讲座内容：
Google、Uber等科技巨头Analytics岗工作职能和发展路径
营销分析模型面试考点，如Attribution Model、Marketing Mix Model
哪些必备工具呈现可视化报告，如Python，Tableau
2020年Marketing Analytics新趋势
美东时间12月18日，9：00PM开讲
原价$150，限时学生免费！
扫码回复【MA 1】报名讲座
想进时尚行业Marketing公司，过五关斩六将拿到了面试机会，却拜倒在了预测需求和销售量这种问题上了！怎么办呢？要怎么回答才不会显得过于学生气？
零售业企业老板、产品经理还有任何和时尚贸易沾边的人经常不自觉的依赖人工智能预测产品销量、优化管理、提升产值。但是人工智能结果的准确程度最终建立在输入的数据量上，不过好在如今的互联网是不缺数据的，社交平台、网购网站还有可追踪的供货商们都为广大时尚品牌提供了最新的时尚资讯和受众喜好数据，这些都为品牌们探索下季新品提供了遐想可能性。
什么是时尚零售业的消费预测？
Fashion是一个特别难以捉摸，变化莫测的行业。颜色、印刷、剪裁、花纹和材料......各种时尚潮流趋势瞬息万变，这也让零售预测变得难上加难。想要抓住快销时尚潮流发展，需要大量的资源和资金重组，承担积压货物和清算费用的损失，这也就是为什么不是所有的零售商都愿意冒然扩大生产规模，就连拥有忠实客户群和能大批量生产的品牌都不愿意铤而走险。
时尚零售业的特点
数据分析师和人工智能专家们勇敢的接下了时尚零售业销售预测下的战书。通过分析消费者数据、零售商数据、供应链数据和市场数据等数据资源找到了可行的预测方法。精通技术的零售商得益于大数据分析，可以更加准确的跟紧潮流脚步和预测潮流趋势、满足客户需求、精分客户群，也能根据客户喜好来优化产品定价和促销策略，实时监控方案成果。
时尚零售业的大数据
“运用用户数据分析，表现高于行业平均水平的企业成功在销量和利润空间上翻两番，远超其对手公司。” （哈佛商业评论）
预测时尚风向可是大生意，很多像WGSN这样的时尚咨询公司有很多受过专业训练的专家，翻阅成千上万张图像资料，寻找时尚发展的模式，探索不同颜色的搭配，不停转场各大秀场，最后还要穷尽所有数据资源来预测下一期的爆款。大量数据的收集和堆积是可以先发制人，但是要在数据的大海里找到最适合的数据，难度系数还是能打五星的。
如何定点关联数据？
在开始任何时尚需求预测之前，先过一遍以下7条基本准则：
时尚是社会定位和心理投射的展示，消费者通过特定的服饰来表达自己的内心和社会地位。
时尚和流行文化有异曲同工之妙，两者都是转瞬即逝，难有常态的。
时尚是特定时间段的精神展示，可以投射历史事件也会重复出现。
时尚是一种全球效应，设计师们在设计时取百家之长，注入个人风格。
时尚是有自己的含义，设计师们用不同的形式和花纹来诠释这些含义，顾客们也乐于探索和解读这些隐藏在产品里信息。
时尚把消费者内心欲望和服装风格联系在一起，成为经济发展的助推器。
时尚很多时候是有性别的，男性和女性对时尚的理解不尽然相同。
有了这些背景知识，时尚品牌们就可以一步一步的开始需求预测：
调查关于过去时尚潮流趋势的基本数据，并提出未来趋势的假设
找到过去时尚趋势转变的原因
分析过去的时尚预测与实际客户表现之间的不同
找出可能影响未来时尚趋势的因素
考虑先前预测的准确性和可靠性，采用预测模型和算法
持续追踪预测，找到导致结果与期望相背离的原因
根据调查结果，持续不断调整预测方案
预测模型：
前两种模型适合很多中型企业，不少知名品牌会加入第三种，但是很少有企业采纳最复杂的第四种模型。
人工智能在时尚零售业风头正好，其中一项功能就是需求预测。我们之前也分享了数据的来源，接下来我们来看一下如何把数据运用到这些模型当中去。
先从简单的说起，根据前例来预测一个新产品发售第一周的店内销量。我们可以运用下表中出现的很常见且对时间敏感的算法来预测。
如何运用社交媒体的数据来分析时尚潮流？
时尚企业们可能会有很多不同的客户数据来源，但是社交媒体肯定是每家企业都会运用到的。
时尚品牌的另一大用户数据聚宝盆非电商平台莫属。像阿里巴巴和亚马逊一样的购物平台收集了大量的用户数据，运用AI技术进行数据分析，就有可能预测接下来特定用户群的潮流趋势。同时，大量多样的数据群经过AI的处理，也能为仓储商们提供关于供货链、产品设计和生产、销售、市场推广和客服的需求量的预测。
如果运用得当，AI和Machine Learning可以成为时尚品牌销售的利器，优化运营，节约成本，增加收入。但是，在这个过程当中，即使是很小的疏漏都会让整个商业计划毁于一旦。
我们来看一下时尚圈预测趋势时经常犯的两个错误：
1.预测销售额而不是商场顾客需求量
时尚行业要求零售商以短跑运动员冲刺的速度进入市场，在这样的节奏之下，很多品牌就不断加速预测的速度或者不断简化需求预测模型。于是乎，这样的操作就开始了：使用自上而下的方法来建立预测模型，选择整个产业链中某个产品或类别的销售数据。由于不是按照每个店铺的实际情况来分析，就消除了缺货的可能性，因此会导致预测不足。如果零售商在伍德布里奇的商店在每月的第三周内都没有缺货，那么6月将售出多少商品？不考虑实际销售的需求预测并不能反映由于缺货而导致的销售损失，也就导致预测不足的周期延长，损失加重。
2.以偏概全，忽视个例的重要性
在零售行业中，错误的相对成本在许多方面有所不同。估计需求不足会导致缺货量增加，减少库存后利润减少和销售机会也相应减少。另一方面，高估需求将导致库存积压，也会带来仓储和清理过期物品的麻烦。这两种情况都不利于增收，但其严重性取决于公司所处的利基市场。对时尚界来说，高估需求是致命的。与预测需求不足（主要导致满足不了市场需求）相比，过多的库存会使商店之间的供应链超负荷，从而导致降价和牺牲成本。
低估VS高估需求
Amazon是如何通过预测来计划销售？
Amazon已经成功将AI应用到需求预测了，而且还申请了“预判发货” （Anticipatory Shipping）的专利。就是说在网购时，即使用户还没有下单，亚马逊就会提前将商品发出，这种技术的本质是根据顾客以前各种消费搜索记录，或者是顾客的心愿单，甚至是顾客在某个网页停留的时间来判断顾客对某个商品是否有购买意向。
写在最后
零售需求预测涵盖了各种复杂的分析方法。根据业务情况和公司需求的不同，可以使用不同的预测模型，最大化数据研究专家的工作成功，也让AI和MAchine Learning这些技术能在时尚零售业大展拳脚。
世界上没有两片相同的叶子，没有一种通用于所有零售商的预测模型。这也是为什么每个独特的案例都需要适合的数据库，一套定制的算法和不断优化的程序。
而现在，如果你可以主导这个案例，拥有自己的数据库、一套为自己的案例量身定做的算法。亲自从头到尾经历一个真实Project，预测自己的销量，不再害怕被HR魔鬼般“拷问”，你会心动吗？
那么职图的飞跃计划就能帮你实现这个愿望！
最后，恭喜职图创始人瑞瑞
荣登美国福布斯30Under30营销领袖！
职图招人啦！加入我们吧！
