每年的双十一过后，都是物流行业的一场大考。以往考验的是电商企业熬夜接单打包的销量、物流公司人员配置是否充分等等。当以上两点对于客户购物体验的提升达到阈值，考验的就是品牌和平台能否对供应链进行合理的调控，在库存和线上线下协调上减轻物流压力。

      这也是商业智能中的“终极问题”——销售预测。

      究竟什么是销售预测？

      简单来说，就是根据以往销售数据结合未来一段时间内各种因素的影响，对商品的销量和销售额做出估计。

      在销售、市场和运营工作中，销售预测无处不在。往大了说，销售预测影响着企业的整体规划，往小了说销售预测影响着企业每一次营销活动的成本投入。

      在零售行业中，销售预测的重要性更加凸显。我们知道，零售行业的收益如何，取决于供应链能否良好的运转：没有压库存的压力也没有缺货的现象、不同的产品都被储存在自己销售情况最好区域的仓库中、新商品的生产和旧商品的售卖能形成衔接。

      被称为快时尚奇迹的ZARA，就是利用强大的销售预测能力实现跟随流行趋势快速上新货，并且保持可观的毛利率的。

      对于消费者来说，我们看到的是ZARA几乎过两周就会上一次新品，让人忍不住掏出钱包，可ZARA背后的秘密，却藏在数据、算法和供应链中。

      从拍脑门到机器学习，销售预测该怎么做？

      在很多时候，我们预测销售的方式常常是一拍脑门编出个数字，或者凭借自己的经验做出推测。但真正的销售预测，是要经过严格的数据计算的，在新零售时代更是如此。

      销售预测的方法基本分为三大类，最常见的就是“拍脑门”的主观预测方法，当然，现实情况这种方法通常由咨询公司的专家团队执行。到后期大数据分析方法所占份额增大，利用变量和时间之间的相关性，通过对以往数据的总结来分析将来的数据。到现在，机器学习正在越来越多的进入销售预测领域，神经网络、决策树、线性回归等等我们非常熟悉的算法也能应用到这一领域之中。

      还拿上文的纸制品公司做例子，从技术角度看，预测销售究竟是怎么完成的。

      拿到往期数据后，第一件事就是要对数据进行清洗，把因为促销活动或商品缺货带来的数据变化提取出来单独处理，从而对历史数据趋势进行一个完整的认识。然后再提取产品的特征，比如包装、质地、用途等等。

      清洗完数据，提取完特征后，我们就得到了一批训练样本。这样我们就可以把2016年全年的销售数据作为训练集，而把2017年上半年的数据作为测试集。

      利用2016年的数据得出模型后，再用模型模拟2017年上半年的数据，对比真实数据加以调试，就可以去预测未来一段时间的数据了。在已知案例中，雀巢电商和京东合作过的销量预测项目，就是利用了消费者决策的随机森林模型。

      以上只是最简单的案例，在实际情况中还需要大量的编码、调参、优化迭代等等。而且能完美的模拟出测试数据，也并不代表能在未来做出准确的预测，其中还是少不了专家凭借经验去做出判断。

      午夜的无人车和快递柜，才是真“新零售”的模样

      以上谈到的，只是销售预测一贯的样子，只不过随着数据量的增大，机器学习算法在其中也有了用武之地。可真正让销售预测发生变化的，还是新零售模式的出现。

      首先，渠道的统一、线下智能硬件和线上活动设置（智能推荐、定向优惠、收藏、购物车）都导致收集用户数据的端口越来越多，数据的复杂程度加大，特征也变得更多了。

      其次，新零售意在协同线上和线下整体的渠道和数据，销售预测时要参考物流、线下店面和线上库存等等更多的因素。

      在未来，无人零售、无人物流等等渠道基础设施的升级，很有可能降低销售预测的试错成本并极大提升收益。

      企业甚至不再需要参与双十一这种压力山大的零售节日，只需要根据用户群体的需求，结合自己供应链的节奏对区域、渠道甚至个人进行个性化和定向化的运营。每天凌晨，无人物流车会路经一个个无人零售柜，拿走其中被退货的货物（到那时，所谓的退货可能只是预测错误），按照销售预测放入新的货品，等待着明天被消费者购买。

      这样的场面，听上去是不是有种按需分配的“共产主义”味道？

      总之理想情况是，当销售预测越来越准确，购物这件事越来越会从主动变成被动。

      这样的“被动”购物更符合我们对新零售的期盼——目前出现的这些线上线下协作、换个名字的自动售货机等等，难免有些换汤不换药的味道，除了打通渠道，更好的利用数据之外，新零售和旧零售之间的差异实在不大。

      可销售预测的发展，却有可能让新零售真正意义上拥有新零售之实。相信到那时，新零售才会像曾经的电商一样，具有颠覆旧模式的可能。