不太专业的小团队在做销售数据预测时，往往会根据以往的数据拍脑袋决定，结果导致年底复盘时预测的数据和实际的销售额离了十万八千里。一般比较科学的做法是通过建模来进行预测，要进行销售数据的模型预测，可以考虑以下步骤：

1. 收集数据：首先，收集与销售相关的数据，包括销售额、销量、市场趋势、竞争情况、促销活动等。数据可以来自内部的销售记录、业务系统以及外部的市场调研和竞争分析等渠道。

2. 数据清洗和准备：对收集到的数据进行清洗和准备工作。这包括处理缺失值、异常值、重复值，进行数据平滑化、归一化或标准化等预处理工作，以确保数据质量和准确性。

3. 特征选择和工程：通过分析数据，确定与销售相关的特征变量。可以使用一些特征选择算法，如信息增益、方差分析、相关性分析等，以筛选出最相关的特征变量。同时，还可以进行特征工程，如新增衍生指标、交叉特征等，以提升模型的预测能力。

4. 选择模型：根据预测目标和数据特征，选择合适的预测模型。常用的模型包括线性回归、决策树、随机森林、支持向量机、神经网络等。可以根据实际情况进行模型选择和比较，或者使用集成模型，如集成多个模型的组合方法。

5. 模型训练和调优：使用历史数据进行模型训练，并对模型进行调优。可以使用交叉验证、网格搜索等技术来选择最佳的模型参数，并评估模型的性能和稳定性。

6. 模型评估和验证：使用新的数据对模型进行评估和验证。可以使用各种指标来评估模型的准确性和预测能力，如均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R^2）等。

7. 部署模型和预测：在模型经过验证后，将其部署到实际的生产环境中，并使用新的销售数据进行预测。可以定期监测和更新模型，以保持其准确性和预测能力。

需要注意的是，销售数据的预测是一个复杂的过程，涉及到多个因素的分析和建模。预测的准确性和效果取决于数据质量、特征选择、模型选择与调优等因素。因此，建议在进行销售数据模型预测之前，充分了解业务特点和数据情况，并咨询数据科学专家或相关领域的专业人士的建议和指导。