一、基于日销补货测算

首先，这种方法适用于店铺日销偏平稳的店铺

每天的数据波动是正常的，但总体不会出现规律和大起大落的情况。上图前半部分是因为活动导致销量波动，活动结束后趋于平稳，而且在补货周期和销售周期内没有活动计划。

难点是不同的SKU的补货周期不同，要实现高效率的补货测算如果用Excel函数将非常复杂，因此我选择的工具是Power Pivot，是效率最高，实现相对较为容易，最容易的是Power Query可以全程可视化操作。

以下的几个SKU的补货周期是21天（也就是从工厂下单到入库需要21天），根据最近21天的销量减去现有的库存量，就是要补货的最小量，多少天后要补货是根据库存和补货周期的计算，这张表需要每天更新数据，可以每天监控可能要补货的SKU，库存一周期备货量是到货后还能卖一个补货周期天数的量，一般以这个为准。

二、基于时序的补货测算

当销售趋势出现规律性的时候，如果是下图这种7天规律的，补货周期大于7天的时候，可以用时序预测的方法，当然也可以用基于日销的方法，因为周期性已经涵盖在补货周期天数里面的。

当SKU的销量趋于上升趋势的时候，比如在产品中前期时，还不稳定，而且呈现一定的增长趋势，那样就无法基于之前N天的销量来测算补货数量了，否则补货量将无法满足周期的销售。

基于时序的预测，需要用到FORECAST.ETS函数

这个函数共4个参数

第一个参数是要预测的日期

第二个参数是历史的数据

第三个参数是历史数据对应的日期

第四个参数是周期长度，为7表示周期为7天（7天为周期是通过观察图表和经验得来，淘宝7天为一个商品的流量周期）

预测结果是每7天稳步上升，由于前面3个（7天）周期中都有两个峰值，所以后面的预测图形都具有这个特征。

前21天的销量为9207，预测未来21天销量为18140

三、基于活动补货测算

活动的数据在图形中属于异常值，特别是一天的活动，就特别像是一个离群点。以上两种方法完全不适应于活动的测算，活动销量的测算需要考虑的因素更为丰富。

对于S级别的活动，备货量是跟小二谈的了，对于聚划算、淘抢购等常见的A级活动预测可以通过历史数据建立回归方程测算，对于参加大促的中小商家也适用此方法。

此方法重点是影响因素的确定，重要因素有收藏数，收藏率，活动位置，同行活动价格，同行活动销量等。

本例以淘抢购平台的销量测算为例，但不同类目不同情况下的重要因素不同，因此本文中的例子方法不完全通用，思路和方法的原理是通用的。

首先要记录数据，通过数日的跟踪，发现数个跟自己的商品同类型的产品，得到下表

备注：场次表示从0点到23点的13个场次，店铺类型1为集市店，2为天猫店，店铺销售额为近30天销售额（不包含活动当天）

这些数据会存在水分，商家为了完成业绩会刷单，对于我们预测来讲这个数据是会影响结果的。可以通过同行了解大概的比例，如果无法了解就自己预判，预判的范围在20-60%之间，如果你说大家上个淘抢购要刷个90%的单子，那这个的可能性不大。

从你报名活动到活动上线，中间有8-13天的时间，这是给补货的时间，如果补货周期极短，那就无所谓了，但是如果补货周期较长，最保险的方法当然是报名前就要预估好大致的销量，这样可以按照报名件数进行备货。

其实记录完数据后，就会发现已经有一个大致的范围了，最低卖了多少，最高卖了多少，鉴于货值要在15万左右，80多的客单价，报名件数至少要1500左右，但是为什么大家价格差不多，但是销量各异呢？

【店铺类型】，天猫跟淘宝还是有区别的

【店铺销售额】，决定了原始客群的大小

【场次】，对销售有直接影响

【是否有有相似产品上活动】，这个避免不了，没有相似产品上活动是一件小概率事件

【产品的内功】，可以量化，但是量化难度较大，需要找消费者给产品描述页打分

本例用上图中记录好的数据建模，其他影响因素暂时忽略

备注：该工作流是用Smartmining（类似SPSS Modeler）构建的，模型选用高斯过程回归（已经封装好的模型）。

通过变量重要性可以观察到各个变量对目标（销量）的影响程度，依次是店铺类型>店铺销售额>价格>场次，这个是这些数据产生的规律，会因此产品品类和统计数据时间、数量产生差异。

模型在训练集上的预测结果，跟真实销量非常接近。

输入新的数据，第6场（13:00场次），天猫店，价格是89.9，店铺销售额是25.8万

预测结果是1345（单位：件）

这个结果可以通过行业的水分比例缩减，建议比例定在30-40%的范围，结果是807-942之间。

这个是预测SPU的结果，如果是SKU也是一样的方法，需要统计活动当天单品的SKU库存的变化量，通过类似的方式再进行建模，预测出不同SKU的活动销量。