销售预测 2003年8月.pptVIP

统计预测分析方法SALES FORCASTING AND ANALYSIS METHOD FOR 主要内容 预测概要 预测方法与案例 对预测方法的评价 小结 一、 预测概要 一个公司，一定时期 可以是长期、中期或短期 短期预测：1-12个月 中期预测：1-2年 长期预测：超过2年 方法的选择取决于：费用、产品类型、市场特征、预测时间段、预测目的、历史数据的稳定性、可获得的信息、预测的专业知识、经验。 1.1 预测需要考虑的因素 公司可控因素： 定价 销售 促销 产品特征 顾客选择 etc. 1.2 预测需要考虑的因素 不可控因素：公司不能直接控制的环境因素 经济、利率、通胀 公共政策、政府管制 政治条件 市场因素，人口特征 竞争者、竞争者行为 供应商、供应商行为 行业趋势 etc. 1.3 预测步骤 Step 1 确定预测目的和预测指标 Step 2 搜集数据 Step 3 选择预测方法 Step 4 建立预测模型 Step 5 进行预测、分析误差、改进预测模型 Step 6 形成预测报告 预测概要 预测方法与案例 对预测方法的评价 小结 2.1 定性方法 主观；基于直觉、经验 管理人员综合意见 销售人员的综合意见 消费者预期 会议调查法 专家调查法 Delphi Techniques 判断预测法：趋势判断、市场判断 适用于： 长期预测 e.g., 技术、政治等因素起决定作用 数据有限或不存在 e.g., 新产品上市 2.2 定量方法 弹性分析预测法 回归方法 简单回归分析法 多元回归分析法 非线性回归分析法 确定性时间序列 移动平均 指数平滑 Holt方法 Winter方法 时间序列分解 随机时间序列 其它方法 2.21 弹性分析预测法 不同商品的需求量对价格变动的敏感程度是不同的，需求的价格弹性就是衡量这种敏感程度的。 E=(?Q/Q) / (?P/P) 经济意义：若其他影响因素不变，当价格变动1%时，需求量变动的百分比。 产品饱和期预测：需求的收入弹性＝0 只能考虑两个变量；精度不高 2.22 简单回归方法 简单回归分析法 Yt=a+bXt+et t=1,2,… a,常数项 b,回归系数 e,随机项 显著性检验：回归系数，回归方程 预测精度的测定：误差 2.22 Excel output 2.23 多元回归方法 多元回归分析法 Yt=a+b1X1t+b2X2t+ … +bkXkt+et t=1,2,… a,常数项 b,回归系数 e,随机项 k,影响因素个数 显著性检验：回归系数，回归方程 预测精度的测定：误差 自变量的选择：因素分析—简单相关分析—多重共线性 逐个剔除法，逐步回归分析 滞后变量模型 因变量（Y) - TV Sales 自变量 (X) - 个人收入 - 生产量 - 显像管产量 -etc 2.24 回归方法 非线性回归分析法 对数曲线回归模型 Y=a+blnX+e； 幂函数曲线回归模型 Y=aXbe 指数曲线回归模型 Y=abXe 2.25 确定性时间序列方法 前提：历史数据可用来预测未来需求 ?趋势项，季节项，循环项，随机因素 移动平均预测法 简单指数平滑预测法 Holt方法 Winter方法 2.251 移动平均预测模型 思想 “平均出”预测，以消除噪声的影响 寻找某种趋势（上升或下降），平滑出趋势 x1, x2, …, xt 是一个时间序列的观测值， xt 是这个时间序列t时期的观测值， ft,1是观察到xt后对t + 1时期的预测 ft,1 = 最后N个观测值的平均 ft,1 = (xt + xt-1+…+ xt-N+1) / N N 是一个给定参数 2.251 移动平均预测模型 如何选择 N? 使用平均绝对离差 (MAD) 衡量预测精度 预测误差 et = xt - (xt的预测) MAD 是所有et的绝对值的平均 MAD = (| e4 |+ | e5 |+ | e6 |)/3 = (8.33+0.67+0)/3 =3 选择使 MAD 最小化的N 2.252 简单指数平滑 1959年，美国布朗，《库存管理的统计预测》提出 At = ft,1 是观测到xt 后对时期 t+1的预测 At = a xt + (1- a) At-1 a是平滑系数，满足 0 a 1 , 已知 A0 (时期1前一期的观测值) t-1时期的预测误差: