你是否遇到过这种情况：在超市的冷藏柜前，拿起一瓶牛奶，但是发现它保质期已经过了一大半，挑来挑去很难挑选到新鲜的牛奶？这种情况就是经营策略没有及时调整导致的。由此可见，销量预测对于店铺的备货非常重要，甚至会直接影响店铺的经营状况。

下面分享一个超市销量预测案例。本案例以厄瓜多尔连锁超市为例，看看超市是如何利用可视化报表分析和预测经营情况，及时调整备货策略，提高客户满意度，在长期的商业竞争中取得优势。

一、业务背景与需求痛点

连锁超市因为商品数量准备得不恰当，每年会损失大量的钱。如果商品准备过多，会导致大量商品过期浪费，如果准备商品过少，便不够卖，不能实现最大化盈利。如何在不同的门店准备好适量的商品，是超市需要考虑的问题。

沃尔玛拥有大量在职的数据分析师和数据科学家，并且还在积极招聘，机器学习对于超市和数据分析师来说都是如虎添翼，但机器学习运行的结果只是一堆数字和准确度的分数，如何获得商业洞见，仍然需要将数据转化为更加可视化的方法去呈现。

超市利用可视化报表分析经营情况，利用机器学习算法来预测销量，调整备货策略，减少过度备货导致的食品浪费问题的同时，提高客户满意度，在长期的商业竞争中取得优势。

二、分析思路

数据包含五张csv文件，表间关系可以通过id, city等关键字链接。在数据内进行表间关联：

根据需要的分析的角度，又生成了“submission, 各类产品历史销量，预测结果” 三张表，利用公式生成了一些新的列备用。

对数据进行维度拆解：时间维度（不同季度、周内各日）、空间维度（不同门店）、种类维度（商品种类）、因果性（石油价格➡️厄瓜多尔经济➡️消费者购买力➡️超市销售额）方面进行综合分析。通过这份数据，可以分析出石油价格、节假日对于超市销售额的影响规律。从而预测超市下一阶段各类商品的销售额。避免备货过多导致的浪费以及备货过少导致的收益不足。

三、数据准备与数据处理

1、可视化分析前的数据处理

为了分析以季度为颗粒度的销售总额的走势，在不加过滤的情况下产生的图表如下：

上图存在三个问题：

1.数据集包含了一部分没有带时间的噪音数据，被系统认定为2013年第一季度之前的数据，数据值只有一百多万，极大地干扰了需要研究的数据（2013年第一季度到2017年第二季度）的情况。2. 由于没有剔除，x轴上坐标点过多，需要拖动才能看到全部数据。

3. 数据集包含了一部分2017年第三季度的数据，但是不够完整，所以数值较低。

确定研究对象是以季度为时间颗粒度的走势，需要斩头去尾将这两个噪音数据点剔除。使用FineBI的数据筛选功能，对数据进行过滤即可。

剔除条件后的图片如下：

2、预测结果的处理

预测出的33个品类的销售额总量大约是历史销售额的1/87，历史数据是2013年1月1日到2017年第三季度的数据，根据比例关系，可以推测预测时间范围大约为20天。计算各类产品变化率时，先将预测结果乘以87，再和历史数据做差后计算变化率，当作该类商品接下来20天的需求变化率，作为新增列加到表内。

四、可视化报告

数据特征

• 从时间维度来看，厄瓜多尔54个连锁超市的总销量在稳步增长。以季度为颗粒度来看，每年的第四季度均为当年销售额最高的季度，主要原因是圣诞节在第四季度，类似于国内的春节期间，消费者会大量消费。

• 从空间分布和品类分布，直观地看出各城市和各品类占了多大比例。Guayaquil,Quito这两个城市的销售额比其他城市大出一个数量级，需要重点关注。两个城市占了总销售额的大约70%。如果想对剩下的各个城市销量进行比较，可以剔除掉这两个城市后，生成更加清晰直观的直方图。占比较大的有杂货、饮料、生产用具、清洁用品、面包、乳制品。

将这两张图表的结论结合，可以具体分析面包、乳制品在一周内不同时间段的销售状况，从而科学地制定配货策略，提高收益、减少浪费。通过各个分析维度的突出特征，结合起来便可抓住提高盈利的关节问题。

不同维度的销售规律及经营策略：

根据销售额的规律，发现一周的7个日期之内，销售量和销售额有着较大差异。消费者在周日更倾向于购买单价贵的物品。并且发现在不同的石油价格日期区间内，销售额有很大差异。

销售策略：周末对单价高的商品进行促销活动。在顾客购买意愿较强的时间段提高销售额。

在销售额较高的品类里，面包、乳制品是保质期较短的商品、需要按照销售时间规律来供应。

销售策略：对于超市，建议是根据每周需求先定好总供应量，再按照工作日每天：周末每天 = 1:1.5的比例来供应面包和乳制品最合适。

在2013年到2017年，石油价格经历了大幅波动，厄瓜多尔的经济严重依赖石油，存在着石油价格➡️厄瓜多尔经济➡️消费者购买力➡️超市销售额的因果关系链。可以分析在不同油价区间的日期，超市的日均销售额有什么变化趋势。

销售策略：在石油价格低的时间段，增加商品供应量；在石油价格高的时间段，减少供应量，避免大量囤积货物。

通过LightGBM机器学习算法对各类商品销售额的预测

机器学习算法的实现：

运用到LightGBM机器学习模型，预测出的结果在kaggle平台上获得了0.37984的分数。通过将模型的预测数据结果进行处理，生成直观的图表后，得出了两条分析结论与经营建议：

1. 在销量较大的产品类别总，预测有较大销售额涨幅的是生产用具和饮料，在下一阶段，超市可以提高饮料和生产用具的备货量。

2.历史销量较大且需求大幅减少的商品是冷冻食品和清洁用品，接下来一段时间不应再增加该类商品的库存。

通过统计图表也能够为数据分析带来直观的呈现。

通过饼图的比例变化，可以看出33个品类中销售额占比较高且在接下来一段时间内需求量大幅上涨的商品有生产用具和饮料。

通过对比柱状图，结合历史销售总额和预期下一阶段的需求变化率，制定经营策略。下图中33个商品品类的需求变化率中，存在一个过于离群的异常值。

将异常值剔除后，各品类需求变化率在-81%到+105%之间，并且超过一半的品类需求变化率不超过±20%,切合实际。

分析结论

• 提升效率：

利用机器进行计算，节省了分析师大量的时间。连锁商超利用机器学习算法和某些数据便可以对未来经营状况进行预测。不一定需要使用经济数据，出生人口数据、进出口数据、公司的内源性数据都可以用来分析规律并进行预测。

• 影响决策：

通过数据分析和预测，超市可以减少备货过多的浪费，也可以避免供不应求的情况。令消费者购买到的食品更新鲜，提升顾客满意度，增加复购率。超市下一阶段可以提高饮料的备货量，减少冷冻食品的备货量。通过FineBI和机器学习算法，会令消费者购买到临期商品的情况减少，商家也会在激烈的市场竞争中，靠着这些一点点积累起来的优势，滚起雪球，在长期的竞争中占得优势。

五、完整数据报告展示