馮復平 龍瓊

摘要：服裝產品具有銷售周期短，產品SKU數量多的特點，要求服裝企業(yè)能夠在銷售過程中實現快速反應，本文基于服裝企業(yè)零售店銷售行為，主要對實體零售渠道銷售和庫存數據進行分析，對其數據相關性和周期進行特征分析，并構建服裝供應鏈數據分析預測模型，建立銷售庫存預警，從而有效降低庫存積壓，減少采購盲目性，讓供應鏈管理過程更加智能化。

關鍵詞：服裝;供應鏈;庫存預測;銷售分析

中圖分類號：F717.6;F715.6文獻識別碼：A文章編號：

2096-3157（2020）23-0009-03

具有獨立品牌和線下營銷渠道的傳統(tǒng)服裝企業(yè)，自2003年電商快速發(fā)展以來，實體店銷售業(yè)務受到網店的巨大的沖擊，在與網店的競爭下艱難地尋求著存活之路。隨著電子商務市場逐漸發(fā)展成熟，網店引流成本逐年上漲，實體店近期又重回消費者視野，但是庫存積壓依然是困擾服裝行業(yè)多年的難題，目前仍然未能完全解決，本文選取了一家實體零售店面抽取銷售和庫存數據，運用數據分析模型及工具對數據進行清洗整理和分析，構建針對實體零售店的供應鏈數據分析模型，對進一步提升實體零售店競爭實力有著顯著的價值。

一、服裝實體零售店供應鏈環(huán)節(jié)現存問題

1.服裝產品SKU多，庫存容易積壓

SKU是服裝企業(yè)生產和銷售的基本單位，單款單色單碼作為一個SKU單位。服裝產品屬于快速消費品，季節(jié)性強，加之消費者對產品需求的多樣性，造成了服裝產品SKU數量多，例如一直以基本款為特色的優(yōu)衣庫，SKU常年保持在1000左右，而國內大多數服裝品牌的SKU則達到了2000～5000款，一旦某個款式或者尺碼銷售不暢就會造成產品庫存積壓。

2.消費者需求多樣，斷碼缺貨時難以快速補貨

除定制品牌外，服裝產品均屬于備貨式生產，即在服裝銷售周期開始之前已經完成主要生產備貨任務，生產具有小批量、多批次的特點。服裝產品的季節(jié)性和流行性強，銷售難以預測，因此服裝實體店鋪貨量大，但是受店面空間限制，每個SKU提前備貨量有限，通常只有1～2件，銷售時容易造成斷碼缺貨現象，目前在企業(yè)備貨充足的情況可以實現快速調貨，但是當企業(yè)庫存不足時，生產補貨都需要一定的周期，一般企業(yè)的補貨周期為45天，一些快時尚品牌能夠將補貨生產周期壓縮到了2～3周。因此實體零售店需要能根據銷售趨勢做出正確的補貨策略，以防止補貨到貨時銷售周期已趨于結束，形成新的庫存積壓。

3.實體店銷售受環(huán)境影響大

實體店銷售受到地域、商圈、氣候以及突發(fā)事件等多因素影響。實體店銷量與店面所處城市及商圈直接相關，地域和商圈決定了客流量以及當地消費喜好，歷史銷售數據能有效反映出店鋪所在地的消費特征。除地域和商圈影響外，每年的氣候變化也會對服裝銷售產生重要影，一些突發(fā)事件也會對實體店零售產生重大的影響，例如2020年上半年突發(fā)的疫情導致服裝、配飾等非生活必需類產品銷售額出現負增長，實體店較之網店受到的沖擊尤為明顯。變幻莫測的外部環(huán)境變化要求實體店能對環(huán)境變化做出快速響應，根據銷售變化迅速調整庫存。

二、數據源描述

為構建服裝實體零售店智能供應鏈管理模型，選取了某品牌客流量較大的一家門店的4個月的銷售和庫存數據，數據源內容如表1所示。

在原始數據中存在以下問題：

1.數據描述不統(tǒng)一

對原始數據進行整理發(fā)現，原始數據在銷售和庫存數據中存在數據描述不一致的情況。例如品牌在銷售數據中描述為數字類型，在庫存數據中描述為文本類型。

2.存在庫存數據個別天數與銷售數據不匹配

選取了某一款式商品，對其銷售數據和庫存數據進行對比分析，根據當日庫存計算公式：

當日庫存=前一日庫存-當日銷售量

發(fā)現在個別日期出現庫存數據與計算結果不吻合，由于企業(yè)業(yè)務系統(tǒng)數據庫中僅記錄了庫存余額每日變化情況，對數據需要進行差異化分析。

3.數據中存在無意義或重復數據項

數據中包含了部分數據分析無意義的數據項，如數據類別中的“大類”，所有數據均為服裝，還有部分數據內容重復，如“產品季”、“年”、“月”等時間數據，與銷售日期數據重復。

三、數據清洗與整理

根據對原始數據中存在的問題，對原始數據進行了清洗與整理。

1.數據統(tǒng)一化將不同數據類型的描述同一信息的數據進行數據標準化。原始數據中的品牌數據、時間數據在銷售和庫存原始數據中心都存在描述不統(tǒng)一的問題。對原始數據進行統(tǒng)一化處理。例如：品牌在銷售數據里都是三類，在銷售數據中描述為是1、2、3，在庫存數據中描述為文本類型，通過SKU比對，確定銷售數據中1、2、3代表的分類，將1、2、3類均統(tǒng)一轉換為文本類型分類，實現數據統(tǒng)一。

2.刪除無意義數據項，對數據進行清洗，將多余的數據列刪除在原始數據中心時間數據描述為三種格式，年、季度、日。其中日期中數據可以描述前兩類數據，為減少數據冗余，將年、季度兩個數據性刪除。

3.尋找供應鏈數據中關鍵的補貨數據原始數據中缺少補貨數據，補貨數據在供應鏈管理分析中較為重要，因此選取了某一SKU的1個月的82條庫存數據作為樣本分析其補貨情況，分析發(fā)現補貨數據雖未單獨列出，但可以從庫存數據變化中獲取。

四、智能供應鏈管理數據分析模型設計

數據清洗和整理后，利用Tableau對供應鏈環(huán)節(jié)中的銷售和庫存進行數據分析模型設計。服裝供應鏈管理包括設計、采購、加工、銷售、庫存多個環(huán)節(jié)，在實體零售店的供應鏈數據分析模型中略去了設計和加工環(huán)節(jié)，主要著重考慮店面零售環(huán)節(jié)涉及到的采購、銷售、庫存三大模塊，在數據整理過程中發(fā)現了缺少補貨數據，但由于庫存數據量較大，且每月庫存盤點后日庫存量數據也被修正過，由此推算出的采購訂貨數據準確率不高，因此不再補加原始采購進貨數據，主要對現有銷售和庫存數據進行分析統(tǒng)計，通過監(jiān)控庫存與銷量數據來實現智能補貨提醒。

1.銷售監(jiān)控與預測模型

（1）銷售額與銷售量趨勢分析。

銷售額和銷售量為歷史銷售數據，以日為單位，數據連續(xù)，采用時間序列分析模型進行線性擬合，以日銷售額為例，日銷售金額擬合公式為：

日銷售額=373.482*銷售日期+（-1.62181e+07）

銷售日期和截距的p值均小于0.0001，滿足p<=0.05。

除4個月的趨勢分析外，還提供了產品系列、暢銷款和滯銷款的日銷售額與日銷售量趨勢分析。

（2）銷售額與銷售量預測。

銷售額與銷售量預測采用指數平滑法對未來7日銷售額和銷售量進行預測，同樣還提供了產品系列、暢銷款和滯銷款的未來7日銷售額與銷售量預測。由于銷售額和銷售量呈現出按星期的周期性波動，在進行預測時在指數平滑法中添加了7天季節(jié)模型，以7日為周期進行預測，預測值也呈現出周期性波動曲線。

（3）暢銷款和滯銷款產品分析。

由于SKU數量多，無法同時監(jiān)控所有銷售數據，而且容易造成管理疏漏，因此需要對產品進行分類管理，制定相應的銷售計劃和庫存管理計劃。對4個月的交易流水基于SKU統(tǒng)計銷售額和銷售量，統(tǒng)計時間維度設為3個層次：所有時間、任意區(qū)間和日。按4個月總銷售額、區(qū)間日期銷售額、日銷售額將全部SKU進行銷售額匯總排序，對每個時間維度的銷售額前十名分類為暢銷款，后十名歸類為滯銷款，其他為普通款。目前數據總體時間跨度為4個月，時間跨度可根據需求隨時調整，區(qū)間時間可由用戶隨意選取，靈活的時間區(qū)間選擇讓店鋪可隨時查看各時間段歷史數據和實時數據中暢銷款和滯銷款的情況，做出相應的銷售計劃。

（4）銷售分布分析。

銷售分布分析主要針對產品系列進行分類統(tǒng)計，包括2個層次：產品系列和產品小類其中產品小類歸屬于產品系列。對產品分系列和小類進行銷售額、銷售量、暢銷款和滯銷款分別進行統(tǒng)計。

（5）銷售周期性分析。

服裝實體零售店的銷售額與客流量成正比，在數值上表現出周期性波動，通常情況下周末的銷售量高于平日銷售量。對銷售數據按星期進行統(tǒng)計分析發(fā)現，不僅在整體銷售額和銷售量上出現周期性波動，在各產品系列上也出現同樣的波動曲線。

由表2可看出，周末的銷售額明顯高于平日，周一和周二銷售量較低，符合服裝實體零售店銷售特征。

2.庫存監(jiān)控與預測模型

為解決庫存積壓和及時補貨問題，除對庫存數據進行常規(guī)分析之外，著重對庫存和銷售數據的關聯性構建模型進行分析。

（1）庫存分析。

庫存分析按照兩個維度進行數據統(tǒng)計，一個是時間維度，以天為單位，對庫存構建一個整體分析模型，選用庫存量和庫存金額兩個指標，以曲線圖顯示庫存占用資金和庫存量變化情況。另一個是以產品SKU為單位，按照每個SKU庫存量進行統(tǒng)計排序。兩個維度可以交叉查詢，互為數據篩選條件，既可按日查看當日庫存量分布情況，也可按SKU查看歷史日庫存量數據，提供了靈活數據查詢功能。

（2）庫存周轉分析。

庫存周轉分析主要對庫存資金周轉情況進行分析，選用分析指標為庫存周轉率。庫存周轉率能夠有效反映庫存資金周轉的速度，庫存周轉率計算方法為：

庫存周轉率=周期內銷售產品成本/周期內平均庫存價值

在模型設計中對庫存的周轉率采用波士頓矩陣法分析，如圖所示。根據庫存周轉率和庫存資金占用不同，將產品分為四個象限，右上象限區(qū)域內的產品為明星產品，庫存周轉率高，庫存金額占用。利用波士頓矩陣可以清晰區(qū)分需要重點關注的產品庫存。

（3）庫存-銷量分析。

由于銷售數據實時變化，如何在保證銷售不中斷的情況下降低庫存資金占用，需要能夠根據銷量數據對比存貨數量，在斷貨前提前預警，從而及時補貨。因此將庫存數據與銷售數據進行庫銷比分析，根據銷售情況，對比庫存數據，減少庫存補貨的盲目性，實現智能補貨是供應鏈智能化管理的重要環(huán)節(jié)。庫銷比分析通常用于檢測庫存量設置是否合理，為了實現智能補貨，模型中使用庫銷比分析結果來判斷是否進行補貨。

通過分析原始數據發(fā)現，部分商品出現在銷售為0的情況下，庫存一直在增加，造成庫存積壓。服裝產品尤其是女裝類產品，時尚度高，銷售周期短，銷售數據波動性強，最近日期的銷售數據對銷售趨勢的影響力最大，因此在庫存-銷量分析中只對最近一周銷售數據進行統(tǒng)計分析，匯總每一周商品的銷售數據，對比周日庫存量，計算周庫銷比。

庫銷比計算公式為：

設任意一個SKU商品Pi的日銷售量設為sij，由日期t開始的一周內的銷量合計為Sit，周末庫存量為t+6日庫存合計為Mi，t+6，庫存比為Rit，計算公式為：

Sit=t+6j=tSij

Rit=Mi，t+6t+6j=tSij（t為任意一周周一）

當Rit≥1時表明周日庫存量高于前一周銷售合計，該產品本周不進行補貨，否則當Rit≤1時表明周日庫存量低于前一周銷售合計，該產品需要進行補貨，為提高補貨可信度，在補貨時可綜合參考銷售分析模型中的銷售預測結果。

3.數據交叉查詢分析設計

在服裝實體零售店智能供應鏈數據分析模型中，除對單一數據進行分析，挖掘數據特征之外，重點進行了數據交叉查詢分析設計，實現多維度查詢，交叉查詢內容如表3所示。

在模型中對數據基于產品類別和時間進行了多維度的數據交叉查詢分析。數據分析維度如下：

（1）時間維度。

在時間維度進行了總時區(qū)、區(qū)間時區(qū)、周、日四個層次的數據鉆取和聚合，從不同的數據粒度反映銷售和庫存數據特征和變化趨勢。

（2）產品維度。

產品維度提供系列、子類、SKU三個層次的數據鉆取和聚合，可以在不同層次查看商品的銷售和庫存數據。

（3）交叉維度。

時間和產品維度在多個分析模塊中進行交互查詢，提供時間和產品的交叉數據粒度對數據進行篩選、匯總、排序等，展示數據特征。

五、模型應用效果

1.模型對已有數據進行分析得到的結論

（1）銷售數據呈現周期性，周末銷售量是平日銷售量的1.5～2倍，符合服裝銷售時間特診，店鋪可根據周期性特征安排銷售促銷計劃和員工輪休。）

（2）暢銷款產品需要注意庫銷比，及時補貨;滯銷款產品需要改進促銷計劃并合理降低庫存。

（3）庫存周轉率低的產品需要及時做出庫存調整。

2.模型應用價值

（1）模型實現了對服裝實體零售店銷售和庫存數據的全面多維度分析，提供豐富的交互查詢方式，能幫助服裝實體零售店實現供應鏈智能化管理。

（2）模型基于一家服裝實體零售店構建，構建模型兼顧通用性，可以推廣應用到其他服裝零售店。

（3）模型時間周期可根據實際應用需求進行快速調整，擴展歷史數據周期。同時可對數據進行周期性更新，及時反映供應鏈數據變化趨勢。

六、結論

通過對服裝實體零售店實際經營數據中的銷售與庫存數據構建數據分析模型，使用了時間序列模型、指數平滑預測法，運用銷售和庫存管理評價指標，基于多維度多層次進行數據分析，使用Tableau軟件進行模型實現，模型的應用能夠幫助服裝實體零售店及時了解銷售發(fā)展變化趨勢及庫存周轉情況，快速調整銷售計劃，并根據銷售數據變化，及時補貨和清理庫存。解決服裝產品銷售周期短，庫存容易積壓的問題，實現供應鏈管理智能化。

參考文獻：

[1]沈嘉杰，徐家林，周興建.新零售時代全營銷渠道兼容的服裝供應鏈運營模式[J].服飾導刊，2018，7（04）：48～54

[2]尹鳳林，梁文鋒，皮思斯，謝建敏，陳楚欣.面對XH企業(yè)服裝供應鏈庫存管理研究[J].物流工程與管理，2018，40（01）：90～92

[注]基金項目：北京市服裝產業(yè)數字化工程技術研究中心項目（KJCX1902-30299/009）

作者簡介：

1.馮復平，北京服裝學院副教授;研究方向：企業(yè)信息化。

2.龍瓊，北京服裝學院副教授;研究方向：電子商務。