从专业角度而言，编制促销预测有两种方法，一种是促销预测与基准预测不分离，只是预测结果中人为考虑了促销因素的影响。还有一种就是促销预测与基准预测分离。因此，简单而言，如果促销预测与基准预测不分离，则预测结果中是否考虑了促销因素完全基于编制人员的经验和假设。如果促销预测与基准预测分离编制，则采用的方法就是“先剔后补“。简单说，就是先将历史数据进行清洗，将异常事件（包括促销活动）的影响剔除出去后，基于清洗过的历史数据进行基准预测，再基于来自市场和销售部门的促销计划的信息预估未来的促销预测。而最终预测是促销预测与基准预测的合计。在这个过程中，公司面临着来自两个方面的挑战：历史数据清洗和促销计划的分享。

编制独立的促销预测需要清理以往的促销数据

那如何清洗历史数据？

非专业人士可能认为这是篡改历史，而专业人士可能要左右为难了，清理还是不清理？所谓的清理历史数据就是将异常事件的影响从销售结果中剥离出去，让销售数据回归正常状态，避免对未来预估的误导。这个话很简单，但实际操作非常复杂，不仅仅是技术限制。

复杂之一：基于前文（编者注前文链接：基于不同视角下的促销分类）中的促销分类，界定哪些促销需要做修正和促销预估。

复杂之二：界定促销事件的影响力度，两个促销活动同步进行也是常理之中，如何分离其影响？

复杂之三：在哪个层次上修正？SKU层次还是大区，或产品类别层次？

复杂之四：是否要按不同的促销方式进行促销历史数据修正？

复杂之五：对清洗的原因前提进行说明，并确保可追溯和分析。

因此，清洗历史数据的操作难度使得很多公司望而却步。但如果你不对数据进行清洗，修正。你将：

无法获取基准预测

无法编制独立的促销预测

无法应用统计预测模型

如果你不按上述“复杂”的模式进行修正，而只是简单修正，不分促销方式，不做原因说明。那你将：

无法评估有效促销效果

无法提升未来促销效率

如果你一旦开始做历史数据的清洗，则你将为公司建立一个价值巨大的促销知识管理库。你要做的不仅仅是清洗历史数据，重要的是分析异常数据背后的原因，并进行提炼总结，形成行动指引规则。

因此，进行历史数据清洗是提升需求预测管理能力的必经之路，但是市场，销售部门以及需求预测管理系统的支持是清洗历史数据的必要条件。

一个资深需求预测总监告诉我，尽管他在倡导大家建立促销管理的知识库，提炼促销预测编制的规则和模型，但是并没有获得大家的积极反响。从技术角度和人员资源配置而言，该公司完全具备促销预测的精细化管理条件。那为何管理层希望推动，而中层比较懈怠呢？管理层希望借助促销管理知识库，寻找到一定的规律，来降低对人员能力的要求，也就是降低人力成本。而中层也敏感地意识到，如果我提炼出了规律，是否也降低了我的价值体现，甚至被人替代，这又是一种公司利益与个人利益的博弈。