服装销售的成功关键点怎么写（服装销售预测的方法有哪些）
服装销售的成功关键点怎么写（服装销售预测的方法有哪些）1.传统统计方法的类型和缺点二、服装销售预测方法我们如何运用大数据将销售做得更好？庄主：西西-无锡-买手庄主简介：西西，来自江苏无锡，大学毕业后长期从事销售工作，2010年起在上海开始学习电子商务，后因公司内部问题再次回到无锡。因看到自己身边的电商人榜样，受到激发，想要学习一个新行业的新产品，所以加入买手行业学习。一、服装销售行业销售预测的重要性
服装销售行业中常常会有因为销售预测不准确而带来的库存积压、利润损失和缺货问题，这些看似简单的问题却可能会影响到供应链、客户服务甚至是品牌效应。
正因为销售预测至关重要，本次坐庄中庄主想要为大家介绍一些科学的销售预测方法，并与大家讨论怎样利用好现有的智能大数据，帮助我们做好服装销售工作？
讨论来自中级买手群
主题：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？
庄主：西西-无锡-买手
庄主简介：西西，来自江苏无锡，大学毕业后长期从事销售工作，2010年起在上海开始学习电子商务，后因公司内部问题再次回到无锡。因看到自己身边的电商人榜样，受到激发，想要学习一个新行业的新产品，所以加入买手行业学习。一、服装销售行业销售预测的重要性
二、服装销售预测方法
1.传统统计方法的类型和缺点
2.人工智能方法的类型和缺点
3.人工智能方法和传统统计方法的混合分析方法
三、怎样利用现有的智能大数据，帮助我们做好服装销售工作？
1.进行新产品的销售预测，需要准备哪些信息？
2.怎么更好地灵活调整新品的实际销售？
3.公域流量竞争：如何利用淘宝、抖音的大数据？
4.私域流量竞争：如何利用微信大数据？
以下讨论仅代表讨论者个人观点，并不代表本公众号及冷芸的观点。
//////////
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：
