各位数据的朋友，大家好，我是老周道数据，和你一起，用常人思维+数据分析，通过数据讲故事。
预测这个主题的视频更新中断了很久，现在重新回归，继续来讲销售预测。
上期内容回顾
上一讲我们用两个相对简单的预测算法，让大家体验了一下从预测到补货的一个完整流程，通过这个完整的流程，我们看到了销售预测的两大作用：
1、给实际定一个目标，定一个参考，当实际与预测差异较大时，我们可以去寻找并分析原因；
2、作为标准，结合库存，作为补货的参考。
但是因为还有许多因素没有考虑进去，所以会导致简单的预测非常不准确。都有哪些因素没有考虑进去呢？
1、周一到周日的波动特性。对于零售门店来说，通常会呈现比较明显的特征，比如周一到周五，销量会比较低，而周六到周日会比较高。
2、节假日、促销日、季节性、天气的波动特性，道理都和上面的一样。
我们应该将这些变动因素考虑进去，才可以得到更精确的预测结果。
本期内容
这一讲我们就拿周一到周日的波动特性来举例，来讲一下基本的逻辑。这里会提出一个指标：周权重系数，它就是将周一到周日的波动特性量化。
周权重系数计算过程：
第一步：计算历史年份中（过去1-3年）历史销售情况，先按每日为单位汇总，再按周一到周日进行汇总，这样，就得到了所有周一到周日的销售数据。
第二步：找到其中最小值的是星期几，然后以它为基数（周权重系数为1），其他都除以基数，就得到周一到周日每一天的周权重系数。
当然，这个算法是一个简化的算法。如果考虑一年中，有些星期可能是52周次，有些则可能是53周次，那么，将其除以周次，得到平均值，再进行系数的计算，则会更精确。大家有兴趣的话，可以自行试一下。
接下来，假设我们根据过去3年的历史数据，得到了如下表格的周权重系数：
通过这个表格就可以发现，这个企业周二的销售是最少的。所以，我们以周二的销售作为基数，再用其他星期的销售金额除以周二的销售金额，就得到每一天的周权重系数，可以看到，周六周日比平时高出40%以上。
当我们得到周一到周日的周权重系数后，就可以认为每一天都符合相似的规律。这样，就可以根据2022年每一天是星期几，给2022年每一天都赋以一个周权重系数。
周权重系数在销售预测中怎么使用呢？
简单的来说，就是基数先除权，预测再乘权。
举例：假设我们的预测就是根据去年同一天的销量来预测，也就是说，2022年1月1日，就以2021年1月1日的销量来预测。
2022年1月1日是星期六，而2021年1月1日是星期五，此时我们通过下表来进行计算2022年1月1日的预测值。假设2021年1月1日实际销售额为100，那么，就先将其除以2021年1月1日的周权重系数1.06，得到94.34这个值，然后再乘以2022年1月1日的周权重系数为1.47，得到138.68。
当然，实际的预测算法不会这么简单，可能是前90天平均日销量*30%+去年后30天平均日销量*70%。这里的日均销量也都是先除权，然后再乘以要预测的日期的周权重系数，最后得到我们预期的结果。
基本逻辑
对于零售企业来说，周一到周日每天的销量会呈现比较明显的规律。一般情况下，都是周六周日的销量明显会比周一到周五高。假设周五的销量是100，而周六的销量是120。我们能不能简单的说，周六的销量很好呢？不能，虽然周六的销量相比周五，是增长了20%，但按历史的规律来看，周六应该是周五的1.39倍（按周权重表来计算，等于1.47/1.06）。也就是说周六的销量应该卖到139以上，才是真的好。
把这个道理想明白了，利用周权重系数进行预测的逻辑就容易想通。实际上，就是通过除权将一些有规律的变动因子（干扰因素），回归到正常水平（去除干扰因素），预测就会更加精准。
不管是周一到周日的波动特性，还是节假日、促销日、季节性、天气的波动特性都和上面的一样：只要我们将这些变动因素变成量化的权重系数，就可以通过除权再乘权的方式，得到更精确的预测结果。
天气预报系数的计算过程：
1、获取某个城市历史3年的天气预报数据；
2、将天气预报中的天气进行分类，比如晴、阴、小雨等，然后将每天的销售关联上天气进行汇总；
3、根据出现的天数计算平均值，然后以晴天为基准，其他天气除以晴天的平均销售额，就可以得到不同天气的系数。
这里与周权重系数不同的是，周权重系数是以最小值为基数，但天气则是以最多出现的晴天为基数。大家可以思考一下为什么。有什么想法的话，欢迎留言。
我们来看一个实际的数据，这是一个医药连锁的数据，我们会发现一个很有趣的情况，就是暴雨天气的日均销额与日均流量其实是明显高于小雨、中雨和大雨的。当然，不同的门店会呈现不同的情况，但基本有一个规律，就是日均销额相对比较高的门店，都是开在人员比较密集的小区里的。
历史天气预报数据获取渠道：
1、大家可以访问2345网站的历史天气频道，网址大家可以百度，或者转到我的专栏中获取。
2、奥威软件已经将2019年来全国各城市（明细到各区县）的历史天气预报数据通过爬虫爬取到数据库中。如果哪位朋友有兴趣，可以留言告知你想要的年份、城市，我可以将数据导出来给大家。
本期内容总结
今天的内容就到这里。回顾一下，我们今天讲了一下周权重系数的算法逻辑，以及如何利用其进行更精确的预测。
这个预测的算法相对来说比较复杂，无法直接在前端来实现，必须通过脚本在ETL中实现，这需要专业的IT人员来完成。不过，奥威BI的零售标准方案已经集成了这些算法，包括周波动、节假日波动，以及天气的波动等，可以更精准的进行预测，有兴趣的朋友可以在奥威官网上申请零售标准方案的免费体验。
老周道数据，和你一起，用常人思维+数据分析，通过数据讲故事，我们下一讲再见！