图5-25　用历史上过去13周每周日的销量来预测下一个周日的销量

只用过去一个周期内的历史销售，还无法反映销售连续变化的趋势。如图5-26所示，过去28周的历史销售存在波动，同时这种波动也有规律，如果只看过去7周的历史销售来计算下一周的销售预测，就很容易出现偏差，有可能刚好赶上一个销售高峰周期的结束。图5-25　用历史上过去13周每周日的销量来预测下一个周日的销量

只用过去一个周期内的历史销售，还无法反映销售连续变化的趋势。如图5-26所示，过去28周的历史销售存在波动，同时这种波动也有规律，如果只看过去7周的历史销售来计算下一周的销售预测，就很容易出现偏差，有可能刚好赶上一个销售高峰周期的结束。图5-26　周期性波动的销售走势示意图

为了解决这个问题，引入两种方法来修正。方法一，如图5-27所示，周期1和周期2之间有较大的波动，我们可以给不同历史周期赋予不同的权重，一般认为越靠近当下的周期的销售规律，越能影响和揭示未来的销售，越远离当下的周期，因为时过境迁越不能反映未来的销售。假设周期2的平均销量是22，权重是30%，周期1的平均销量是43，权重是70%，下一周的预测销量=22×30%+43×70%≈37。权重的大小怎么设置呢，举个简单的例子来说明，可以用拟合的方式，用W代表周期2的权重，100%-W就是周期3的权重，周期2的平均销量×W+周期3的平均销量×（1-W）=周期1的销量，这三个周期的销量已知，这样可以算出来W等于多少。如果你参考的是不止一个周期的历史销售，这个过程就比较复杂，会有多个权重，需要借助专业工具。图5-26　周期性波动的销售走势示意图

为了解决这个问题，引入两种方法来修正。方法一，如图5-27所示，周期1和周期2之间有较大的波动，我们可以给不同历史周期赋予不同的权重，一般认为越靠近当下的周期的销售规律，越能影响和揭示未来的销售，越远离当下的周期，因为时过境迁越不能反映未来的销售。假设周期2的平均销量是22，权重是30%，周期1的平均销量是43，权重是70%，下一周的预测销量=22×30%+43×70%≈37。权重的大小怎么设置呢，举个简单的例子来说明，可以用拟合的方式，用W代表周期2的权重，100%-W就是周期3的权重，周期2的平均销量×W+周期3的平均销量×（1-W）=周期1的销量，这三个周期的销量已知，这样可以算出来W等于多少。如果你参考的是不止一个周期的历史销售，这个过程就比较复杂，会有多个权重，需要借助专业工具。方法二，对于年度增长的趋势，可以通过与历史同期的比较来识别，如图5-27所示，20×0年周期2的平均销量是22，周期1的平均销量是43，增长了（43-22）/22=95%。而20×1年周期2的平均销量只有16，那么用20×0年周期1的增幅可以预测20×1年周期1的销量，即16+16×95%≈31。

图5-27　近两年趋势的延续方法二，对于年度增长的趋势，可以通过与历史同期的比较来识别，如图5-27所示，20×0年周期2的平均销量是22，周期1的平均销量是43，增长了（43-22）/22=95%。而20×1年周期2的平均销量只有16，那么用20×0年周期1的增幅可以预测20×1年周期1的销量，即16+16×95%≈31。

图5-27　近两年趋势的延续●需求走势预测法（也称为生命周期预测法或者季节性指数预测法）

需求走势用来描述一个商品的需求随着时间的起伏的特征，通过它能够提早完整地感应到商品需求的高峰和低谷及其对应的时间。这种方法通过分析历史上同一个商品在不同门店的销售趋势，将趋势相近的归为一类，形成一个需求走势，通过计算近52周每周某商品的销量占52周平均销量的比例得到需求指数，然后将具体的商品和需求走势曲线结合起来，就可以进行销售预测了。如图5-28所示为某商品2018年和2019年在某个门店的销售的曲线走势。

图5-28　需求走势预测法示意图

用每周的总销量除以全年的周平均销量就得到各周的需求指数，当周的销量高于平均需求时该指数大于1，小于平均需求则指数小于●需求走势预测法（也称为生命周期预测法或者季节性指数预测法）

需求走势用来描述一个商品的需求随着时间的起伏的特征，通过它能够提早完整地感应到商品需求的高峰和低谷及其对应的时间。这种方法通过分析历史上同一个商品在不同门店的销售趋势，将趋势相近的归为一类，形成一个需求走势，通过计算近52周每周某商品的销量占52周平均销量的比例得到需求指数，然后将具体的商品和需求走势曲线结合起来，就可以进行销售预测了。如图5-28所示为某商品2018年和2019年在某个门店的销售的曲线走势。

图5-28　需求走势预测法示意图

用每周的总销量除以全年的周平均销量就得到各周的需求指数，当周的销量高于平均需求时该指数大于1，小于平均需求则指数小于1，全年52周的指数加起来等于52，它的高低代表了每周需求变动的情况。它假设全年的需求在每周是有一定分配比例的，需求会在不同的时间段之间移动但不会消失，本周不消费在接下来的某一周就会消费。

在使用该方法的过程中，把从当前周算起过去52周的需求指数测算一遍，然后计算出需求指数所代表的销售量。举个例子，过去52周某个商品总共卖了5200件，那么需求指数1就代表了100件销售，假设接下来一个周期内的第10周的需求指数是2，那么可以预测该周的销量是200件，第11周的需求指数是1.8，可以预测它的销量是180件。假设你通过促销把12周的需求指数提高到了3，那么后续的需求指数就需要被降下来，总需求指数不会超过52。以超市里的快消品纸巾为例，你可以在第13周对它进行打折，以提高销量，客户在打折周买得多了，接下来的周需求就会减少，导致接下来的周需求指数下降。

该方法适用于门店周边客户结构相对稳定且品类需求稳定的情况，比如超市里售卖的满足基本需求的商品。

●统计预测模型

我们可以用商品的历史销售数据，结合统计预测模型来进行销售预测。统计预测模型有很多种，有基于时间轴的模型，也称为时间序列模型，比如移动平均法、指数平滑法、线性回归、霍尔特温特指数平滑法、克罗斯顿、多项式回归等，更高级的还有电商平台上使用的人工智能预测模型。这类模型可以考虑的因素更多，比如可以考虑天1，全年52周的指数加起来等于52，它的高低代表了每周需求变动的情况。它假设全年的需求在每周是有一定分配比例的，需求会在不同的时间段之间移动但不会消失，本周不消费在接下来的某一周就会消费。

在使用该方法的过程中，把从当前周算起过去52周的需求指数测算一遍，然后计算出需求指数所代表的销售量。举个例子，过去52周某个商品总共卖了5200件，那么需求指数1就代表了100件销售，假设接下来一个周期内的第10周的需求指数是2，那么可以预测该周的销量是200件，第11周的需求指数是1.8，可以预测它的销量是180件。假设你通过促销把12周的需求指数提高到了3，那么后续的需求指数就需要被降下来，总需求指数不会超过52。以超市里的快消品纸巾为例，你可以在第13周对它进行打折，以提高销量，客户在打折周买得多了，接下来的周需求就会减少，导致接下来的周需求指数下降。

该方法适用于门店周边客户结构相对稳定且品类需求稳定的情况，比如超市里售卖的满足基本需求的商品。

●统计预测模型

我们可以用商品的历史销售数据，结合统计预测模型来进行销售预测。统计预测模型有很多种，有基于时间轴的模型，也称为时间序列模型，比如移动平均法、指数平滑法、线性回归、霍尔特温特指数平滑法、克罗斯顿、多项式回归等，更高级的还有电商平台上使用的人工智能预测模型。这类模型可以考虑的因素更多，比如可以考虑天