銷售預(yù)測的發(fā)展,有可能讓新零售顛覆舊零售,真正意義上擁有新零售之實(shí)。
每年的雙十一過后,都是物流行業(yè)的一場大考。以往考驗(yàn)的是電商企業(yè)熬夜接單打包的銷量、物流公司人員配置是否充分等等。當(dāng)以上兩點(diǎn)對于客戶購物體驗(yàn)的提升達(dá)到閾值,考驗(yàn)的就是品牌和平臺能否對供應(yīng)鏈進(jìn)行合理的調(diào)控,在庫存和線上線下協(xié)調(diào)上減輕物流壓力。
這也是商業(yè)智能中的“終極問題”——銷售預(yù)測。
ZARA成功的秘訣,真的不只是很會抄
究竟什么是銷售預(yù)測?
簡單來說,就是根據(jù)以往銷售數(shù)據(jù)結(jié)合未來一段時(shí)間內(nèi)各種因素的影響,對商品的銷量和銷售額做出估計(jì)。
在銷售、市場和運(yùn)營工作中,銷售預(yù)測無處不在。往大了說,銷售預(yù)測影響著企業(yè)的整體規(guī)劃,往小了說銷售預(yù)測影響著企業(yè)每一次營銷活動的成本投入。
在零售行業(yè)中,銷售預(yù)測的重要性更加凸顯。我們知道,零售行業(yè)的收益如何,取決于供應(yīng)鏈能否良好的運(yùn)轉(zhuǎn):沒有壓庫存的壓力也沒有缺貨的現(xiàn)象、不同的產(chǎn)品都被儲存在自己銷售情況最好區(qū)域的倉庫中、新商品的生產(chǎn)和舊商品的售賣能形成銜接。
雙十一為例,整個(gè)品牌參與過程處處和銷售預(yù)測相關(guān)。一家紙制品品牌需要知道自己庫存中的哪些商品更適合促銷活動,是剛需類的尿不濕或是消費(fèi)升級類的濕廁紙;決定好選品后,還要依靠種種數(shù)據(jù)決定庫存的分布和數(shù)量;最后要根據(jù)整體的活動的銷量預(yù)測評估如何對庫存進(jìn)行補(bǔ)充,以免出現(xiàn)大促后無貨可賣的情況。
被稱為快時(shí)尚奇跡的ZARA,就是利用強(qiáng)大的銷售預(yù)測能力實(shí)現(xiàn)跟隨流行趨勢快速上新貨,并且保持可觀的毛利率的。
對于消費(fèi)者來說,我們看到的是ZARA幾乎過兩周就會上一次新品,讓人忍不住掏出錢包,可ZARA背后的秘密,卻藏在數(shù)據(jù)、算法和供應(yīng)鏈中。
從拍腦門到機(jī)器學(xué)習(xí),銷售預(yù)測該怎么做?
在很多時(shí)候,我們預(yù)測銷售的方式常常是一拍腦門編出個(gè)數(shù)字,或者憑借自己的經(jīng)驗(yàn)做出推測。但真正的銷售預(yù)測,是要經(jīng)過嚴(yán)格的數(shù)據(jù)計(jì)算的,在新零售時(shí)代更是如此。
銷售預(yù)測的方法基本分為三大類,最常見的就是“拍腦門”的主觀預(yù)測方法,當(dāng)然,現(xiàn)實(shí)情況這種方法通常由咨詢公司的專家團(tuán)隊(duì)執(zhí)行。到后期大數(shù)據(jù)分析方法所占份額增大,利用變量和時(shí)間之間的相關(guān)性,通過對以往數(shù)據(jù)的總結(jié)來分析將來的數(shù)據(jù)。到現(xiàn)在,機(jī)器學(xué)習(xí)正在越來越多的進(jìn)入銷售預(yù)測領(lǐng)域,神經(jīng)網(wǎng)絡(luò)、決策樹、線性回歸等等我們非常熟悉的算法也能應(yīng)用到這一領(lǐng)域之中。
還拿上文的紙制品公司做例子,從技術(shù)角度看,預(yù)測銷售究竟是怎么完成的。
拿到往期數(shù)據(jù)后,第一件事就是要對數(shù)據(jù)進(jìn)行清洗,把因?yàn)榇黉N活動或商品缺貨帶來的數(shù)據(jù)變化提取出來單獨(dú)處理,從而對歷史數(shù)據(jù)趨勢進(jìn)行一個(gè)完整的認(rèn)識。然后再提取產(chǎn)品的特征,比如包裝、質(zhì)地、用途等等。
清洗完數(shù)據(jù),提取完特征后,我們就得到了一批訓(xùn)練樣本。這樣我們就可以把2016年全年的銷售數(shù)據(jù)作為訓(xùn)練集,而把2017年上半年的數(shù)據(jù)作為測試集。
假如我們選擇用隨機(jī)森林方式建模,可以把產(chǎn)品特征、促銷手段等等都看做連續(xù)變量,不同變量分布在樹狀圖不同的枝丫上,再利用這些變量以回歸的方式去解釋銷量。這樣我們就可以清楚的看到,某一時(shí)段的銷售額是如何受售價(jià)、產(chǎn)品特征等等因素的影響,并擬定出相關(guān)的模型。
利用2016年的數(shù)據(jù)得出模型后,再用模型模擬2017年上半年的數(shù)據(jù),對比真實(shí)數(shù)據(jù)加以調(diào)試,就可以去預(yù)測未來一段時(shí)間的數(shù)據(jù)了。在已知案例中,雀巢電商和京東合作過的銷量預(yù)測項(xiàng)目,就是利用了消費(fèi)者決策的隨機(jī)森林模型。
以上只是最簡單的案例,在實(shí)際情況中還需要大量的編碼、調(diào)參、優(yōu)化迭代等等。而且能完美的模擬出測試數(shù)據(jù),也并不代表能在未來做出準(zhǔn)確的預(yù)測,其中還是少不了專家憑借經(jīng)驗(yàn)去做出判斷。
午夜的無人車和快遞柜,才是真·新零售的模樣
以上談到的,只是銷售預(yù)測一貫的樣子,只不過隨著數(shù)據(jù)量的增大,機(jī)器學(xué)習(xí)算法在其中也有了用武之地??烧嬲屼N售預(yù)測發(fā)生變化的,還是新零售模式的出現(xiàn)。
首先,新零售意在協(xié)同線上和線下整體的渠道和數(shù)據(jù),銷售預(yù)測時(shí)要參考物流、線下店面和線上庫存等等更多的因素。
其次,渠道的統(tǒng)一、線下智能硬件和線上活動設(shè)置(智能推薦、定向優(yōu)惠、收藏、購物車)都導(dǎo)致收集用戶數(shù)據(jù)的端口越來越多,數(shù)據(jù)的復(fù)雜程度加大,特征也變得更多了。
在未來,無人零售、無人物流等等渠道基礎(chǔ)設(shè)施的升級,很有可能降低銷售預(yù)測的試錯(cuò)成本并極大提升收益。
在哈佛商學(xué)院即將出版的《預(yù)測機(jī)器:人工智能中的簡單經(jīng)濟(jì)學(xué)》中提到了這樣一個(gè)概念:隨著數(shù)據(jù)收集越來越完善、預(yù)測模型精度越來越高,購物這件事很可能會從先購買再配送的方式變成“先配送再購買”的方式。
比如,預(yù)測模型可以根據(jù)你平時(shí)購買紙巾的規(guī)律,判斷出你最近又需要購買紙巾了。于是你在下班路上收到一條某直接品牌的定向優(yōu)惠券短信,你家樓下的無人零售柜中也出現(xiàn)了一組紙巾。
而企業(yè)甚至不再需要參與雙十一這種壓力山大的零售節(jié)日,只需要根據(jù)用戶群體的需求,結(jié)合自己供應(yīng)鏈的節(jié)奏對區(qū)域、渠道甚至個(gè)人進(jìn)行個(gè)性化和定向化的運(yùn)營。每天凌晨,無人物流車會路經(jīng)一個(gè)個(gè)無人零售柜,拿走其中被退貨的貨物(到那時(shí),所謂的退貨可能只是預(yù)測錯(cuò)誤),按照銷售預(yù)測放入新的貨品,等待著明天被消費(fèi)者購買。
這樣的場面,聽上去是不是有種按需分配的“共產(chǎn)主義”味道?
總之理想情況是,當(dāng)銷售預(yù)測越來越準(zhǔn)確,購物這件事越來越會從主動變成被動。
這樣的“被動”購物更符合我們對新零售的期盼——目前出現(xiàn)的這些線上線下協(xié)作、換個(gè)名字的自動售貨機(jī)等等,難免有些換湯不換藥的味道,除了打通渠道,更好的利用數(shù)據(jù)之外,新零售和舊零售之間的差異實(shí)在不大。
可銷售預(yù)測的發(fā)展,卻有可能讓新零售真正意義上擁有新零售之實(shí)。相信到那時(shí),新零售才會像曾經(jīng)的電商一樣,具有顛覆舊模式的可能。
本文由 @腦極體 原創(chuàng)發(fā)布于增長黑客。未經(jīng)許可,禁止轉(zhuǎn)載。
題圖來自PEXELS,基于CC0協(xié)議
本文經(jīng)授權(quán)發(fā)布,不代表增長黑客立場,如若轉(zhuǎn)載,請注明出處:http://gptmaths.com/cgo/market/1889.html