电商预估销量与库存预测模型：方法与应用
1. 问题
备货多了压库存占资金，备货少了断货丢订单。电商库存管理最难的就是"到底该备多少"？
没有销量预测，备货全靠拍脑袋，结果要么库存积压要么断货。
2. 学习
从腾讯云和知乎的文章中，系统学习了电商销量预测的方法论。销量预测是从历史数据出发，结合外部因素，预测未来一段时间内的产品需求量。
3. 分析
销量预测的全流程
第一步：数据收集- 历史销售数据（至少12-24个月）
- 产品信息（品类、价格、生命周期）
- 促销活动记录（时间、力度、效果）
- 外部因素（节假日、天气、宏观经济、竞品动态）
- 处理异常值（大促时销量暴增是"正常异常"要保留，系统故障导致的缺失要补全）
- 处理缺失值
- 数据标准化
- 季节性分析：识别销售数据的季节性模式
- 趋势分析：长期增长或下降趋势
- 周期性分析：周/月/季度的规律性波动
常用预测模型：
| 模型 | 适用场景 | 优点 | 缺点 |
|-----|---------|-----|-----|
| 移动平均法 | 短期预测 | 简单易懂 | 不能捕捉复杂模式 |
| 指数平滑法 | 有趋势和季节性的数据 | 参数少、易实现 | 对大变化反应慢 |
| ARIMA模型 | 平稳时间序列 | 理论基础扎实 | 需要数据平稳性检验 |
| Prophet（Facebook） | 强季节性数据 | 自动处理节假日效应 | 假设性较强 |
| LSTM神经网络 | 大量历史数据 | 能捕捉复杂非线性关系 | 需要大量数据，计算成本高 |
第五步：预测与验证- 将数据分为训练集（80%）和测试集（20%）
- 用MAE（平均绝对误差）和RMSE（均方根误差）评估模型
- 预测结果要根据市场变化做人工调整
4. 理解
销量预测不是算命，而是基于历史规律的靠谱估计。没有任何模型能100%准确预测未来。
关键是理解：预测的精度取决于数据质量、模型的合理性和外部因素的稳定性。
预测越短期越准（如未来1周的预测误差通常<10%），越长期越不准（如未来3个月的预测误差可能>30%）。
5. 内化
电商销量预测的三个核心原则：
6. 类比
销量预测就像天气预报：
- 历史数据 = 过去几年的天气记录
- 季节性分析 = 知道夏天热冬天冷
- 趋势分析 = 知道全球变暖导致平均温度在上升
- 短期预测 = 明后天预报（比较准确）
- 长期预测 = 下个月预报（大概趋势对，具体日子不准）
天气预报说"明天有80%概率下雨"，你带伞了，没下雨，但天气预报对的（概率意义上的正确）。
销量预测也是概率性质的，重要的是看"预测准确率"的长期趋势。
7. 迁移
预测思维可迁移到：
- 流量预测：下个月各渠道的流量预估（影响广告预算分配）
- 客服人力预测：根据销量预测推算客服需求（影响排班）
- 物流资源预测：根据销量预测安排仓储和运力
8. 实践
快速建立销量预测系统的步骤：
方案一：Excel简易法（适合小电商）9. 调整
常见错误【错题本】：
- 只用全部历史数据预测未来。实际上越近的数据权重越大，旧数据可能反而干扰预测
- 忽略促销活动的影响。历史数据中的大促数据会显著拉高平均值，如果不单独处理会严重高估日常销量
- 不做A/B测试。同一品类不同SKU的销量模式差异很大，不应该用同一个模型
- 模型评估只用R平方不看预测误差。R平方高不代表预测准，还要看MAE和MAPE
- 预测了但没有反馈机制。预测偏差应该反馈给模型做调整，形成闭环
10. 成事
某电商在使用Prophet模型做销量预测后，安全库存水平降低了15%，同时缺货率下降了30%。
预测准确率从原来的60%提升到了85%。
核心不在于模型多复杂，而在于把预测结果真正用到库存决策中去。
关联笔记： 06.7-电商经营分析与数据驱动决策 08.1-电商供应链与库存管理