销售预测模型与销售预测机制建设.docxVIP

销售预测机制建设说明书（初稿） 起草人：杨柏松 第 PAGE 第 PAGE 2页共 19页 发货预测机制建设说明书 目 录 目的 3 预测技术的选择 3 固定模型时间序列技术建模 6 回归分析 11 定性预测 12 销售预测机制管理 13 成本风险 19 目的 通过建立销售预测机制， 实现预测物料的提前购买， 以达到缩短交货周期， 提高客户满意度， 提升市场占有率的目的。 预测技术的选择 常见的预测技术分类是根据该技术是主观的还是统计分析的来划分， 无论是分析内生数据 （指使用历史的销售数据，而不考虑其他可能的影响因素），或者外生数据（指利用其他数据，比如 价格、促销手段改变、竞争行为或者经济条件解释销售变化）。预测技术的这些特点引出了预测 技术的三大类型：时间序列技术；回归分析（相关技术）；定性分析技术。下面我先对这三大预测技术类型做一个简单的介绍。 时间序列分析技术 一个显著的特点就是它们都是 “内生性”的技术。时间序列分析技术考虑的仅仅是过去实际销售历史模式（即按照时间序列的销售量）。如果这种模式能被识别并且可 以映射到将来，那么就有了我们的预测。无论采用何种时间序列技术，它们都是检验四种基本时 序模式中的一种或几种， 这几种基本模式是： 水平（ Level）、趋势（ Trend ）、季节性 （ Seasonality ） 和噪音（ Noise）。水平是销售历史的基准线，或者是没有趋势、季节性和噪音的情况下，销售应 该表现出来的模式。趋势是销售连续增加或者减少，可以是直线或者曲线。季节性是销售增减重 复出现的形态，通常是 1 年或者更短的时间内。噪音是随即的波动，或者是在销售历史数据中时间序列技术无法解释的部分。 时间序列技术分为两种，一种是开放时间序列模型技术（ OMTS），一种是固定模型时间序列技术（ FMTS），其中因为 OMTS 技术非常复杂，而且相对于 FMTS 技术精确度并不会提高很多， 所以尽管相关的学术研究很多，但是在现实的预测中很少应用。而 FMTS 技术通常比较简单，不需要太多的费用，并且要求数据量少，对于 短期的（预测时间范围小于 6 个月） ， 变化快且需要预测的项目多 的销售预测，是一种简单且实用性好的技术。所以，我们选择了 FMTS 技术中应用最广泛的 指数平滑法 ，作为我们建立 定量预测模型 的基础技术方法。 相关（回归）分析 是一项实用统计原理实现预测的技术，它试图建立销售和各种可能影响销售的外生变量（例如广告、产品质量、价格、物流服务质量或者经济情况等）之间的关系。通过 分析过去的外生变量和销售数据以判断它们之间的关系强弱。例如价格上涨，销售量下降，表明 两者之间有强烈的负相关。如果一个强的相关性被发现了，那么就能用这个外生变量预测今后的销售量。合作、竞争因素以及经济情况等变量都能在相关分析预测中用到，从而使销售预测可以考虑到较广泛环境下的情形。相关分析还可以提供每个变量影响的统计估计值，因此，可以删除对模型预测贡献很少的变量。 相关分析是可以使用的最有潜力提供精确预报的技术 ，但是它需要大量的数据。数据的大量 需求就降低了相关分析对条件改变的敏感程度。 因此， 在较 长期的（ 6 个月以上的预测时间范围） ， 公司整体层次上 ，又有 大量外生变量数据 可以利用的情况下，相关分析可以用来预测。 定性技术 是一个过程，它把有丰富经验的人员（计划人员、销售人员、公司主管和外部专家） 的意见变成正式的预测参数。定性技术的一大优点在于充分考虑宝贵的个人经验，并且不需要太 多数据。当只有很少或者根本没有历史数据（例如新产品）时，该方法相当实用。 长期以来，我们一直试图用相关分析技术解决我们北京发那科的预测问题，但是到目前为止也没有取得令人满意的成果。主要有以下几个原因：第一，外生变量数据不足；第二，强相关性外生变量不容易发现；第三，扩展到物料层级，相关情况将更为复杂。另外要说的一点是，实际上我们混淆了时间序列分析技术和相关分析，我们在去年搭建的通过历史数据的预测模型实际上 属于时间序列分析技术范畴之内， 历史销售数据是内生变量， 并不是相关分析要提取的外生变量。这里并不是说，因为我们遇到了以上困难就放弃使用相关分析这种“最优潜力提供精确预报”的 技术进行预测，具体要做哪些准备才能使用相关技术，我将在后文中讲到。 实际上，时间序列技术、定性技术和回归分析用于销售预测都有各自的优缺点。然而，这些技术大多数是互补的。也就是说，一个完整、有效的销售预测系统，往往是以上三种技术共同作用的结果。时间序列技术能发现和预测趋势和季节性，一旦这种趋势或季节性发生改变，它便可以随之迅速做出调整。时间序列分析的缺点在于，它没有考虑外部因素的影响。回归分析发现趋势和周期