零售门店来说,通常会呈现比较明显的特征,比如周一到周五,销量会比较低,而周六到周日会比较高。
2、节假日、促销日、季节性、天气的波动特性,道理都和上面的一样。
我们应该将这些变动因素考虑进去,才可以得到更精确的预测结果。
本期内容
这一讲我们就拿周一到周日的波动特性来举例,来讲一下基本的逻辑。这里会提出一个指标:周权重系数,它就是将周一到周日的波动特性量化。
周权重系数计算过程:
第一步:计算历史年份中(过去1-3年)历史销售情况,先按每日为单位汇总,再按周一到周日进行汇总,这样,就得到了所有周一到周日的销售数据。
第二步:找到其中最小值的是星期几,然后以它为基数(周权重系数为1),其他都除以基数,就得到周一到周日每一天的周权重系数。
当然,这个算法是一个简化的算法。如果考虑一年中,有些星期可能是52周次,有些则可能是53周次,那么,将其除以周次,得到平均值,再进行系数的计算,则会更精确。大家有兴趣的话,可以自行试一下。
接下来,假设我们根据过去3年的历史数据,得到了如下表格的周权重系数:
通过这个表格就可以发现,这个企业周二的销售是最少的。所以,我们以周二的销售作为基数,再用其他星期的销售金额除以周二的销售金额,就得到每一天的周权重系数,可以看到,周六周日比平时高出40%以上。
当我们得到周一到周日的周权重系数后,就可以认为每一天都符合相似的规律。这样,就可以根据2022年每一天是星期几,给2022年每一天都赋以一个周权重系数。
周权重系数在销售预测中怎么使用呢?
简单的来说,就是基数先除权,预测再乘权。
举例:假设我们的预测就是根据去年同一天的销量来预测,也就是说,2022年1月1日,就以2021年1月1日的销量来预测。
2022年1月1日是星期六,而2021年1月1日是星期五,此时我们通过下表来进行计算2022年1月1日的预测值。假设2021年1月1日实际销售额为100,那么,就先将其除以2021年1月1日的周权重系数1.06,得到94.34这个值,然后再乘以2022年1月1日的周权重系数为1.47,得到138.68。
当然,实际的预测算法不会这么简单,可能是前90天平均日销量*30%+去年后30天平均日销量*70%。这里的日均销量也都是先除权,然后再乘以要预测的日期的周权重系数,最后得到我们预期的结果。(点击了解零售标准方案)
基本逻辑
对于零售企业来说,周一到周日每天的销量会呈现比较明显的规律。一般情况下,都是周六周日的销量明显会比周一到周五高。假设周五的销量是100,而周六的销量是120。我们能不能简单的说,周六的销量很好呢?不能,虽然周六的销量相比周五,是增长了20%,但按历史的规律来看,周六应该是周五的1.39倍(按周权重表来计算,等于1.47/1.06)。也就是说周六的销量应该卖到139以上,才是真的好。
把这个道理想明白了,利用周权重系数进行预测的逻辑就容易想通。实际上,就是通过除权将一些有规律的变动因子(干扰因素),回归到正常水平(去除干扰因素),预测就会更加精准。
不管是周一到周日的波动特性,还是节假日、促销日、季节性、天气的波动特性都和上面的一样:只要我们将这些变动因素变成量化的权重系数,就可以通过除权再乘权的方式,得到更精确的预测结果。
天气预报系数的计算过程:
1、获取某个城市历史3年的天气预报数据;
2、将天气预报中的天气进行分类,比如晴、阴、小雨等,然后将每天的销售关联上天气进行汇总;
3、根据出现的天数计算平均值,然后以晴天为基准,其他天气除以晴天的平均销售额,就可以得到不同天气的系数。
这里与周权重系数不同的是,周权重系数是以最小值为基数,但天气则是以最多出现的晴天为基数。大家可以思考一下为什么。有什么想法的话,欢迎留言。
我们来看一个实际的数据,这是一个医药连锁的数据,我们会发现一个很有趣的情况,就是暴雨天气的日均销额与日均流量其实是明显高于小雨、中雨和大雨的。当然,不同的门店会呈现不同的情况,但基本有一个规律,就是日均销额相对比较高的门店,都是开在人员比较密集的小区里的。
历史天气预报数据获取渠道:
1、大家可以访问2345网站的历史天气频道,网址大家可以百度,或者转到我的专栏中获取。
2、奥威软件已经将2019年来全国各城市(明细到各区县)的历史天气预报数据通过爬虫爬取到数据库中。如果哪位朋友有兴趣,可以留言告知你想要的年份、城市,我可以将数据导出来给大家。
本期内容总结
今天的内容就到这里。回顾一下,我们今天讲了一下周权重系数的算法逻辑,以及如何利用其进行更精确的预测。
这个预测的算法相对来说比较复杂,无法直接在前端来实现,必须通过脚本在ETL中实现,这需要专业的IT人员来完成。不过,奥威BI的零售标准方案已经集成了这些算法,包括周波动、节假日波动,以及天气的波动等,可以更精准的进行预测,有兴趣的朋友可以在奥威官网上申请零售标准方案的免费体验。
老周道数据,和你一起,用常人思维+数据分析,通过数据讲故事,我们下一讲再见!视频的文字与截图,我们会在专栏同步上线,敬请关注!
往期推荐
杜蕾斯,大家是顺手买呢,还是专门买呢?商品连带销售分析给你答案