浅谈连锁行业的需求预测
如果你正在从事本文标题描述的工作，那么恭喜你，因为很少有企业会聘请员工去做一件永远不可能正确的事，而需求预测恰好是这样一个稀罕的专业。需求预测是整合企业内部的已有数据和外部一切可影响市场走势的变量去把脉市场，以期对内驱动企业内部供应链（supplychain）的高效运转，库存优化及与上游供应商们的供应网络(supplywor)的协同，以期拥有先知先觉的优势。
在连锁餐饮、时尚、超商便利店等行业，需求预测素来都是决胜市场至关重要的一环，有趣的是它本身又是极具争议及挑战的话题：快速的推陈出新、花样繁多的打折促销、以及各种节假日甚至天气变化所带来的影响，让销售纪录的波动远远超过了美元汇率和A股指数的振幅。
这些行业所销售的商品形态又极为多元，有单品也有组合套餐。单品和组合套餐的销售互相影响。同时，由于产品的备料（包括原材料的备料）在供不应求时会导致断货，而断货会导致历史销售数据比真实的市场需求小。按照这样的历史销售数据所做的需求预测会产生偏差。再加上销售中所产生的光圈效应(HaloEffect)和分流影响，都使精准销售预测变得尤为艰难。
多数连锁企业的销售成长不外乎两种途径：1。开出更多新的店铺；2。提升同店销售增长。在成长期，企业通过不断开出新的门店来快速扩张；而当市场渐近饱和时，持续提升同店销售则变的更为重要。为吸引消费者进入门店并产生消费，经营者往往会采取以下策略：
·限时供应：广告推广一款只在短期内销售的产品，譬如某快时尚品牌与明星设计师合作的一系列新装仅在指定的时间销售；或者一款榴莲口味的披萨，仅售卖五周时间;
·促销：这有多种渠道，如电视、网络、电台、户外广告、赞助体育赛事、发放优惠券、会员制、微信、手机APP等；
·组合套餐。将多款产品组合在一起按捆绑价出售，例如百货公司的新春福袋，或是某快餐品牌的春节大桶；
虽然多数的连锁企业，尤其快餐连锁，最初是通过较精简的几款优质、能快速售卖的产品而成长起来的，但竞争导致他们不得不持续扩充产品线，以维持消费者的新鲜感。而正因为如此，需求预测又变得更具挑战性。
·竞争总是史无前例的激烈，商家必须保持其营销机器的高速运转，以吸引消费者进入门店，产生消费。这些营销活动让涉及的产品产生无数的销售波峰及波谷，同时又对未涉及的产品产生正面或负面影响，使得预测尤为困难。
·企业不断推陈出新，这些创新的产品既无销售纪录可循，同时又对常规的老产品;产生干扰。
·周边的各种活动也会对销售产生巨大影响，譬如一场本地赛事或音乐会。倘若无法前瞻并准确的安排员工、配备库存，商家就无法应对由此产生的大幅需求波动。
由此推及，有效而迅捷的需求预测模式极其重要。提升的预测准确率能为企业带来诸多效益，譬如：
·降低断货风险
·高度的客户满意率带来的销售增长
·降低废弃和报废
·降低员工成本
·降低成品和原料库存
从成长期到成熟期，连锁型企业通过持续开发新店来不断发掘新市场并增加市场占有率，同时也关闭销售不达标的老店。为快速发展提供支持，这些企业通常在每一个区域（多个省或市），设立一个物流中心来支持该区域内的所有门店货物补给。因此汇总这些门店的数据，以物流中心为单位来进行需求预测，不失为一个更有效的方式。接下来，我们会具体介绍一些连锁企业常用的预测术语及计算方式。
假设我们在苏州有一个物流中心，提供货物补给到华东区域的100家某运动品牌门店。那么它需要预测的信息有：
1。交易笔数：假设每周每家店能有客人进来消费，总计产生5000笔交易。那该区域的一周总交易数就是5000*100=500，000。这里需要强调的是，所有门店的开张／关闭，区域内的大型活动如：世博会、奥运会，甚至天气变化会对生意带来的影响，都将用更精细的统计预测模型，考虑进交易数的预测。
2。单品选中率：即在每1000笔交易中，任意一个单品被选中的比率。假设一款被消费者广泛追捧的球鞋，在该品牌这些门店的每1000笔交易中就会被购买30次，那么该产品的单品千次选中率就是30。
3。产品售卖量的预测，就是将以上两组数据相乘而得到：500，000*30/1000=15，000，即代表该款球鞋在一周可能会售卖15，000份。
对比传统的单纯按历史售卖纪录，或者物流中心的发货纪录，灌入统计模型来预测未来需求，这种预测方式，有更多的优势：
·确立影响未来需求量波动的两大重要因素：1。交易量（以及其背后的门店数变化、节假日、天气、活动等等次级因素）；2。消费者对产品对喜好度（以及其背后的产品价格变化，有无促销等次级因素）
·针对每个产品的需求预估，无需重复的考虑交易量变化对其带来的影响，反之亦然；同时，这种计算方式也很大程度的减少了预测中的人为介入。譬如当我们知道某一周有一家店要开张或关闭后，仅需要调整交易量的预测，则所有产品的需求量预测都会相应调整。而如果我们是针对每一个产品的需求进行预测，那当有门店开张或关闭时，就不得不对每一个产品的预测量进行调整。
接下来，我们会对这些因素进行进一步拆分讲解。
Chaoming:
美国AnalyticsUnited，LLC创始合伙人。曾任美国日立咨询(HitachiConsulting)供应链管理总监，OracleDemantra产品经理。咨询领域涉及连锁店、高科技、分销、化工、消费品等行业。美国圣路易华盛顿大学博士，浙 www.dengyong.cc 江大学学士。
Tony:
近二十年世界连锁餐饮、食品饮料及医药行业的营销及供应链运营管理经验，担任供应链总监、供应链计划总监、物流总监等职务。美国宾夕法尼亚大学沃顿商学院、英国伯明翰大学商学院留学经历，上海大学悉尼工商学院客座教授。
