收益：
- 了解人工智能和自然语言处理在从社交媒体、搜索数据和销售历史中提取趋势信号方面的作用
- 能够使用时间序列方法在 SKU 的基础上配置需求预测和场景设置
- 能够通过销售实现、库存数据和业务判断来验证趋势和预测输出
时尚，就其本质而言，就是对未来的赌注。系列提前几个月计划，面料提前订购，生产在商店之前完成。如果预测错误，就会遭受两种痛苦：库存过多（未售出的商品、折扣、销毁）和库存不足（无可售出的商品、错过收入）。人工智能有助于减少这种不确定性：它从社交媒体、搜索数据和销售历史中提取趋势信号，并预测产品的需求。但时尚是人类的行为；没有任何模型可以保证病毒式传播或经济冲击。在本单元中，我们将有条理地讨论趋势分析和需求预测。
趋势信号从何而来？
趋势分析的原材料是各种数据源。社交媒体和视觉平台：颜色、轮廓、主题的可见度正在增加。搜索数据：人们正在搜索的是早期意图信号。销售历史：您自己的商店销售什么产品、销售时间、销售区域。趋势服务（例如行业出版物）：带有专家评论的预测。竞争/市场数据：竞争对手正在推出什么。
人工智能在这里有两个作用。它通过自然语言处理（NLP）从文本和标签中提取主题和情感（“谈论这种颜色正在增加，语气是积极的”）。它通过图像分析从图像中收集颜色、图案和轮廓趋势。这些都是信号，而不是证据。信号有噪声；一个平台上的移动性可能不会得到另一客户群的回报。
提示：始终根据您自己的客户群和销售数据过滤趋势信号。全球平台上的上升趋势可能不适用于您所在的地区和价格段。 “每个人都这样做”并不是一种策略。
需求预测：SKU、时间序列和不确定性
需求预测通常在 SKU（库存单位；特定产品的特定颜色尺寸组合）级别进行。基本方法是时间序列分析：根据过去销售随时间变化的模式（趋势、季节性、周期）来预测未来。经典方法（移动平均、指数平滑、ARIMA）和机器学习方法可以完成这项工作。
关键点：好的估计不是一个单一的数字，而是一个范围和概率。 “950-1,450 的 80% 机会”比“1,200 个该 SKU 会卖出”更有用，因为它允许您根据风险偏好做出库存决策。验证模型输出的最可靠方法是回溯测试：使用过去日期的数据训练模型并将其与下一次实际销售进行比较。如果模型在过去没有很好地预测，那么它在未来也是不可靠的。
对于新产品（没有销售历史）预测比较困难；类似产品的历史（模拟）和趋势信号一起使用，但不确定性很高，这是必须接受的。
逐步：趋势和预测工作流程
- 收集和清理数据。销售、退货、库存、活动日历和趋势信号。
- 区分季节性和趋势。销售中有多少是季节的，有多少是实际趋势的。
- 生成预测（区间）。按 SKU 划分的预期值和置信区间。
- 回测。衡量模型的历史准确性；如果不好，则返回简单模型。
- 正确的商业判断。手动将已知事件（新商店、活动、供应问题）添加到模型中。
- 观看并更新。根据实际销售额修改预测（滚动预测）。
三个迷你案例：从数字来看
案例 1 — 减少多余库存。某个品牌每季都会生产过多的某个颜色组，并在季末以 40% 的折扣出售。对历史销售量进行回溯测试的 SKU 估算表明，他们生产了多个尺寸的产品，而不是低于该颜色的需求。当尺寸分布得到修正后，折扣销售率从 40% 下降到 26%。
情况 2 — 信号错误。一个团队在这个系列中加入了霓虹色调，在社交平台上引起了轰动；全球信号很强烈。但他们自己的客户群（经典、成熟的细分市场）并没有采取这种基调；该党被保留。引入了一条规则，用自己的销售数据来过滤下一季的趋势信号。教训：没有分段的信号会产生误导。
案例 3 — 区间预测的价值。当买家根据“销售 1,000 单位”点预测下订单时，模型给出的 80% 范围为 700-1,400。买家看到了风险，将首笔订单保持在800，并根据销售趋势计划快速补货；它避免了库存过多和库存不足。十二月做出的决定比奇数更明智。
弱提示/强提示
弱提示：
告诉我下一季会卖什么。
强力提示：
您的角色：时装策划分析师。以下是过去 3 年的每月销售数据（SKU、数量）、活动日历和本季趋势说明。任务：1）区分季节性和趋势，并简要解释。 2) 给出相关SKU的下一季预测；不是明确的，而是作为 80% 的置信区间。3) 您建议我如何回测您的预测？4) 哪些趋势信号在我们的客户群中可能存在风险？不要弥补数据中没有的内容。数据：[表]
强大的提示提示区间预测、回测建议、分段过滤；它不强加精确的精度。
可复制模板
1）季节性分解：
将这个月度销售系列中的趋势、季节性和不规则部分分开，并对每个部分进行简要评论。给出数字摘要而不是图形。系列：[数据]
2）区间预测：
生成以下 SKU 的下一个 [n] 期预测。给出每个时期的预期值和 80% 置信区间。清楚地列出你的假设。历史：[数据]
3）回测设置：
编写回测需求预测模型的计划：训练/测试区别、错误度量（例如 MAPE）、接受阈值。还建议一个简单的三段论模型（朴素）。上下文：[产品、数据大小]
4) 趋势段过滤器：
根据我们的客户群（年龄、价格、风格）评估这些趋势信号：哪些信号很强，哪些有风险/不相关？为每项添加理由并建议使用销售数据进行验证。信号：[列表]
来源和可靠性表
数据来源
它发出什么信号？
电源
边界
自己的销售历史
实际需求
高
新产品中没有
通话数据
初衷
中等
可能不会退货
社交媒体
可见度/情感
中等
段偏差、噪声
趋势服务
专家预测
中等
公开，向所有人开放
竞争对手/市场数据
定位
中等
延迟的、部分的
注意：没有任何预测可以保证未来。病毒式传播、天气预报、经济冲击或供应危机甚至可以欺骗最好的模型。使用估计作为概率工具；不要盲目坚持单一数字，并根据实际销售情况修改计划。
常见错误
- 盲目相信精确的预测。范围和概率有助于做出更明智的决策。
- 接收趋势信号而不进行分段过滤。全球趋势可能不适用于您的受众。
- 不做回测。过去不好的模型在未来也是不可靠的。
- 将季节性误认为趋势。将季节性增长误认为永久性增长会导致生产过剩。
- 不修改计划。预测应随着实际销售额的增加而更新。
综上所述
时尚趋势分析和需求预测是为了减少对未来押注的不确定性而做出的努力。 AI从多源信号（社交媒体、搜索、销售）中提取趋势，并按SKU生成需求预测；但信号必须经过分段滤波器，预测必须经过间隔和回测。该模型是可能性的工具，而不是预言家；最终的股票决策和风险偏好仍取决于商业判断。
应用任务
为某个 SKU 创建虚构（或真实）的三年月度销售记录。应用本单元的“季节性分解”和“区间预测”模板。查看人工智能给出的预测范围，并在一段中解释您作为买家将在该范围内下第一个订单以及原因（风险偏好）。另外，用一句话写下您将如何回测这一预测。
清单
- [ ] 我用范围和概率来评估预测，而不是逐点评估。
- [ ] 我用我自己的客户群过滤趋势信号。
- [ ] 我通过回测来验证模型。
- [ ] 我区分季节性和永久趋势。
- [ ] 我根据实际销售情况修改计划。