销售预测的方法与模型（二）丨商品与库存分类——基于数据模型运营的本质和底层逻辑销售
在零售领域，通过商品分类来观察销售和库存的波动性是关键，不同商品具有不同的销售和库存模式，是对商品和库存进行有效分类与精细化管理的基础。此外，还要结合主观对商品画像的维度描述进行整合。根据商品的特性，不同的波动性模型可以帮助企业更精准地预测需求、制定补货计划，降低库存成本和缺货风险。
如何通过商品分类确定波动性模型？
商品可以根据其特性分为多种类型，如畅销商品、季节性商品、波动较大的商品等。针对不同商品的波动性，可以选择不同的模型来分析其销售和库存的波动。下面介绍几种常见的商品波动性分类及对应的模型，并举例说明如何使用这些模型。
一、ABC分析法
在零售行业中，产品分类是管理库存和优化供应链的基础。常见的分类方法之一是 ABC分析法，也称为 库存ABC模型，这是一种基于产品价值和消耗量的分类方法，可以帮助企业将不同的重要性和管理策略应用于不同的商品。
1. ABC模型的基本原理
ABC模型的核心理念是将产品分为三类：
A类商品：占库存中 较小的比例（如20%），但贡献了 较大的价值（如80%）。
B类商品：占库存和价值的 中等比例，通常是介于A类和C类之间的商品。
C类商品：占库存中 较大的比例（如50%或更多），但对总价值贡献 较小（如10%）。
这种分类方法遵循 帕累托原则（20% 的商品带来80%的收益），通过优先管理A类商品，可以实现有效的库存控制和资源分配。
2. ABC分类的步骤
（1）确定分类标准
ABC分类的标准通常基于 年度消耗量（或销售量）乘以 单价，以此来计算每个商品的 年度消耗价值。该值决定了商品的分类。
公式：
（2）计算各商品的年度消耗价值
假设一家零售企业 StarMart 的主要产品有以下数据：
| 产品名称 | 年度消耗量（件） | 单价（元） | 年度消耗价值（元） |
| 商品A | 1000 | 300 | 300,000 |
| 商品B | 1500 | 50 | 75,000 |
| 商品C | 500 | 10 | 5,000 |
| 商品D | 2000 | 5 | 10,000 |
| 商品E | 800 | 200 | 160,000 |
（3）按消耗价值排序并计算累积百分比
将各商品按年度消耗价值从高到低排序，然后计算累积百分比。
| 产品名称 | 年度消耗价值（元） | 累积消耗价值 | 类别 |
| 商品A | 300,000 | 50% | A类 |
| 商品E | 160,000 | 77% | A类 |
| 商品B | 75,000 | 90% | B类 |
| 商品D | 10,000 | 98% | C类 |
| 商品C | 5,000 | 100% | C类 |
在这个例子中，商品A和商品E由于年度消耗价值占比最高（前80%），被分类为A类；商品B处于中等消耗水平，属于B类；商品D和商品C的消耗价值较低，被划分为C类。
（4）根据分类调整管理策略
A类商品：需要密切关注，保证库存周转率高。通常采用 严格的库存管理，保证高供应链效率并避免缺货。
B类商品：次重点管理，定期监控，采用 平衡的补货策略。
C类商品：由于其贡献的总价值较低，可以采用 较宽松的库存管理，甚至适当减少库存量。
二、单一维度进行货品分类与预测（销量）
按照时间序列观察ABC分类，根据销售或库存的变化趋势调整库存策略。
基本思路
在传统的ABC分类中，产品是基于年度消耗量或年度消耗价值来进行分类的，具体来说，可以通过以下几个步骤来执行：
·收集历史销售数据：获取产品的历史销售或库存数据，形成时间序列数据集。
·根据时间序列趋势分类：通过时间序列模型（如简单移动平均、指数平滑等）对各类产品进行销量预测，从而动态地确定不同时间段的ABC分类。
·动态调整分类：定期或按需调整产品的ABC分类，根据产品的销量变化趋势（例如季节性波动、促销等）。
示例：StarMart的时间序列ABC分类
假设StarMart在过去3个月中有以下5个主要商品，且这些商品的日销量数据如下：
1. 数据收集
| 日期 | 商品A销量 | 商品B销量 | 商品C销量 | 商品D销量 | 商品E销量 |
| 2024-08-01 | 50 | 20 | 15 | 10 | 5 |
| 2024-08-02 | 48 | 22 | 14 | 12 | 5 |
| 2024-08-03 | 52 | 25 | 16 | 9 | 4 |
| 2024-08-04 | 49 | 21 | 15 | 11 | 5 |
| 2024-08-05 | 51 | 23 | 14 | 13 | 4 |
| 2024-08-06 | 53 | 24 | 15 | 10 | 6 |
| ... | ... | ... | ... | ... | ... |
| 2024-10-31 | 55 | 28 | 18 | 12 | 7 |
2. 计算每个商品的3个月销售总量
计算每个商品在3个月内的总销量（可以使用 简单移动平均 或其他平滑方法来减少日常波动的影响）。
| 商品名称 | 3个月总销量 |
| 商品A | 1,500 |
| 商品B | 600 |
| 商品C | 450 |
| 商品D | 300 |
| 商品E | 150 |
3. 按销售总量排序并计算累积百分比
将这些商品的销量按降序排列，并计算每个商品的累积销量百分比。
| 商品名称 | 3个月总销量 | 累积销量 | 累积百分比 | ABC分类 |
| 商品A | 1,500 | 1,500 | 50% | A类 |
| 商品B | 600 | 2,100 | 70% | A类 |
| 商品C | 450 | 2,550 | 85% | B类 |
| 商品D | 300 | 2,850 | 95% | B类 |
| 商品E | 150 | 3,000 | 100% | C类 |
4. 使用时间序列预测动态分类
假设我们希望基于 过去30天 的数据，动态地预测每个商品未来一个月的销量。我们可以使用 时间序列分析（如简单移动平均或指数平滑）来估算未来的销量，并根据这些预测结果来调整ABC分类。
4.1 应用时间序列模型（简单移动平均法）
对于商品A、B、C、D、E，我们可以计算过去30天的 简单移动平均，预测下个月的销量，并根据该销量重新评估它们的分类。
例如，商品A的过去30天日销量数据如下：
| 日期 | 商品A销量 |
| 2024-10-01 | 53 |
| 2024-10-02 | 54 |
| 2024-10-03 | 55 |
| 2024-10-04 | 53 |
| 2024-10-05 | 56 |
| ... | ... |
| 2024-10-30 | 58 |
我们可以计算过去30天的 简单移动平均（SMA）：
假设商品A的过去30天销量的SMA为 54件/天。
那么，预计商品A的下个月销量为 54 * 30 = 1,620件。
4.2 根据预测调整ABC分类
使用同样的简单移动平均法计算其他商品的预测销量：
| 商品名称 | 预测销量（下个月） | 预测销量排名 | 累积销量 | 累积百分比 | ABC分类 |
| 商品A | 1,620 | 1 | 1,620 | 54% | A类 |
| 商品B | 700 | 2 | 2,320 | 77% | A类 |
| 商品C | 480 | 3 | 2,800 | 93% | B类 |
| 商品D | 320 | 4 | 3,120 | 98% | B类 |
| 商品E | 180 | 5 | 3,300 | 100% | C类 |
在这个例子中，虽然商品C在过去3个月是B类，但由于未来销量预计下降（预测销量为480件），它仍然是B类。商品A的销量预计继续增加，因此仍保持A类。
5. 总结评估
通过对数据的分析，可以预判下一个行动周期的数据，然后对比预测的情况找到此类商品的波动性（需求、库存），验证模型的准确性（观察数据的波动性对比）。
三、多维度货品分类（ABC-XYZ），基于库存与销售数据（客观数据）
XYZ模型是一种基于需求波动性对库存进行分类的模型。与ABC分类法侧重于销售或消耗的金额或数量不同，XYZ模型侧重于产品需求的稳定性和波动性。具体来说，XYZ模型将产品根据其 需求波动性 分为三类：
·X类：需求非常稳定，波动性小，通常可以预测。
·Y类：需求有中等波动，受季节、促销等因素影响，适合使用中期预测模型。
·Z类：需求波动性大，需求难以预测，通常受到偶发事件或特殊情况（如促销、突发市场变化等）影响较大。
这种分类方法适用于多种行业，尤其是在零售、制造和供应链管理中，可以帮助企业更好地管理库存和补货策略。
1. XYZ模型的基本原理
X类产品：需求稳定，通常为基础产品或者长期销售的产品。对这些产品，企业可以使用长期的库存管理策略，较少需要调整库存水平。
Y类产品：需求有一定波动，通常与季节性、促销活动或趋势变化有关。对于这类产品，企业需要根据季节性、市场活动等因素做中期的预测与调整。
Z类产品：需求波动性大，不稳定，可能受到短期事件、市场波动等影响。对于这类产品，企业需要较高的灵活性和反应速度，采用灵活的库存管理策略和短期预测。
2. XYZ模型的应用流程
计算需求波动性：
需求波动性通常通过 标准差 或 变异系数（CV，Coefficient of Variation）来衡量。变异系数是需求标准差与平均需求的比值，变异系数越大，需求波动性越大。
公式：
分类标准：
·X类：需求波动性小，CV较低（通常小于0.5），产品的需求变化可预测。
·Y类：需求波动性中等，CV适中（0.5到1.0之间），需求受季节、促销等因素影响。
·Z类：需求波动性大，CV较高（大于1.0），产品的需求难以预测。
根据波动性制定策略：
·X类产品：采用 较低的安全库存，库存补充策略可以较为稳定，适合长期预测。
·Y类产品：采用 中期预测和灵活调整策略，根据季节变化或促销活动调整库存。
·Z类产品：需要 较高的安全库存 和 快速反应机制，并且采用短期预测，灵活应对突发需求。
3. XYZ模型的实际案例
以一个 零售商店（如StarMart）为例，假设其有五种产品，销售数据如下（按周销售量计算）：
3.1 数据收集
| 产品名称 | 销售量（周1-4） | 销售量（周5-8） | 销售量（周9-12） | 销售量（周13-16） |
| 商品A | 50,52,51,53 | 52,51,53,50 | 51,50, 52, 53 | 53,52,51,50 |
| 商品B | 200,210,220,230 | 240,250,230,220 | 210,200,230,240 | 250,240,230,210 |
| 商品C | 10,12, 9,15 | 50,55,48,45 | 5,4,6,8 | 12,15,18,20 |
| 商品D | 5,5,5,5 | 4,4,5,6 | 10,12,13,14 | 20,25,30,35 |
| 商品E | 100,150,130,120 | 160,170,180,150 | 140,130,120, 110 | 100,90,95,110 |
3.2 计算需求波动性（CV）
我们先计算每个商品的 变异系数（CV），来评估它们的需求波动性。
商品A的需求：
销售量数据：50, 52, 51, 53, ...
商品B的需求：
销售量数据：200, 210, 220, 230, ...
商品C的需求：
销售量数据：10, 12, 9, 15, ...
商品D的需求：
销售量数据：5, 5, 5, 5, ...
商品E的需求：
销售量数据：100, 150, 130, 120, ...
3.3 分类与分析
根据计算得到的CV值，我们可以对每个商品进行分类：
商品A：CV = 0.023 → X类（需求非常稳定）
商品B：CV = 0.041 → X类（需求稳定，适合长期预测）
商品C：CV = 0.35 → Y类（需求波动较大，适合季节性预测）
商品D：CV = 0 → X类（需求稳定，无需太多调整）
商品E：CV = 0.14 → Y类（需求略有波动，适合季节性调整）
3.4 结果总结
通过XYZ模型，能够根据不同商品的需求波动性，采取针对性的库存管理策略。对于需求稳定的商品，采用较为简单、稳定的库存管理方法；而对于需求波动较大的商品，则需灵活调整库存和补货策略，甚至进行短期预测和快速响应。
这种方式帮助企业提高了库存周转率，减少了积压，同时避免了缺货现象，提升了整体的供应链效率。
四、多维度货品分类（VED），主观数据（人为判断）
VED分类（Vital, Essential, and Desirable）是库存管理中常用的一种方法，它通过对产品的重要性进行分类，以帮助企业更好地管理库存和优化采购决策。VED分类主要关注每个产品对公司运营的影响程度，而非其销售频率或库存周转速度。
V类（Vital）：对企业运营至关重要，缺货可能导致生产停滞或重大业务损失。
E类（Essential）：对企业运营非常重要，但可以通过适度的库存调整和替代品管理来应对短期缺货。
D类（Desirable）：对企业运营的影响较小，可以接受库存不足或偶尔缺货，通常是可选配件或非核心产品。
1. VED分类的基本原理
Vital (V类)：
这些产品对于企业的日常运营和生产至关重要。如果这些产品断货，可能会直接导致生产线停工、销售停滞或客户流失。
对于V类产品，企业需要始终保持充足的库存，并确保及时补货，通常会采取保守的库存策略。
Essential (E类)：
这些产品对企业运营也非常重要，但相对来说，它们的缺货影响不如V类产品严重。企业可以通过调整库存、延迟补货或使用替代品来应对短期缺货。
对于E类产品，库存管理更为灵活，可以通过优化补货周期来平衡成本和风险。
Desirable (D类)：
这些产品对企业运营的影响较小。即使短期内缺货，也不会对公司造成重大影响。通常是一些配件、替代品或非关键产品。
对于D类产品，库存量可以保持较低，补货周期较长，甚至可以不做优先补货。
2. VED分类的实际案例
假设我们有一家制造企业，生产汽车零部件。企业需要管理大量的原材料和配件，并确保生产线的顺利运行。以下是根据产品重要性对一些原材料和配件进行VED分类的过程。
2.1 数据收集
我们从生产计划中获取到以下几种原材料及其库存需求：
| 产品名称 | 描述 | 库存使用频率 | 生产中的重要性 |
| 发动机芯片 | 关键电子组件，汽车发动机中不可缺少的部分 | 高频使用 | 极其重要（V类） |
| 轮胎 | 汽车的标准配件，必须保证足够库存 | 高频使用 | 重要（E类） |
| 后视镜 | 非核心配件，偶尔需要更换 | 中频使用 | 可有可无（D类） |
| 刹车片 | 汽车安全部件，必须确保供应 | 高频使用 | 重要（E类） |
| 座椅缝线 | 用于车座的缝制材料 | 低频使用 | 可有可无（D类） |
2.2 根据重要性进行VED分类
根据以上数据，企业可以根据产品对生产和运营的重要性进行VED分类。
发动机芯片：由于发动机芯片是汽车发动机中至关重要的部件，若短缺会导致生产停滞，因此它被归类为 V类（Vital）。
轮胎：轮胎是汽车的必需部件，缺少轮胎会导致产品无法出厂，因此它被归类为 E类（Essential）。
后视镜：后视镜虽然是汽车的标准配件，但它对汽车的正常运行影响较小，即使短期内缺货也不会对生产造成太大影响，因此它被归类为 D类（Desirable）。
刹车片：刹车片是确保汽车安全的重要部件，缺少刹车片会导致安全隐患，因此它被归类为 E类（Essential）。
座椅缝线：虽然座椅缝线对汽车外观和舒适性有影响，但它不是生产中不可缺少的部件，因此它被归类为 D类（Desirable）。
2.3 分类后的库存管理策略
根据VED分类，企业可以采取不同的库存管理策略：
V类（Vital）产品（如发动机芯片）：
库存管理策略：这些产品对生产至关重要，企业需要始终保持充足的库存，并提前规划补货周期。为了避免缺货情况，可以考虑多渠道供应商、长期合同等保障措施。
补货策略：定期审查库存和销售数据，确保产品库存量能够满足生产需求。如果发现库存量低于安全库存线，必须及时补货。
E类（Essential）产品（如轮胎、刹车片）：
库存管理策略：这些产品对生产仍然重要，但可以接受在短期内的供应调整。企业可以根据市场需求进行季节性调整，或适度减少库存水平以降低成本。
补货策略：合理规划补货周期，基于销售历史和季节性需求，灵活调整库存量。例如，轮胎的需求通常会在冬季或特定促销期增加。
D类（Desirable）产品（如后视镜、座椅缝线）：
库存管理策略：这些产品的库存需求较低，可以减少库存量或延长补货周期。可以根据实际使用情况来确定是否继续保留库存。
补货策略：对于D类产品，可以采用较长的采购周期，定期检查是否需要替换或淘汰滞销产品。
通过VED分类，企业能够清晰地识别哪些产品是目前的主推款、形象款、陈列款等，作为客观条件的主观补充。
五、多维度整合（主观+客观）
将 XYZ、VED、FSN 等多维度的分类模型整合在一起，确实是一个复杂的任务，尤其当这些分类标准涉及到不同的变量和维度时。为了实现这个目标，通常可以采用 多维度权重分析 和 机器学习算法 来综合考虑各个分类维度。下面是一些方法，如何将这些多维度分类模型整合在一起：
1. 加权评分法（Weighted Scoring Method）
一种简单但有效的方法是采用 加权评分法，将不同分类维度（例如 XYZ、VED、FSN）的得分进行加权汇总。这种方法的基本思路是为每个维度（如 销售频率、重要性、需求波动性 等）设定一个权重，并根据每个产品在各个维度上的表现来计算一个综合得分。
步骤：
定义维度：确定哪些维度（例如：销售频率、重要性、需求波动性等）是用于分类的。
设定权重：为每个维度设定权重（根据企业需求，可以根据经验、业务目标、数据分析等）。
打分：根据每个维度对产品进行打分（例如：FSN分类中的F类=3分，S类=2分，N类=1分）。
计算综合得分：将各个维度的得分乘以相应的权重后求和，得到每个产品的综合得分。
排序或分类：根据综合得分进行排序或划分组别。
举个例子：
假设我们有一个产品（如轮胎）需要考虑以下三个维度：
XYZ分类（需求波动性）：根据历史销售数据分为X类、Y类、Z类。
VED分类（重要性）：分为V类、E类、D类。
FSN分类（流动速度）：分为F类、S类、N类。
每个维度的权重可以设定为：
XYZ：权重0.4
VED：权重0.3
FSN：权重0.3
假设：
XYZ分类为 X类（分数3）
VED分类为 E类（分数2）
FSN分类为 F类（分数3）
那么，综合得分计算如下：
然后可以根据综合得分进行排序或分类。
2. 聚类分析（Clustering）
聚类算法是一种无监督学习方法，能够根据多个变量自动将对象（如产品）分成几个组别。通过聚类方法，我们可以将XYZ、VED、FSN等多个维度的数据结合起来，自动对产品进行分组。
K-means聚类：一种常见的聚类算法，适用于数值型数据。通过计算产品在多个维度上的均值，将其分为K个类别。你可以把 XYZ、VED、FSN 等分类的得分作为特征输入K-means算法，然后根据聚类结果对产品进行分类。
层次聚类（Hierarchical Clustering）：这种方法基于距离度量来构建树状图，并且可以根据不同的阈值切割树状图来生成不同数量的类别。层次聚类适用于那些需要从多个维度中综合考虑产品特征的情境。
3. 多目标优化（Multi-Objective Optimization）
当涉及多个维度（如销售频率、需求波动性、重要性等）时，多目标优化方法是一个很好的选择。它可以帮助你在不同维度之间找到一个平衡点，并且综合考虑多个目标函数。
目标函数可以包括：
最大化销售效益（考虑需求波动性）；
最小化库存持有成本（考虑库存波动）；
优化产品的补货和存货策略（考虑产品重要性）。
这种方法通常通过优化算法（如线性规划、整数规划等）来实现。
4. 机器学习方法
如果分类任务的维度较多且关系较为复杂，机器学习可以更好地帮助我们自动识别不同维度之间的关系，并进行预测或分类。常用的机器学习方法包括：
决策树（Decision Trees）：决策树是一种基于树形结构的分类方法，它能够很好地处理多维度的分类问题。通过构建树形模型，机器可以根据不同的特征（如销售频率、需求波动性、重要性等）自动进行分类。
随机森林（Random Forest）：随机森林是多棵决策树的集合，可以提高预测的准确性。它可以处理高维度特征，并自动评估特征的重要性。
支持向量机（SVM）：SVM是一种强大的分类算法，能够找到不同类别之间的最佳分隔超平面，适合用于处理复杂的多维度数据。
神经网络（Neural Networks）：当数据量庞大，且维度非常复杂时，神经网络可以通过深度学习来自动提取特征并进行分类。神经网络特别适用于处理具有复杂模式的多维度数据。
5. 深度学习方法
当产品分类维度非常复杂（例如同时考虑销量、销售频率、需求波动性、产品重要性等多个因素），深度学习方法，尤其是多层感知器（MLP）网络或卷积神经网络（CNN），可以在多维度特征空间中学习复杂的模式和关系。
深度学习可以帮助从历史数据中自动学习出每个特征的权重和关系，从而更加精准地进行分类和预测。
6. 组合方法（Hybrid Approach）
你还可以将上述方法结合起来，形成一个多阶段的模型。例如，首先使用加权评分法对产品进行初步分类，然后通过聚类分析对产品进行精细化分组，最后使用机器学习模型进行进一步优化和预测。
进行销售预测，可以将各种算法分别使用，也可以分阶段使用，或者整合使用。虽然目前市场比较热衷于大模型解决所有问题，但对于全局最优和局部最优还是要慎重考虑，各有千秋。下面几期将会对每一种算法进行展开并附上实现的伪代码。