4、需求预测的量化思维：从定性到定量的转变、量化预测的数学基础、常用统计指标（均值、方差、相关系数）
调酒行业的客户需求预测，长期依赖调酒师的经验直觉与主观判断。然而，当门店规模扩大、SKU（库存保有单位）增多、季节性波动加剧时，仅凭“感觉”进行备货与排班，往往导致畅销酒品断货、滞销原料积压、人力错配等连锁问题。本章的核心任务，是帮助学员建立量化思维框架——将模糊的“我感觉威士忌最近卖得好”转化为可计算、可验证、可迭代的“威士忌类目周均销量为X瓶，标准差为Y，与气温相关系数为Z”。我们首先厘清定性到定量的转变逻辑，再夯实均值、方差、相关系数三大数学基石，最后通过一个完整的实战案例，展示量化预测如何落地。
4.1 从定性到定量的转变：为什么“感觉”不够用
定性预测依赖经验、直觉、专家判断，在单店小规模运营时或许够用，但一旦涉及多门店、多品类、长周期采购，其局限性便暴露无遗。定性与定量的本质区别在于：定性回答“大概多少”，定量回答“具体多少，且可信度如何”。量化思维的核心不是抛弃经验，而是将经验转化为可检验的假设，再用数据验证。
4.1.1 核心原理：量化预测的三大支柱
- 可度量性：所有需求必须转化为数值（瓶数、杯数、金额），无法度量的需求无法预测。
- 可重复性：同样的数据输入，不同的人应得到相同或高度一致的预测结果。
- 可验证性：预测结果必须能与实际发生值对比，计算误差并持续改进。
4.1.2 判断方法：何时必须转向量化
| 信号 | 定性预测表现 | 量化预测介入时机 |
|---|---|---|
| SKU数量 > 50 | 只能记住畅销前10款 | 全部SKU建立销量基线 |
| 周销量波动 > 30% | “时好时坏”无法解释 | 计算方差，识别异常波动 |
| 多门店运营 | 店长各自为政 | 统一数据口径，横向对比 |
| 供应商要求提前订货 | 拍脑袋报数 | 用均值+安全库存给出区间 |
4.2 量化预测的数学基础：均值、方差、相关系数
这三个统计指标构成了需求预测的“三原色”。均值描述典型水平，方差描述不确定性，相关系数描述外部驱动因素。三者结合，才能从“静态描述”走向“动态预测”。
4.2.1 均值（μ）：需求的中心位置
均值是所有历史销量的算术平均，公式为：μ = (x₁ + x₂ + ... + xₙ) / n。在调酒场景中，均值代表“典型日销量”或“典型周销量”。但均值有天然缺陷——它掩盖了波动。例如，某款鸡尾酒日均销量10杯，可能是每天稳定10杯，也可能是周一0杯、周六40杯。因此，均值必须与方差配合使用。
4.2.2 方差（σ²）与标准差（σ）：需求的不确定性度量
方差公式：σ² = Σ(xᵢ - μ)² / n，标准差σ = √σ²。标准差越大，需求越不稳定，需要更高的安全库存。实际业务中，我们常用“均值 ± 2σ”作为95%置信区间下的安全库存参考值。例如，某金酒周均销量50瓶，标准差8瓶，则安全库存应设为50 + 2×8 = 66瓶，以覆盖约95%的周需求场景。
4.2.3 相关系数（r）：识别需求驱动因子
皮尔逊相关系数r衡量两个变量间的线性相关强度，取值范围[-1, 1]。公式为：r = Σ[(xᵢ - μₓ)(yᵢ - μᵧ)] / (n·σₓ·σᵧ)。在调酒业务中，我们常计算销量与气温、销量与节假日、销量与促销活动之间的相关系数。|r| > 0.7视为强相关，0.3~0.7为中等相关，< 0.3为弱相关。
4.3 案例拆解：某精酿酒吧的周末备货优化
背景与约束：某城市精酿酒吧，拥有120个SKU，其中精酿啤酒占60%。过去三个月，周末（周五至周日）经常出现畅销款断货，而周一至周四部分啤酒过期浪费。店长凭经验备货，但效果不稳定。酒吧决定引入量化预测。
初始数据采集（连续8周）：
| 周次 | 周末总销量(杯) | 周末平均气温(℃) | 是否节假日 |
|---|---|---|---|
| 1 | 420 | 18 | 否 |
| 2 | 510 | 22 | 否 |
| 3 | 380 | 15 | 否 |
| 4 | 650 | 28 | 是 |
| 5 | 470 | 20 | 否 |
| 6 | 590 | 25 | 否 |
| 7 | 350 | 12 | 否 |
| 8 | 700 | 30 | 是 |
分析计算过程：
- 计算均值：μ = (420+510+380+650+470+590+350+700)/8 = 4070/8 = 508.75杯。
- 计算标准差：先求各周与均值的离差平方和，得σ ≈ 122.3杯。这意味着周末销量波动较大，仅按均值备货会有约40%的周次出现缺货或积压。
- 计算相关系数：销量与气温的r ≈ 0.86（强正相关），与节假日的r ≈ 0.72（强正相关）。
实际操作与结果：店长建立简单线性回归模型：预测销量 = 180 + 15×气温 + 80×节假日。第9周天气预报为26℃，非节假日，预测销量 = 180 + 15×26 + 0 = 570杯。安全库存按均值+1.5σ（约750杯）准备，实际第9周销量为545杯，误差4.4%，在可接受范围内。相比之前凭经验备货的15%~25%误差，量化预测显著降低了缺货率与浪费率。
复盘经验：量化预测不是一次性工程，而是持续迭代的过程。该酒吧每月更新一次模型参数，并加入新变量（如赛事直播、周边活动），预测精度逐步提升。关键教训是：先建立数据采集习惯，再追求模型复杂度。
4.4 常见误区与总结复盘
| 误区 | 后果 | 正确做法 |
|---|---|---|
| 只算均值，忽略方差 | 缺货或积压风险高 | 均值+标准差联合使用 |
| 相关系数高就认定因果 | 错误归因，预测失效 | 结合业务逻辑验证 |
| 数据量不足就建模 | 模型过拟合，预测失真 | 至少积累4周以上数据 |
| 模型一成不变 | 市场变化后预测失效 | 每月/每季更新参数 |
均值 μ = Σxᵢ/n
方差 σ² = Σ(xᵢ-μ)²/n
相关系数 r = Σ[(xᵢ-μₓ)(yᵢ-μᵧ)] / (n·σₓ·σᵧ)
安全库存 ≈ μ + z·σ（z=1.65对应90%服务水平，z=2对应95%）
量化思维的本质，是将“我觉得”升级为“数据显示，且我清楚误差范围”。均值让我们知道典型水平，方差让我们知道风险敞口，相关系数让我们找到可干预的杠杆。三者结合，调酒师就能从被动响应需求，转向主动规划供给。下一阶段，我们将在此基础上引入时间序列分解，进一步拆解趋势、季节与随机波动。