• 利用历史销售数据系统预测未来销售量、款式与SKU：为商品计划人员提供大数据角度的参考：

• 销售预测的核心概念是用过去2年的产品和门店属性数据，建立以属性组合为基准的销售模型（例如：上衣-针织衫-潮流风格-华东区-A级门店）和基本销售曲线，然后结合过往3个月的实际销售数据来调整销售模型的走向，生成销售预测；

• 用户可选多种初始计划生成方式（例如往年计划、往年POS、系统预测值/forecast、或者更新预测值/re-forecast等）：减少人工误差、有助业务经验的累积：

• 很多商品计划专员需要花费1-2天的时间去生成初始的商品计划，但这个手动的过程往往费时费力，而且难以周全地考虑到不同的计划维度，因此影响到计划的合理性。用户可以自由选用过往的数据源，让系统根据今年预计状况（例如门店数量的增减）快速生成初始计划，节省出大量数据整理的时间来用于计划的分析和完善；

• 灵活制定计划，根据用户定义的商品/门店维度制定计划；系统自动推算至其它计划维度，让用户通过多种维度检视计划的完整性与可行性：

• 商品计划专员在制定与审视计划的过程中，往往因为现有工具的限制，只能考虑到几个大的方向，而不能全面的从各种角度检视商品计划的完整性与可行性。商品计划专员可以先从一到两个维度开始初步制定和检视商品计划， 然后再用多种不同维度组合去验证商品计划的合理性，做出必要的细微调整。例如，一个计划人员先从区域/季节/品类的组合去做最初计划，然后切换到区域/性别/风格的组合去验证计划的可行性并进行相应的修改和调整；

• 直观对比商品计划、系统预测和历史销售：有效促进目标完成与业绩考量：

• 将所有零售运营的关键数据集成，让用户在一个页面上就可以直观地比较计划、预测和历史销售数据，并通过这样的衡量和对比，发现商品计划中可能存在的问题，进一步进行修改和完善；

• 强大计算工具让用户快速推演多种商品策略，制定最合理的商品计划：

• 利用计算机的快速运算能力，推演各种不同的运营状况，帮助用户准确掌握某个指标的改变对其它重要运营指标的量化影响，让用户在充分的比对和分析中选择最佳的方案。例如：在库存不变的情况下如果要通过打折来提升售罄率，这个决定会对利润率产生怎样的影响？如果要提升销售额目标，应该采取每款多订货还是是增加款式的方式？每个不同的方案又意味的怎样的销售机会或者资金风险等；