观远数据深耕零售行业AI+BI智能分析多年，积累了大量行业数据应用经验。这一篇，我们就来给大家讲讲零售行业在AI预测方面的需求、方法、应用场景以及如何实现价值变现。

在AI与零售高级分析的结合中，最显著的应用是需求预测。今年年初，BCG与谷歌公司携手开展了一项研究，结果显示，通过大规模使用人工智能和高级分析，消费品公司可以实现超过10％的营收增长。其中，需求预测对拉动企业业务增长的重要性排在了第一。

借助需求预测，企业可以从这些数据中获得可行的商业洞察，比如预测新产品的需求水平、营销活动的效果以及新消费趋势的萌芽。而它带给顾客最直观的感受，也许就是我能否买到我想要的商品。假如没有恰当的需求预测流程，几乎不可能保证门店在任意时刻都有恰当的库存可供销售。

· 库存太多，意味着大量的库存金额浪费，资金成本显著提升。而对于一些售卖期限有严格要求的商品，比如鲜食、应季服装，高库存更是意味着直接的经济损失。

· 库存不够，则会导致产品脱销，一方面没法做到销售额最大化，另一方面还会因为消费者需求无法满足，转而去竞争对手那边购买商品，导致客户流失。

需求预测，就是使用数据和洞察来预测客户在特定时间段内想要购买多少特定商品或服务的行为。一个好的需求预测算法和执行流程，将会帮助企业零售业务得到稳定、快速的可持续发展。

而“好”的需求预测，则是综合利用内部数据、外部数据和行业经验，结合先进的预测算法，给出满足高准确度要求的需求预测结果；此外，我们还要求算法能够根据实际的业务反馈，不断迭代演进，不断提升准确度。这里说的内部数据包括历史销售数据、促销活动、广告投入、人流数据等，外部数据包括行业趋势、消费趋势、天气情况，甚至竞争对手等因素。

对于零售商来说，您只需要关心如何更准确地完成需求预测，而不需要关注“预测是怎么完成的”。就如同我们不需要理解汽车发动机的工作原理，而只要在发动机工作的情况下来驾驶汽车开往目的地一样，这里我们需要思考的是更精准的预测又能带来哪些业务的提升。所以尽可能的将预测准确度提高几个百分点，进而推动上下游各个环节的更高效运作，就能帮助我们在商业实践中取得更大的成功。

对于商业企业来说，看一项技术或者投入对自己是否足够重要，衡量的标准一定是它对促进业务增长是否足够有用。需求预测如何促进业务增长，我们把它归结为两个点：

· 降本提效

· 增强客户体验

降本提效

在市场竞争日益白热化的今天，各行各业野蛮爆发式增长的时代逐渐远去，精细化运营、降本提效是大势所趋，而对毛利率本身就不算很高的零售行业来说，更是重中之重。

我们曾经对一份超市的销售数据做过假设分析，结果发现如果对商品降低1%的成本，净利润能够上升5%~6%，这是多么诱人的数据！你会发现几乎每个零售企业都在寻找降低成本的方法，因为这是最大化利润的最简单方法之一。

当您为零售业务实施需求预测时，可以通过以下几种方式来降低成本。

首先，通过准确的需求预测，减少不需要的库存资金占用。在保证供给的情况下，越少的现有库存带来越低的持有成本。

其次，通过需求预测来运营精益、敏捷业务。您可以根据当前销售进度与未来预测数据，来判断是否需要加大营销、广告投入，以确保及时完成销售目标，或者是否需要及时调整目标，以获得更大的业务增长。

增强客户体验

良好的客户消费体验，会带来更高的客户忠诚度与市场口碑。最显而易见的，就是避免让客户空手而归，或者推到您的竞争对手那儿买同类的商品，这是取悦客户的最有效的方法之一。

同时，另一方面，销售预测可以用来指导人员配置，优化排班。对大多数零售企业来说，您都不希望宾客满堂的时候，却由于营业员配置不足，导致客户消费体验下降，遗憾流失客户吧？

按预测的技术手段来分，需求预测可以分为：

· 定性预测

· 时间序列预测

· 因果模型

定性预测

定性预测是指企业根据一些定性数据预测需求。这需要预测者熟悉业务知识，具有丰富的行业经验和综合分析的能力，根据已掌握的历史资料与直观材料，运用个人的经验和分析判断能力，对事物未来的发展做出性质和程度上的判断。虽然我们也会在一定程度上要求定性预测运用数学方法来定量的做出预测评估，但还是易受预测者的主观因素影响。

定性预测适合于历史数据有限的企业，新店开业，新品发布（特别是市场上没有其他同类产品可参考的情况）等场景的需求预测。能适用于定性预测的算法也非常少，这更像是行业专家或咨询公司专长的领域。

时间序列预测

相比定性预测，时间序列分析是一种量化的需求预测方法，它使用更为精准的数字作为需求预测的基础，给出具有一定置信区间的量化预测值，属于定量预测的一种。它的基本原理是，一方面承认事物发展的延续性，运用过去时间序列的数据进行统计分析，推测事物发展的趋势；另一方面充分考虑各类特征因子对数据表现的影响，综合给出预测结果。

序列预测适用于有大量过去销售数据的零售企业，有季节性、周期性的销售趋势的商品预测。

因果模型

因果模型考虑了可能改变预测结果的多种可控及非可控的因素，是利用事物发展变化的因果关系来进行预测的方法。它以事物发展变化的因果关系为依据，抓住事物发展的主要矛盾与次要矛盾的相互关系，建立数学模型进行预测。

因果模型适用于具有大量指标的数据驱动零售商，按特定产品（类别或SKU）预测，多渠道、多元化客群的零售业务，与市场营销、广告活动和促销相关的预测。

需求预测是一门科学，也是一门艺术。我们经常听到一些算法工程师自嘲预测调参是一门玄学，这其实也是从侧面反映出预测的魅力与价值。最好的预测方法，一定是综合考虑定性和定量数据、内部与外部数据、可控与不可控因素，做出一些必要的“猜测”和“假设”，再结合先进的算法和工具来实现数据的预测。

需求预测的应用场景

前面我们或多或少地提到了一些需求预测使用的场景。这里，我们不妨做一个简单的总结。

降低库存金额：对于库存成本较高的零售企业，通过销售预测来指导进货与库存，在保证供给的前提下，进一步降低库存金额，降低成本。

降低报废风险：对于可售时长比较短的商品（比如水果、面包、鲜食），通过精准的销售预测，来指导备货，降低报废率（并不是追求零报废），节约成本。

把握销售机会：对于潜在的销售机会，比如节日、活动、天气变化等，通过销售预测来指导提前备货，充分把握销售机会，最大化销售额。

指导排产、配送：对于可以做到自产自销的零售企业来说，准确的销售预测，还能够将预测数据倒推到生产、配送环节，指导排产、物流。

指导人员配置，优化排班：通过分时段的销售预测，来指导门店进行更为合理的数据化排班，最大化地利用人力成本，同时保障客户消费体验。

预测顾客需求：通过市场调查、专家意见等定性预测或基于市场营销活动做因果模型预测，来预测客户需求的产品与需求的量，挖掘客户消费潜力。

衡量业务：通过对门店纵向与横向的多指标的定量评估，衡量门店业务情况，给出指导建议与发展目标。

评估销售目标的进度：通过对当前累计销售额与未来销售预期的预测分析，评估销售目标的完成进度与质量。有需要的还可以及时调整销售目标，做到敏捷运营。

增强客户体验：通过进销存各个环节的预测，增强客户体验，避免各类因缺货、延迟交货、延迟发货等情况导致的客户消费体验下降的情况发生。

小结

本文给大家介绍了零售行业进行需求预测的适用场景及技术方法，以及如何通过需求预测实现价值变现。

下一篇我们将跟大家聊一聊具体实践中，零售行业AI预测具体有哪些派别，而观远数据又是如何来帮助企业进行需求预测的。敬请关注！