快消品季度销量排序预测-线性回归预测分析

问题定义：

每季第8周要对明年这个季的每款产品的13周销量（一个季度）做排序，即今年要对明年售出的产品按照销量从大到小的排序做预测（但目前并不是以明年该季度的销量作为衡量预测准确度的标准，而是以今年对明年该季的下单数据作为标准，即给工厂下单lock capacity的产品订单排序，下订单的环节叫OBR(order booking review)，一般提前开售日期9个月，从OBR到开售还会新增个别产品，这都是模型不能衡量的）

Step1--对今年这个季度每款产品的销量做排序预测（实际上我们并不能拿到今年这个季度的真实销量数据，因为一个季度有13周，因为在第8周的时候，我们就要交差）

Step2--因为今年和明年产品的款式不完全一样，所以在做完今年产品13周销量的排序后需要做产品的映射，变成明年要卖的产品的排序（因为很多产品都是2.0,3.0版本，变一变颜色，大同小异）

本文目标是做 Step1. 以前的做法是用去年对今年款式的下单数据做这个季度的销量预测和排序，但是其实在今年这个季度第8周即要交差的时候的时候，我们已经有了前8周产品的销量数据，这些信息对13周产品的销量排序一定是有辅助信息的，目标就是拿8周sold数据优化先前的booking信息预测本季产品的销量排序

keys：

1. 只需要做产品排序是因为排名和销量占比的曲线每年几乎完全重合（2017,2018,2019），所以要做的是拍一个明年产品总销量的大数，和明年要销售的每款产品的排序，然后自然就知道明年销售的每款产品的销量了

2. 用今年这个季度13周的产品销量排名来推测明年每款产品的排名

3. 用今年8周销售数据，推测今年13周销售排名，以改进用去年对今年当季13周下的订单数据（booking）做预测

 

数据分析过程：

真实的数据并不比toy data, 并非有完整的记录，确定的变量，甚至明确的问题

通过获取13周销售数据，8周销售数据，13周订单数据，我们发现数据所覆盖的产品数都不一样，以及有一些13周销售的产品在8周的时候只销售了一天（ASD average sold date), 这对于我们做8周推13周销售排序的预测是非常不利的

但是现实bar太低并不是什么也不做的借口。让我们来看看加上8周销售数据对现有做法是不是有帮助

下图是针对男性FTW产品的分析（基于前序分析，发现先对产品做gender*product category的细分后，rank曲线在每年都非常稳定地重合），13周的数据包含300款产品，而13周订单数据只有一般能match，8周的销售数据能match上的有260双（可喜可贺），庆幸地是8周销售数据果然离13周销售数据更近，不过这也合理，毕竟订单数据发生在9个月之前

下面这张图中的13周订单rank明显低于其他两条线，是因为这里用的ranking是在157双中的排序，而13周和8周的销售排序分别是在300双，和260双中的排序，所以13周订单的排序会明显偏小

那么

那么如果我们去产品的交集再分别在交集内排序会发生什么

）做预测

实际上我们依然能看到，即使取了交集，13周订单的排序和13周销售的排序依然更远，并且它的波动性更大

至少我们已经证明了，8周的销售数据可能是一个比13周订单数据更有价值的预测基准数据

 

接下来,我们来看看能不能修一修8周销售数据的排序跟13周销售数据的排序差异较大的点

1. 通过将排名偏差大的款式style拿出来分析，找到了一套规则来识别8周排名和13周排名变化较大的style

2. 通过建立模型分别预测偏差大和偏差小的style的13周sold的排名，得到了一个比原先8周排名更好的排名，MAPE从17%降到12%（百分比绝对误差），偏差下降由偏差大的组的预测提升带来，从33%下降到19%

high-diff style linear regression result

low-diff style linear regression result

high-diff styles have less weight on week8_SOLD_RANK and more weight on week8_ASD and future markdown

e markdown