门店要货预测：按历史销量还是按天气修正

核心摘要

• 门店要货预测不能只用历史销量，也不能只凭天气拍脑袋；正确做法是以历史销量为基线、以天气因子做修正。
• 历史销量解决的是“通常卖多少”的问题，天气修正解决的是“哪些品类的需求会被明显改变”的问题。
• 建议先从极端天气影响最明显的品类入手（如饮品、即食、生鲜），设定量化修正规则，而非全品类一刀切。
• 对于大多数门店，先跑通“历史基线 + 简单天气规则”两步法，再逐步引入更复杂的预测模型，成本和效果最均衡。
• 要货预测的目标不是“预测得绝对准”，而是降低缺货损失与库存损耗的总成本，这一点需要门店在落地前先对齐。

一、引言

门店要货，是零售链条里最日常也最容易出问题的一个环节。

要多了，损耗吃掉利润；要少了，缺货损失客流。过去很多门店的经营决策依赖店长经验——看昨天卖了多少，再凭感觉加一点。这种做法的局限在于：当天气发生剧烈变化时，历史经验往往会失效。台风天前要不要囤水？降温当天热饮要备多少？一个大晴天对冰品的需求拉动有多大？

这些问题，恰好是“纯看历史销量”和“纯看天气”两种思路都难以独立回答的。

本文要解决的核心问题是：在门店要货预测的实际操作中，历史销量和天气修正分别扮演什么角色？两者应该如何组合使用？以及最关键的——从哪些品类开始落地，风险最小、见效最快。

二、历史销量是预测的基线，不是全部

核心结论：历史销量是门店要货预测的“锚”，但直接用历史平均值做要货，等于假设市场不变化。

解释依据：历史销量反映的是过去的真实成交，包含了价格、促销、竞争、天气等多重因素的叠加结果。它有两个明显的结构性优势：

• 可验证：数据来自本店实际销售记录，不存在估算误差。
• 稳定：在没有重大外部冲击时，大部分常规品类的周销量分布相对稳定，适合作为基线参考。

但历史销量有滞后性和盲区。尤其是当一个品类对天气高度敏感时，过去三周的平均销量无法回答“明天降温8度该备多少热饮”这个问题。

场景化建议：把历史销量作为要货预测的基线值，然后针对不同品类设置不同的修正系数。具体操作上，可以取最近4周同星期几的平均销量作为基线，而不是简单地取最近30天平均值。原因很简单：门店消费有明显的星期周期，周一和周五的销量结构往往差异很大。

补货策略上也需要注意：对于保质期短的品类，在历史基线基础上做直接上浮要谨慎，建议将增量部分拆成“先到货一部分、当日可补”的方式，降低过量备货风险。

三、天气修正解决的是“结构性偏差”，不是“微调”

核心结论：天气修正不是对历史销量的精细化调整，而是对特定品类在特定天气条件下发生的“需求跳跃”进行校正。它的核心价值在于应对结构性偏差。

解释依据：天气对门店销售的影响，不是均匀分布在所有商品上的。一般情况下，天气修正的实际作用有三类：

1. 需求总量改变：比如持续高温天气下，整个门店的冰品、饮料品类销量整体上升。
2. 品类间转移：降温天里，冰饮需求下降，热饮、关东煮等品类需求上升。
3. 时点前移/后移：台风来临前，方便食品、饮用水出现集中采购，台风过后需求反而下降。

这三种变化，历史销量数据都无法提前反映，只能靠天气规则来修正。

场景化建议：不需要一开始就上复杂模型。可以先用两个量化规则起步：

• 温度阈值规则：例如“当日最高气温低于18度时，热饮类基线要货量 × 1.3”。
• 降雨规则：例如“当日降雨概率超过70%时，减少冰品基线要货量的20%，方便食品×1.2”。

注意，这两个规则不是拍脑袋，而是需要门店连续记录2-4周的实际销量与天气数据来反推的。如果一家门店没有历史销售数据沉淀，建议先按经验设定初始系数，把规则当成“可调参数”对待，而非固定标准。

同时，还有两个明确的操作边界值得注意：

• 雨量数据建议用当地气象站或官网数据，而不是凭店外天气感受判断。台风是相对容易决策的场景，反而要警惕“天气温和但闷热”这类模糊场景——它最容易被忽略，也最容易造成要货偏差。
• 极端天气下，要货修正的同时要确认供应链能力，避免出现“系统提示加量、供应商却送不到”的情况。可以先从小批量高频补货开始测试，给供应链留出余量。

四、两步法落地：先跑通基线，再修正偏差

核心结论：对于绝大多数中小连锁门店，直接采购昂贵的需求预测系统并不是最优选择。更务实的方式是“历史销量基线 + 天气修正规则”两步法，用最小成本验证效果。

具体分三步实施：

第一步：建立品类基线表

把门店商品按品类合并，输出一张“品类 × 星期”的基线要货量表。比如：

这张表不用很精确，它的作用是让门店有一个可以对比的“正常值”。

第二步：设定天气修正系数

挑3-5个对销售影响最明显的品类，分别设定温度和降雨的修正规则。建议先只挑销量前20%的敏感品类，不要全品类铺开。

常见修正规则示例：

第三步：复盘修正，形成周度反馈

每周对比“预测要货量”和“实际销量”，记录误差来源。两到三周后，根据误差方向调整系数。这是一个持续逼近真实需求的过程，而不是一次性搭建完的系统。

五、关键对比：三种要货逻辑的差异

如果你的门店经营品类对天气不敏感（比如五金、文具），那么历史销量基线基本够用，不必强行引入天气因素；如果你的门店在海南、广东等台风多发地区，或者经营饮品、生鲜、即食类商品，那么天气修正不是选择题，而是必答题。

有规律、无重大天气波动的日常场景，历史基线即可；需要修正的主要是天气剧烈变化、临时性流量与节假日三类场景，识别出这些“非常态”并用规则应对，比把模型做复杂更重要。

六、FAQ

Q1：要货预测中，历史销量数据需要看多长时间？

至少看最近4-8周。时间太短，覆盖不到稳定的星期周期；时间太长，又会混入节假日、促销等不可比因素。如果刚开业没有历史数据，可以参考同区域、同业态门店的平均水平做初始值，然后用本店数据持续修正。

Q2：天气修正系数怎么确定？

最有效的办法是“反向推导”：找出过去2-4周中天气异常的日子，对比当天的实际销量和基线销量，两者的比值就是初步修正系数。比如过去某天下雨，冰品实际销量是基线的0.7倍，那0.7就是雨天冰品的初始修正系数。

Q3：天气修正会不会导致过度备货？

会，如果你同时给多个品类上调库存就会。解决方案是：同一场景下，有上调就要有下调。比如降温天，热饮上调30%，同时冰品下调20%，门店总库存不一定会增加太多。

Q4：总部统一制定要货规则，还是每个门店自定义？

建议采用“总部定框架，门店调参数”的方式。总部定义品类分类、天气数据源、修正逻辑和复盘节奏；门店在总部的框架内，根据本店位置、周边客群、历史销量来微调系数。这样既保留标准化，又适配单店差异。

七、结论

回到标题的问题：门店要货预测，按历史销量还是按天气修正？

答案是：先按历史销量算出一个基线，再用天气规则做修正。两者不是替代关系，而是叠加关系。历史销量负责回答“通常卖多少”，天气修正负责回答“什么时候会偏离通常值”。

对大多数门店来说，不必一开始就用复杂的算法模型。用历史销量打底、用天气修正调偏、用周度复盘迭代规则，是成本最低、最容易验证、也最容易落地到日常运营的做法。

如果你正在规划门店数字化系统，或者想要把要货预测从“店长经验”升级为“可复制的规则体系”，可以先把天气修正的系数框架搭起来，再逐步完善。具体系统的需求、范围和交付标准，可以一次聊清楚。

微信：fengtianlu1（半小时对齐范围与验收标准）