第 4 章 买货管理中的销售预测和库存设定
买货管理的目的是完成销售和控制库存，而销售的预测和目标库存的设定又是买货管理的基础。特别在 OTB 管理时，销售预测和库存设定都需要细化到周，细化的销售数量和预先设定的库存数量是 OTB 法的根本。对于库存的设定，本章中将介绍容量法和比例法两种，对于销售预测，本章将介绍平效模型和乘数模型。
4.1 销售预测的影响因素
尽管销售预测十分重要，但进行高质量的销售预测却并非易事，因此所有服装零售企业的管理者都应该明白一点，销售预测不可能 100%准确，但是合理的销售预测模型可以帮助企业更好地管理销售和采购，并降低企业的风险。在制作销售计划之前，先需要了解销售预测的影响因素。这些影响因素需要在销售预测之前考虑，并需要收集相关的信息资料。总的来说，影响销售的因素分为服装零售企业的内在因素和外在因素。
内在因素主要分为：1）定价战略:比如有些服装零售企业使用成本领先战略，产品售价按照成本定价，打算在新的一年中采取比竞争对手更低的价格进行销售。因此为了完成销售金额指标，在制作销售和买货计划时会意味着需要计划销售和购买更多数量的产品。2）广告及促销政策：服装零售企业通常会和时尚杂志合作等方式来进行广告促销。将自己品牌的服装在时尚杂志做介绍和推荐，广告及促销政策会极大影响销售数量，因此在制作销售和买货计划时需要考虑广告及促销的时间及对销售的影响。3）库存情况：库存是销售的基础，特别是对近期的销售计划做调整时，库存是否可以支持销售是需要考虑的因素。
外在因素主要分为：1）需求动向：需求是外界因素之中最重要的一项。如流行趋势、爱好变化、生活方式、消费习惯等，均可成为服装需求的影响因素。因此，必须加以分析与预测。企业应尽量收集有关对象的市场资料、保持时尚的敏感度、购买动机调查等统计资料．以掌握市场的需求动向。 2）经济变动：任何一种产品的销售都不可避免的受到经济的系统风险影响。销售收入深受经济变动的影响。为了提高销售预测的准确性，应特别关注商品市场中的供应和需求情况。尤其近几年来科技、信息快速发展，加快了经济的波动，导致企业销售收入不确定性的加大。因此，为了正确预测，需特别注意居民收入增长率，最低工资水平，经济增长率等指标变动情况。特别是突发事件对宏观经济的影响。3）同业竞争动向：销售额的高低受同业竞争者的直接影响，特别是在服装零售行业。古人云“知己知彼．百战不殆”。为了生存，必须掌握对手在市场的所有活动。例如，竞争对手的产品价格高低，促销时间和力度，优惠措施等等。
4.2 销售预测的程序
销售预测可以看作是一个系统，是由有关信息资料的输入、处理和预测结果的输出所组成的信息资料转换过程。服装销售的预测是复杂的，很多情况下要把它进行分解，对分解后的子系统进行预测，在此基础上再对汇总的结果进行预测和调整。为了使这一复杂的预测工作有条不紊地进行，就必须遵循一定的操作流程和执行相关的程序。销售预测的基本程序如下： 1）确定预测目标。销售预测是以服装的销售为中心的，产品的销售本身就是一个复杂的系统。有关的系统变量很多，如产品的售价，店铺成列，店铺人流量，订单转换率等等。而对于这些变量进行长期预测还是短期预测，这些变量对预测资料的要求，预测方法的选择都有所不同。所以，预测目标的确定是销售预测的主要问题。 2）收集和分析资料：在预测目标确定以后，为满足预测工作的要求，必须进行与预测目标有关资料的收集工作。收集到的资料的充足与可靠程度对预测结果的准确度具有重要的影响。有句外国俗语为：“垃圾进，垃圾出”很好地说明了资料对于预测结果的重要性。所以，对收集的资料必须进行分析，并满足这些条件： 1）资料的针对性：即所收集的资料必须与预期目标的要求相一致。 2）资料的准确性：即所收集的资料必须是从实际中得来的并准确反映实际情况，而且是可以对资料进行核实的。 3）资料的易得性：即收集的预测资料必须容易取得。资料的取得有很多种方式，有些比较容易取得，例如服装零售企业自己的 POS 数据，进店人流数等。有些则比较难取得，例如客户的喜好，消费时的首选品牌等。如果在预测资料的取得不能持续和取得便利，那么就很难保证预测的持续性，连贯性和可比性。
4.3 销售预测的方法
预测的方法很多，基本可以分为定量分析和定性分析两大类。定量分析预测方法的前提条件就是：第一，被观测的变量在过去的时间段内的信息具有可取的性。第二，信息可以被量化。第三，过去的信息会被延续到将来。满足以上三个条件，就可以使用时间序列分析法或因果分析法，对将来的需求数量做一个分析。在服装零售的销售预测中，销售预测被分为两个层次。总体层次和产品层次。预
测的整体层次是指对于整个产品品类或整个品牌的销售进行预测，而产品层次的预测则主要针对某个特别款式。因此在预测方法的选择上，整体层次会主要依靠定量分析的预测方法。 产品层次的预测方式，则需要根据服装产品的类别加以区分。
4.3.1 总体层次
“平效”模型是整体层次预测常用的工具。“平效”就是指终端卖场 1 平米的销售业绩，一般是作为零售企业评估卖场实力的一个重要标准。“平效”的基本计算公式为：
平效 = 销售业绩÷店铺面积
“平效”一般指年度平效，也有的店铺同时采用月度平效，计算方法“销售业绩÷店铺面积”，也就是指平均每平米的销售金额。当然，平米效率越高，卖场的效率也就越高，同等面积条件下实现的销售业绩也就越高。平效是店铺面积和销售之间的比例，通过平米效率计算，我们就会清楚地看到：有的卖场空间虽然比较小，但是效率却高；而有的大卖场效率反而低迷。这对于我们判断某一零售店铺在某商场或某地段的销售情况提供了可对比的参考数据。同时，平效也是企业进行横向对比的有效指标。比如两家相邻而开的服装品牌零售店，他们开店的地点一致，客户相近。“平效”就可以作为两家不同零售服装品牌经营成果的对比指标。
“平效”在零售企业管理中使用广泛，因此其自然也被用在销售预测中。平效是由销售额和店铺面积这两个变量的比例，因此用平效模型做销售预测的主要目标就是针对销售的金额。平效模型对销售进行预测比较适用于两种情况。第一种情况是平效模型比较适用于店铺种类比较多，店铺调整较频繁的服装零售品牌。例如目前一些中高档的服装零售品牌，其零售店铺很多都是租赁在百货公司或者商业中心，由于这些物业的管理者众多，能提供的店铺面积也是个不相同。因此用平效作为销售预测的单位是更可靠，更简易的。第二种情况就是新店增加数量较多的服装零售企业。由于新店的面积，地点等原因，零售服装企业可能没有自己的历史销售数据作为销售预测的基础，因此需要通过平均平效来进行预测是比较有保证的方法。
平效的计算有两种方式：历史增长方式和零基方式。
历史增长方式主要是针对可对比店铺的计算，由于可对比店铺已经具有了销售的历史数据，在历史数据的基础上，计划的制定者和管理者可以根据历史数据和运营经验等因素，对历史平效的增长做比较有效的预测。
零基方式主要就是针对新开店铺的平效计算。新开店铺由于没有任何历史数据作参考，因此在预测平效时，零售服装企业需要在可对比店铺中找出与新店所在地理环境，人流，客户消费水平等各项指标相似的店铺来做预测的基础。如果零售服装企业自身拥有的可对比店铺较少，或者没有和新店环境接近的可对比店铺的情况下，可以使用新店周围其他同类型的零售企业的平效作为参考，从而合理预测出自己新店的预计平效。
为了使平效更合理的反应实际销售的情况，通常需要对平效进行进一步的细分。如图 4.1:
图 4.1 中整个正方体就是我们平效的整体，在平效模型中用时间，产品这两个纬度对平效进行进一步分割。服装零售企业的品种较多，如女装，男装，童装等。每个产品种类被分配到的店铺面积和各产品的销售能力不同，各产品种类会产生不同的平效。有时不同店铺的产品种类配置不一，使打包计算的平效可比性和延续性降低，因此将平效进一步按照产品种类细分是十分便于预测数据的稳定的。服装零售企业经常调整店铺产品品类的配比以适应陈列的需要，因此将平效进一步细分也会便于销售预测的调整。时间维度主要就是指销售的季节因素造成的平效变化。例如在每年过年前的打折促销时间，平效是远高过其他销售时间段的，如果一味关注年度品均平效将不利于销售预测和买货计划的准确性。
表 4.2 是某一服装店铺的销售预测样本。在表格中可以看出，该品牌在 3 月，5月，6 月这三个中分别对店内的男装和女装的成列做出了调整。根据该店铺历史的单一产品品类的平效就可以计算出上半年每个月，该店铺的总体销售额和各产品品类的销售额。如果没有按照产品品类对平效进行进一步细分，那么这种成列的计划改变将很难体现在销售预测中。这将导致正体预测的失真。
表 4.2 只是一家店铺的一个简单例子。服装零售企业在进行年度销售预测时需要按照每家店铺成列计划进行计算汇总，并得出每一店铺的销售预测金额。在拥有了店铺的销售额之后，考虑店铺的开闭点计划并进行汇总。这样就可以得出全年品牌的销售预测金额。该销售金额还可以根据店铺的地域或产品品类等进行分类汇总来满足各业务部门销售预测需要。
平效模型是一个使用广泛且简单易懂的预测方法，其主要基于历史的平效来进行预测。对于服装零售企业的全年销售预测是一个行之有效的方法。但是对于个别产品的预测其准确度回降低，主要由于个别产品的成列面积有限并且受其他打折和季节因素影响更大。因此在个别产品的预测中，还需要使用其他方法。
4.3.2 产品层次
服装产品是多种多样的，由于是作预测，因此从需求的稳定性出发来将服装进行分类。从最稳定到最不稳定的次序一共可以分为三大类，基本款---半基本/半流行款---流行款。因此对于这三种服装产品的特性就可以确定对应的预测方法。但是如何来确定，我们需要从流行的含义来看。所谓流行就是指“在一段时间（一定是特定时间段的现象）内兴起的，被人所追逐的模仿的新颖的东西”。从文字的定义上来说，我们就很容易看出，流行的产品是特定时间内兴起的，什么时间，多长时间都是不确定的，因此流行的产品几乎没有什么规律可行。对于服装来说，不仅是款式或颜色，就连产品本身也受到流行趋势的影响。比如今年流行夏天穿短裙，明年就可能流行短裤。流行产品的不确定性确定了这部分产品的运行轨迹和过去没有太大联系。因此对于产品层面的预测，首先要对产品进行分类。在合理分类的基础上再选用不同的预测方法进行针对性的预测。
由于服装比较复杂，为了方便准确的区分某一服装的流行程度，这里以颜色和款型作为两个纬度来进行定位，如图 4.3：
对于基础颜色（黑色，白色 ，灰色等）和基础款型，在图 4.3 中就可以很容易的定义为基本款，而颜色比较时尚(如荧光色，宝蓝色等)和款型比较大胆的则可以定义为流行款。在颜色和款型是否属于基本还是流行，需要使用买手和设计师的共同经验来进行定性的预测。与流星产品的销售一样，使用定性分析的方式来完成。
定性分析中会使用德尔菲法（Delphi method）。德尔菲法是专家班子面对面预测的基础上发展起来的一种背靠背预测方法，故又称专家意见法，它在四十年代创始于美国兰德公司。它具有以下特点:
1）匿名：这是因为专家（如服装的设计师，服装买手，店铺陈列师等）的脑子相当于一架电子计算机，储存着不少数据资料，通过相关经验和感觉，可以确定比较理想的估计值。但是，人毕竟不同于机器，是有心理因素的，面对面预测往往有心理干扰，影响预侧的准确性。
2) 有控制的反馈：所谓有控制，就是有组的意思，而不是漫无边际地进行。所谓反馈，就是发函询表给专家，不是一次作业而是多次作业。第一轮的函询表反馈回来后，把专家的意见整理归纳，列成一表，再匿名反馈给专家，使他们可以比较自己与他人的不同意见，修正自己的判断。通过几轮反馈，各专家的意见和判断已趋于固定，询问程序即可结束。
3）有量化的结果：对专家的答案要进行统计，通常用平均数或中位数，统计出量化的结果。
德尔菲法具有以下优点:(1)得到的信息相对比较可靠，因为是多次作业;(2)专家们有充裕的时问来提出自己的感觉和想法;(3)有比较量化的结果，相对比较科学;(4)实际操作性比较强，相对比较经济。当然其缺点就是受专家经验多少和对流行的把握水平的高低影响较大。因此，在对缺乏历史资料可供参考的流行服装产品进行预测较为适用。以 C 公司的女性服装的流行等级为例，流行款式只占其销售总金额的15%-20%。德尔菲法有其明显缺陷，但是由于流行款式占比不大，因此相对定量分析来说误差较大是可以被理解和接受的。
定量分析主要针对基本款和半基本/半流行款式的销售，这些款式销售数量大，且销售情况同产品的过去有较强的关联性。其中预测又分为时间数列法和因果预测法。
时间数列法是将历史销售实际数，按固定间隔的时间顺序排列，构成统计数列，并根据其动向，推测未来变动的一种销售预测方法。它是建立在未来是按过去模式发展的假设基础上的。时间序列通常会有好几种表现形式，通常有；趋势因素：时间序列会上下波动，但是从较长时间来看，其有可能存在变动的趋势，表现在后一个时间段的数据比前一个时间段的数据大或者小。作为服装零售来说，这种趋势性的变化可能反映了该服装品牌的知名度，产品质量，市场份额等变化；周期因素：一系列的观测数据值重复出现在趋势线上下的间隔为一年或以上，这种重复出现的模式。比如对于女装服饰来说，其总的销售占到零售总金额的 15%，但是零售好坏取决于经济的周期，这些变动不是某品牌或者某行业可以克服的。这属于服装零售中的系统性风险。
季节因素：在销售数量上，一年内的变动表现出规则的变化。这点其实从字面上就十分容易理解。在服装零售企业中，裙子夏天的销量总是会比裤子好很多的。就算是相同的品类，短裙在夏天的销售比例会高于冬天。不规则因素：时间序列的不规则因素是导致实际时间序列的观测值和预测值不吻合的所有因素，这些因素是随机存在的。
在服装的销售中这种现象很多，最常见的就是天气。下雨天，给一天店铺带来的销售打击可能比经济危机更大。
因果预测法的前提是所预测的变量和其他一个或几个变量之间存在因果关系。在服装零售中，我们最常见的就是打折，促销等。其对销售的数量有着极其重要的影响。
当然库存的多少对销售也会有很大的印象，只是库存的影响没有打折那么大。
如果将各种影响预测的因素都进行考虑，那么就需要对基础季节因子做调整。一般用 T（trend）、S(seasonal component)、I(irregular component)分别代表长期趋势值加载项、基础季节变动值、不规则变动值加载项。 调整的季节因子 y 可用下列公式表示:
Y（t）= S(t) +T(t) + I(t)
其中 T 表示计算单位与销售实绩的计算单位的时间。分解开来，以便分别预测未来的单个影响因素，然后将它们加载到一次，才能求得时间数列预测值。
1） 基础季节因子的计算（S）：
在计算季节因子之前，我们先要来看两个在零售的销售预测中，使用比较多的名词定义。
POS(Point of Sale)销售终端：供应链管理中的定义为对于某个销售点某一时间的销售数据的计算和存货的支出，通常用条码或磁介质设备。可能定义比较复杂，但实际上我们每个人都接触过，它就是超市的收银机。POS 机在客户买单的时候将条码扫入系统。系统将该产品的信息直接从数据库中抓取给收银机，收银机立刻计算出消费金额方便客户买单。但是 POS 机不仅是方便客户的收银需要，更重要的就是帮助企业进行信息的收集。POS 机记录了客户选购的产品种类，颜色，大小等信息，是最及时，最详细的和最繁琐的。我们通常把 POS 机上记录的未经处理的数据称为“毛数据”。“毛数据”当然不能直接用来进行销售预测。它需要经过加工，在零售业的销售数量预测中，我们通常按照周为时间单位，把 POS 销售的“毛数据”进行加总。因此在本文的以下部分提到的 POS 数据，都是以周为单位的产品销售数量的总额。
ROS（Rate Of Sales）销售率：ROS=POS/商店数量。由于零售企业多数都是连锁，不可能只有一个商店在销售，因此 POS 的数据中包含了零售企业商店数的变化。由于经营的环境，开店租约的限制，零售企业的门店数量常常发生变化。如果直接使用 POS 数据，数据将不能很好的反应销售的整体趋势。比如 2012 年年初，C 公司有 50 家门店，而到了 2012 年年底时，门店数量增长到 60 家。也就是在这一年中，门店数量陆续增加了 20%。在这种情况下，用单纯的 2012 年 POS 数据就不能很好反应全年的销售情况。因为销售数据在不同周期内是由不同数量的门店提供的。那么为了去除门店数量变化带来的影响，我们就使用每家店的平均销量作为预测的依据。ROS 的使用也为将来对包含商店数量变化的整体销售数量的预测提供还原的方便（注：由于 C 公司的门店规模和装修较为统一，因此选用平均店销售数量作为 ROS，如果其他零售企业的门店面积差异较大，需要进一步细分，比如按照门店的面积作为 ROS 的分母）。
COMP Store( comparable-store)可对比店：可对比店在零售中主要指开满一年以上的店铺，这些店铺可以用去年的经营业绩作为基础对下一年的经营情况作对比。因此 COMP Store 的业绩在评价零售业中，有着重要的作用。但是作为销售预测来说，由于门店在第一年的经营会有较多的不稳定因素，比如门店辐射范围内的客户并不了解改店铺的存在或者对于新门店的产品不够了解等。因此新门店的销售波动很大，用来作为销售参考的依据而产生的预测误差会较大。通常来说零售门店的经营超过一年，那么门店辐射范围内的客户群基本进入了稳定的状态。作为销售预测来说，COMP STORE 是销售预测的主要目标。
季节因子的计算：取得一个完整年的销售数据和门店数量如下表（为举例方便，假设一年只有 10 周）
将当期销售数量除以门店数量以后，就可以得到无门店数量影响的 ROS。将全年 ROS 数相加除以 10 之后，可以得到平均值≈24.01 。而每周对应的季节因子=ROS（t）÷(∑ROS÷weeks)。以第一周为例，第一周的季节因子就是25（ROS t）÷24.01(ROS 均值)=1.04。
从下图可以看出各周的季节因子围绕 1 上下波动。从下图数据可以看出，第三周是全年销售最高的一个时间段。 他的季节因子为 1.25，说明第三周的销售比平均高出 25%。
2） 促销活动的计算（I）
打折是零售服装企业遇到最多的影响销售的事项之一。打折可以迅速增加产品销量，通过调节 OTB 的销售来控制库存情况。 下表是 C 企业各个销售数据之间的相关系数（数据由 2011 年到 2012 年 104 周数据计算得出）。
从表 4.6 中可以看出，销售数量同打折金额与比例有较高的正相关关系，而与平均销售价格有较高的负相关关系。 因此在进行销售预测时，打折是我们必需考虑的一个因素之一。
在对打折影响的测度方面，使用一元回归法从预测服装销售与其它一个相关的主要因素间的关系(如服装的销售量与打折力度)来进行预测。它的原理也是在历年销售实绩中间配一条距离实绩最小的回归线，时间数列法中的最小二乘法同样道理，区别之处在于时间数列法是以时间作为自变量，而回归法是以与预测变量(因变量)相关的时间或其它变量作为自变量。换句话说，回归法对自变量的选择范围比时间数列法要广泛得多。一元线性回归分析法的预测模型为：
在回归分析预测法中，需要对Ｘ、Ｙ之间相关程度做出判断（如果凭经验判断，应变量与自变量之间有着明确的关系，可以跳过这一步），这就要计算相关系数Ｙ，其公式如下：
相关系数 r 的特征有：
①相关系数取值范围为：-1≤r≤1 。
②r 与 b 符合相同。当 r>0，称正线性相关，Xi 上升，Yi 呈线性增加。
当 r<0，称负相关，Xi 上升，Yi 呈线性减少。
③|r|=0，X 与 Y 无线性相关关系；|r|=1，完全确定的线性相关关系；0<|r|<1，X 与 Y 存在一定的线性相关关系；|r|>0.7，为高度线性相关；0.3<|r|≤0.7，为中度线性相关；|r|≤0.3，为低度线性相关。
一元回归法的优点是从相关的影响因素考虑相关服装未来销售数量，相对比较科学。
一元回归法的缺点是:(1)要掌握较长时间的历史资料;(2)只考虑一种影响因素，不够全面。
一元回归法的适用性只局限于影响未来销售的相关因素比较单一，或者影响因素虽多，能明显地选出一个主要因素，而其它因素的影响微不足道时适用。
因此在预测服装打折对销售的影响时比较适合。
3） 趋势预测(T)
趋势预测是指自变量为时间，因变量为时间的函数的模式。趋势预测法的主要优点是考虑时间序列发展趋势，使预测结果能更好地符合实际情况。在服装零售中，由于服装零售企业对品牌的不断投入，品牌知名度和市场占有率会不断上升；或者由于产品质量下滑等。这些因素的趋势变化会导致店铺人流量和转换率（转换率=买单数量÷店铺人流量）的变化，而这一变化是相对缓慢的。因此服装零售门店的人流和转换率具有的趋势变化反映了服装零售企业整体的实力变化，而这一变化直接印象了服装零售的销售数量。
对于这些趋势的准确程度要求不同，可选择一次或二次移动平均值来进行预测。 首先是分别移动计算相邻数期的平均值，其次确定变动趋势和趋势平均值，最后以最近期的平均值外加趋势平均值与距离预测时间的期数的乘积，即得预测值。
趋势移动平均法以最近实际值的一次移动平均值起点，以二次移动平均值估计趋势变化的斜率，建立预测模型，即：
以上主要列举了乘数模型中几大要素的一些预测方法，在实际分析和论证中，可能还需要很多其他方法进行补充。
4.3.3 预测结果的衡量和案例
预测是否准确主要根据预测值和相关实际值的偏离程度来确定。在预测结果测量的统计中使用预测值和实际值差额的平方根来进行评判，平方根的结果有两个优点：
1）去除了负数，在测定预测结果测定时不会因为预测数量的正负偏离相互轧抵而高估预测结果。 2）与测量资料具有相同单位。
预测的准确度是衡量预测水平和改进预测参数的重要依据，对于预测模型的每个参数的设定都需要经常检查，如果预测结果和实际销售出现较大偏差，就需要及时对模型进行修正。只有不断验证和修正的预测才是最能贴近实际销售的预测。
针对以上介绍的预测方法，下面使用 C 公司业务部门的 20 家 COMP 店铺的销售数据进行测试。 C 公司销售周期是三月到次年二月底，在下面例子中使用 2011 年上半年的实际销售数据建模来测度 2012 年上半年的销售数据。在本例中模拟实际工作情况，假设时间点在 2012 年的三月底，已经有了 3 月的 4 周实际数据。另外需要强调的是在实际工作中，一旦销售出现问题便会马上加强促销力度并调整销售计划，因此为了避免促销的变动对模型的影响，在预测打折效果时使用的是 2012 年的实际打折比例， 从而避免因实际打折比例与计划打折比例不同而无法对模型的准确性进行衡量的问题。 这只是为了模型结果的可比性。 如果是直接进行预测，只需要使用计划的打折比例进行替换即可。同模型预测结果作对比的是 2012 年 C 公司原来的销售计划，由于 C 公司的计划是每月末对未来三个月进行预测调整，因此在数据表中的 C公司计划都是根据上月实际情况而做的更新预测，同模型模拟的情况接近。模型的衡量标准使用预测值和实际值的差的平方根，将预测区间差异数的平方根进行简单平均，数值较小的则说明预测准确度接近实际情况。
首先利用 2011 年上半年的数字制作季节因子，在制作季节因子时同时考虑使用数量和金额进行试验，分别得到两组季节因子。从表 4.6 的相关系数可以看出，金额受打折等额外因素的影响比较小，而数量受打折的比例比较大，因此将两组季节因子同时预测 2012 年销售，并同实际数据作对比来检查季节因子的选用。
表 4.7 是使用销售数量的季节因子和销售金额的季节因子来进行的 2012 年上半年的销售预测，灰色部分是实际发生的数量，白色底色的为预测数量。在预测时，首先将实际发生时的销售数据除以相关的季节因子，得出不含季节因子影响的销售数据。 然后平均不含季节因子的销售数据，作为全年的平均销量的预测值。 全年平均的销售量就为预测的基础， 在此基础上乘以各时间段的季节因子就得出了该时间段的预测销售数据。 从预测销售数量和实际发生销售的平均差额来看，如果光使用季节因子做预测，以数量制作的季节因子在预测准确度方面效果较好。
打折是做预测时不得不考虑的因素，从表 4.6 中可以看出，销售数量和打折的关系比销售金额要大的多， 因此销售数量的季节因子波动和销售金额的季节因子波动的差额就是打折对销售数量的影响。 在表 4.8 中我们可以很明显的看到销售数量的季节因子和销售金额的季节因子在不同的打折比例下的差额。打折比例较大的 18 周到 23 周，数量季节因子的变动都要大于销售金额的季节因子变动。 因此通过打折力度去测定打折对销售数量的影响就是预测的主要目的。
由于每年的打折计划和销售额不同，在计算打折对销售的影响时，同样选取了用打折比例来制作的季节因子来进行测算。 这样做的主要目的就是避免各年间的打折比例可能会有较大差距而造成预测的困难。 在实际工作中，全年打折的比例通常由全年计划会议确定， 虽然比例每年各不相同，但是打折力度的分配是基本保持一致的。 因此选用打折比例的季节因子，可以更准确的测定打折对于销售数量的影响而不受整体打折比例的变化影响。
在测定打折比例的季节因子对销售数量季节因子的影响量上使用单线性回归的方式，测得回归公式为：Y=0.17112X + (-0.17112), Y 为需要测定的销售数量季节因子和销售金额季节因子的差异，也就是需要加载在基础季节因子上的数值，而 X是打折比例的季节因子。
从回归的点状图来看，两个因子之间的拟合度还是比较好的。 因此使用 2012 年打折比例的季节因子来对销售数量季节因子变动的测量结果如表 4.10。
表 4.10 的最后列数据就是打折比例季节因子对销售数量季节因子的影响程度。我们将此影响的系数加载到表 4.7 的数据中去，重新测定了两组预测数据。
从上表的结果可以看出，销售数量季节因子和销售金额季节因子分别加载打折影响之后，销售金额季节因子的预测结果从平均偏差 7502 提升到了 3845，而数量季节因子在加载打折之后，预测结果反而有所下降。 这主要是因为数量季节因子中已经包含了打折影响的因素，如果再加载打折比例的影响，数据受打折影响过多，反而造成预测准确性下降。
我们从四组预测数据的结果可以看到（表 4.11），使用销售金额的季节因子在加载打折因素之后的形成的预测数据和实际发生数最为接近。 比 C 公司原先的预测数和实际数的差额 4594 还有所提高。
在本案例中，由于选用的是 C 公司 20 家成熟 COMP 店铺的销售数据，因此没有明显的销售趋势影响。 在实际工作中，可能还需要对店铺人流量和成交转换率等进行趋势方面的测度。 但是我们已经从案例中看到对于基础季节因子的调整后，预测结果已经有了比较明显的进步。 预测数据和实际数据的差距还是存在的，这是由于服装的销售还受到很多其他因素的影响，比如气温。笔者在实际工作中发现，气温变量的加载对短期的销售预测还是有比较良好的效果的。 但这些其他因素的预测比较困难，以气温为例，通常我们可以取得的比较准确的天气预报为一周，因此无法使用天气因素对较长时间段的预测进行加载调整。
4.4 库存的设定
库存的设定是销售预测之后 OTB 又一个主要的变量。设定库存过低，可能不能支持销售。库存设定过高，导致库存成本增加和不必要的打折支出。特别在 OTB 管理中，每周的库存设定直接影响 OTB 的开合，因此库存的设定也是销售计划和销售预测时需要考虑的因素之一。在日常工作中，库存数量的设定通常有绝对法和相对法两种。
绝对法就是以店铺陈列的数量和基本的补货库存为出发点来计算。例如某种牛仔裤在其展示的牛仔墙上可以悬挂的数量为 12 条，那么这款牛仔裤的库存就为 12。当然这里的设定有一个假设，就是这 12 条牛仔裤可以满足在一定销售区段内的销售。
外加上存放在店铺小仓库的补货数量后，将全部门店这条牛仔裤的存货总数量相加，就可以得到这条牛仔裤的的总库存数量。绝对库存量比较适合产品的季节波动和打折较少的产品。他的优点是测度精确，不会因为销售预测的波动而产生异常，但是他的缺点就是不够灵活并且需要投入的人力较多。
相对法就是使用销售和存货的比例进行计算目标库存的方式。由于库存的数量会对产品销售产生影响的。特别是服装零售，充足的库存意味着产品产生断色断码的情况会大大缩小。客户在选择了喜欢的款式之后就会进行购买，不会因为缺少颜色和尺寸的关系而失去销售机会。因此在服装零售中，经常使用销售和存货的比例来确定库存。这个比例通常用在手库存表示。在手库存的计算方式为：
由于服装零售企业对 WOH 的数据都有较完备的历史数据可以用作参考，外加销售计划和销售预测中已经拥有了销售数量，因此很容易的就可以预计在手库存周数来做乘数并结合销售预测来制定目标库存。相对法的库存设定其优点：首先是库存的设定比较简单，无须店铺耗费大量的人力进行清点。 其次，在手库存周数都有历史数据和销售预测为依据，设定库存较为准确，不会因为销售的增减而产生缺货或者多货的状态。但是相对法的库存设定也有其自身的不足，这主要体现在其是以预测销售数量为基础进行计算的，如果销售预测出现偏差较多，在手库存周数就会成为一个可怕的杠杆，成倍放大库存影响。这对于销售预测的精确度提出了更高的要求。对于在手库存周数的杠杆效应，需要在进行库存设定中特别小心。 建议零售服装企业在的库存设定时设立最大和最小库存这两条上下警戒线，不允许相对法计算的库存目标超出警戒线。
销售预测和库存是买货管理的两个核心内容，各个服装零售企业应该根据自身的经营情况对预测方法和库存设定方法进行选择。以上只是作者结合工作经验给与的一些提示供读者参考。
