服裝公司該如何為每款SKU確定訂貨量？

?

參與：冷蕓時尚中級買手群群友

時間：2022年10月28日

莊主：Yi?han-成都-買手設(shè)計師

?

▼?以下的冷蕓時尚圈討論是就行業(yè)問題的討論及總結(jié)。這些分享屬于集體智慧的結(jié)晶。（它們并不代表冷蕓個人觀點）。希望通過此種方式能讓更多行業(yè)人士受益！

?

以下討論主要參考了期刊文“Product age based demand forecast model for fashion retail”，作者：Rajesh Kumar Vashishtha、Vibhati Burman、Rajan Kumar、Srividhya Sethuraman、Abhinaya R Sekar、Sharadha Ramanan

?

?

｜一｜

服裝公司為什么要對下季

商品進(jìn)行準(zhǔn)確的預(yù)測？

?

訂貨量一直以來是服裝公司的頭等大事。為什么要對下一季商品進(jìn)行準(zhǔn)確預(yù)測呢？

?

結(jié)合幾位行業(yè)內(nèi)蕓友的討論，對下一季商品進(jìn)行準(zhǔn)確預(yù)測的重要性體現(xiàn)在：

?

1、精準(zhǔn)預(yù)測可以在前期確定好每一款的庫存。定好主推款，才知道其他工作該如何進(jìn)行？

?

2、有計劃、有方向，才知道路該怎么走。有了銷售預(yù)測，采購計劃，才能了解現(xiàn)金流是否能支撐，并如何應(yīng)對，也能進(jìn)一步制定推廣計劃。

?

3、進(jìn)行商品預(yù)測是為了不錯失銷售機(jī)會的同時也不積壓庫存，最大限度地用好資金。

?

過度的庫存會導(dǎo)致現(xiàn)金流短缺，并因為最終可能不得不焚燒庫存而污染環(huán)境，不當(dāng)?shù)膸齑孢€會導(dǎo)致錯失銷售機(jī)會。因此盡量科學(xué)地預(yù)測產(chǎn)品需求量是非常重要的。

?

?

?

｜二｜

影響商品訂貨量的因素有哪些？

?

蕓友們根據(jù)自己的實際經(jīng)歷進(jìn)行了討論，并且將目前遇到的影響因素總結(jié)如下：

1.私營企業(yè)老板容易拍腦袋，定好的計劃說改就改。

2.公司銷售預(yù)計過于樂觀，為了實現(xiàn)目標(biāo)，產(chǎn)品備多了庫存。

3.消費者消費行為的變化。

4.市場宏觀狀況，該品牌所在大類目是處于增長期還是衰退期。

5.行業(yè)技術(shù)變革。

6.流行趨勢變化影響。

7.天氣預(yù)測。

8.快反供應(yīng)鏈匹配度。

9.看各品類，性別，系列線，款式，顏色等等的歷史銷售。?

10.當(dāng)前現(xiàn)貨庫存情況決定下季的訂量。?

11.渠道需求：需考量各渠道的銷售需求，匯總起來。?

12.采購成本價的影響。

13.其他突發(fā)事件，比如疫情期間導(dǎo)致物流的不可控等因素。

?

?

?

｜三｜

預(yù)測下季商品需求時，現(xiàn)有的預(yù)測模型有哪些？

都有哪些弊端？?

?

服裝銷售預(yù)測的方法有哪些？我們?nèi)绾芜\用大數(shù)據(jù)將銷售做得更好？

?

在冷蕓老師的這篇文章中有很多種預(yù)測方法，詳細(xì)的預(yù)測方法可能在大家平時工作中也沒有運用過。

?

1.傳統(tǒng)統(tǒng)計預(yù)測（基于線性時間預(yù)測）

運用Exponential smoothing（指數(shù)平滑模型）、ARIMA模型、Regression models線性回歸模型。

?

這類模型是基于上一年的銷售數(shù)據(jù)得出的預(yù)測，要求時序數(shù)據(jù)穩(wěn)定，但這類模型的弊端是只能捕捉線性關(guān)系，不能捕捉非線性關(guān)系。

?

?

2.貝葉斯法則

Machine Learning (ML) 機(jī)器學(xué)習(xí)和Neural Networks (NN) 神經(jīng)網(wǎng)絡(luò)。Machine Learning是人工智能的核心，使計算器具有智能的根本途徑。

?

這類模型比傳統(tǒng)預(yù)測效果好，但是其弊端是針對時尚類產(chǎn)品，商品生命周期短，無歷史數(shù)據(jù)，結(jié)果也會受到影響。

?

?

3.Artificial Intelligence(AI)人工智能、ArtificialNeural Networks(ANN)人工神經(jīng)網(wǎng)絡(luò)、Fuzzy Logic模糊邏輯

這類模型的弊端在于需要大量時間訓(xùn)練機(jī)器學(xué)習(xí)。

?

以上的模型必須要有銷售的歷史數(shù)據(jù)，規(guī)律的銷售模式，較長的生命周期才能更好的預(yù)測。

?

?

??

｜四｜

基于產(chǎn)品上市周數(shù)的預(yù)測模型的優(yōu)勢及預(yù)測方法

?

1.什么是基于“產(chǎn)品上市周數(shù)”的預(yù)測模型？

?

以下兩張圖是文章中基于產(chǎn)品上市周數(shù)的預(yù)測模型舉例。

圖中的橫坐標(biāo)“age"在文中指上市以來的周數(shù)，這兩個品類有共同的屬性，文中提到它們的生命周期都很短。

?

?

2.與其他預(yù)測模型相比，基于產(chǎn)品上市周數(shù)的預(yù)測模型有哪些新特點？其優(yōu)勢是什么？

?

基于產(chǎn)品上市周數(shù)的預(yù)測模型是指將一個商品在商店里的銷售情況建模，關(guān)于它的上市周數(shù)、屬性、銷售價格、時間和商店特征，并加入了新的特征工程（產(chǎn)品上市以來的周數(shù)、假期／特殊事件、顏色、袖長、穿著場景）。

?

?

3.基于產(chǎn)品上市周數(shù)預(yù)測模型的預(yù)測方法？ ?

?

如何運用基于產(chǎn)品上市周數(shù)的預(yù)測模型的預(yù)測方法？首先，文中提出有一個訓(xùn)練圖。

圖片下方是機(jī)器翻譯的內(nèi)容。這張圖是利用過去的業(yè)績和屬性進(jìn)行店鋪分類，這是一個獨創(chuàng)的店鋪分類法，有區(qū)別于傳統(tǒng)分類。通常傳統(tǒng)的店鋪是按照業(yè)績體量，店鋪所在區(qū)域面積或正價店、折扣店類型進(jìn)行分類。我們用文中這種獨特的方法可以對店鋪更加準(zhǔn)確的分類，但我們還沒有做到很清晰地收集系統(tǒng)數(shù)據(jù)，更多是依靠負(fù)責(zé)人的經(jīng)驗，而個人經(jīng)驗會有很大的主觀性。這個訓(xùn)練流程結(jié)束后得到每個集群的基于產(chǎn)品上市以來的ML/DL模型訓(xùn)練結(jié)果。接下來就是測試階段。

產(chǎn)品上市以來的周數(shù)、假期特殊事件的數(shù)量、顏色、袖長、穿著場景、尺寸剖析、商品品類都是我們要考慮進(jìn)去的因素。這個模型可以預(yù)測商品推出的最佳時間。

?

?

?

｜五｜

基于產(chǎn)品上市周數(shù)的預(yù)測模型如何在實際案例中運用？

?

1.在女裝連衣裙和童裝中的運用

（圖片來源：所參考期刊文）

?

上圖中的這個年齡指的是產(chǎn)品上市以來的周數(shù)。

這是基于產(chǎn)品上市周數(shù)的預(yù)測模型如何在女裝連衣裙和童裝中的運用。通過這兩張圖大家可以看出基于年齡的ML和DL模型在童裝和女裝連衣裙的運用中效果都優(yōu)于baseline xgboost和baseline dl模型等平均預(yù)測模型。

?

冷蕓老師提出RMSE與MAE是統(tǒng)計學(xué)常用的公式，前者是均方根誤差，后者是平均絕對誤差。這些統(tǒng)計并不復(fù)雜，excel也可以計算。如果大家想繼續(xù)在買手和商品道路上走向?qū)I(yè)道路，統(tǒng)計是需要學(xué)習(xí)的。因為數(shù)據(jù)越來越重要，統(tǒng)計學(xué)會成為每個人必備的基本知識。但不用記住復(fù)雜公式，因為計算機(jī)會自動計算，自己只要知道何時用什么統(tǒng)計方法即可。統(tǒng)計學(xué)需要數(shù)學(xué)基礎(chǔ)，如果覺得難需要再去學(xué)高等數(shù)學(xué)，學(xué)數(shù)學(xué)無論是否做數(shù)據(jù)分析都有好處，并且可以訓(xùn)練人的邏輯思維。

?

?

文字整理：張懷楷

文字編輯：陳暢

美術(shù)編輯：李寧