错误1：预测销售量，而非商店级别的需求

为了加快并简化预测过程，公司可能首先使用自上而下的方法构建预测模型，然后选择整个零售商的顶级产品或类别的销售数据。但是，由于库存不足，在估算实际需求时，使用这种方法而不是使用单个的，不受位置限制的无限制需求会导致严重的预测偏差，如果没有库存，您在7月会售出多少个单位，一个月的第三周有多少存货？根据先前的销售量来计算预测并不能解决由于缺货而导致的销售损失，从而导致人为地压低任何未来的预测，并且周期会继续。

即使您在预测或计划过程中发现库存不足，如果您没有衡量各个地点的需求，您仍然会错过分数，库存不足的情况可能仅发生在某些地区，一年中的某些时候，甚至跨特定的产品类别。仅对缺货数量进行平均并不能得出准确的预测，因为当缺货在时空上围绕特定类别进行聚类时，其影响会以整体需求信号的形式消失。在构建模型时，请针对每个位置的缺货情况进行所有调整，并相应地调整预测模型。

错误2：将所有未命中同等对待

调整数据以解决商店级别的真实需求后，即使的预测也不会100％准确，大多数标准预测方法都会针对无偏估计进行优化，类似地对过度预测和预测不足进行惩罚，并且仅针对偏差的大小进行调整。

但是在零售中，错误的相对成本可能相差很大，预测不足的需求将导致缺货增加，因此尽管库存量减少，但利润也会减少，另一方面过度预测的需求将导致较少的缺货，但使您面临携带大量库存的风险，虽然这两种情况都可能导致不良结果，但这些结果的严重程度取决于品牌所从事的特定行业。

例如，一家时装公司可能认为过度预测比低度预测更为致命，因为尽管较低的库存水平可能会导致缺货和销售损失，但过多的库存无疑会导致降价，退货和退货，沉没成本同样大型电器制造商也可能认为库存过多比库存不足更为有害，因为多余的产品会占用大量昂贵的存储空间和货架空间。

但是，由于更多季节性驱动的品牌具有较高的利润率，因此积压的产品可能比积压的库存更好，一家玩具公司宁愿稍有积压的库存，但要在12月的两周内满足消费者的全部需求，而不是在一年中重要的购买时机内错过销售机会。

为了解决并非每个品牌都会产生所有的未命中预测，甚至在一个品牌内的产品之间可能会有所不同的事实，公司应使用适合其特定行业需求的自定义不对称损失函数。这种方法允许调整预测模型以优化以避免有害的“缺失”。该技术的终结果将优于传统的成本函数或拟合质量指标，后者可以将所有预测误差视为同等有效。

为零售业做正确的数据科学

在当今竞争日益激烈的零售环境中，智能预测是一种强大的工具，可让公司制定以信息为依据的决策，以优化收入。周到的数据科学实践可以提供更精确的分析和预测，这可能会非常有用，但是很容易成为简化数据或建模错误的受害者，从而降低了预测的价值。

免费客服热线：400-050-6600

商业联合会数据分析专业委员会