传统线下商店的管理就是针对人、货、场的一种管理。可以简单理解，如果商品价值相当，一个商店的购物人数越多、场地越小、货物越少那么这个商店利润越大。那么这里要讨论的是商店货物的问题。我们去超市、便利店购物，常常会发现一个问题，想买的商品就是没货。
如果我是一个客户，我刚好想买图上缺货的商品。一般只有两种选择，购买这种商品的替代品，或者直接不买或换商店买。这种情况会显著降低商店的销量，损害商店的用户体验。
那么我们换一种方式，为了保证不缺货，商店里保存大量商品呢？这显然可能产生另外一种问题。库存和损耗成本。针对保质期短的商品，如果过期未销售就会丢弃产生库存成本。针对长保质期的商品，虽然过期时间长，单货物也不能够无限制存储。第一是存储空间受限，第二是库存是商店的成本，可以简单参考以下公式。
期末结存商品的成本=期初库存商品的进价成本+本期购进商品的进价成本-本期销售商品的成本
接下来，我们就可以讨论一个问题。门店货架上的库存在什么时候是最优的呢？简单来说，如果不存在送货周期的波动和陈列的美观度，那么门店货物的库存量就是
当前库存量= 预测销量 * (下次进货日期-当前日期)
如果考虑送货周期波动和预测销量的预测误差，那么门店的最优库存量是
当前库存量= 预测销量 * (下次进货日期-当前日期) + 安全库存量
安全库存是通过送货周期波动和销量预测计算，这里就不赘述。
计算当前库存量的核心就是销量预测，销量预测即针对未来商品的销售预期。但人的购物行为受到天气、日期、促销等多种因素影响，兼具必然性和偶然性。
所以一般可采用统计学或者机器学习的方案来进行预测。常用预测总方案后期逐步分享。
无趋势商品销售图
有趋势商品销售图
采用统计学或者机器学习的方案，可以快速的跟踪并实现常见情况下的销量预测。但是如果遇到促销，那么常用的算法分析方案常常会失败，失败原因主要在对未来价格不可测。
这里解释下常用的预测方案。一般来说，我们采用线性回归模型、树模型都是分析历史上某个商品的价格或促销方式同销量的直接关系。那么价格的准确率就相当重要。 这篇文章要讲的就是这个问题，如何确保这个商品的未来价格是准确的。
就算法来说，商品的历史价格、历史促销价格一般而言可以精准获取，但是未来的预估促销价却很难计算。 这里可以举一个例子：某箱牛奶原价40元，历史上以一次是满40减10块，实际销售价格30。在这种情况下，商品的销量增加了30%。那么是不是代表着在未来，这个商品卖价在30块时，实际销量也会增加30%左右呢？在不考虑周期、天气、人流的情况下是这样的，但是这里有一个问题。我们真的能算出未来商品的确切卖价吗?答案恐怕没那么简单。 再举一个例子，一个超市在今天会同时做多个促销。第一个促销是满40减10块，第二个促销会发一定量的满30省29的优惠券，但是只发一定的数量。如果我们计算最优价格，那么同样买这箱牛奶，用户只需要支付1块钱（40-10-29=1）。基本上来说这箱牛奶等于白送，可以说有多少牛奶都能卖光。但是，这里要注意的是，优惠券只会发一定的数量，比如10张针对老用户，那么从严格意义上来说，除开这10张优惠券，这盒牛奶的实际销售价格就是30。那么实际上，这个商品销量可能也就增加30%左右。这种情况还有很多，比如多种商品组合促销、大额满减等等。用户在实际购买中很难拿到最低优惠，所以按照最优组合这条路走不通。 因为获取最优价格这条路走不通，我们又确实需要获取最优价格。这就需要一个方法论用于分析。因促销是由采销发起的，成熟的采销和营销团队发起的促销会有一定规律，他们就只常用一些促销，基于整个理论，我们就只计算历史上的常见促销，在计算商品未来价格时，只采用这种类型的促销用来计算未来价格。 可以采用历史数据验证这种方法，当我们排除一定促销计算出的商品价格和实际商品价格接近，那么可论证此方法有效。一般来说，我们定阈值为90%。当统计阈值>=90%时，采用此方案计算未来价格。
