季节性因素对供需计划预测与误差的影响——以某连锁咖啡店为例.docVIP

季节性因素对供需计划预测与误差的影响 ——以某连锁咖啡店为例 ［摘要］文章借对货物供需计划的年度Excel数据进行深入研究，并通过建立回归模型，预测未来数值流，加以季节层次的变量因素的考察，研究了预测值与实际值之间由于季节因子的存在和其强弱性的影响所带来的误差大小范围，以数形结合的方式更加说明了季节变动下预测值的规律和区间范围的波动。 ［关键词］某连锁咖啡店，季节性规律，库存管理，数据建模，供需预测，供应链模式 1 引言 随着我国经济发展水平的提高和人们收入的增长，人们对咖啡消费的需求越来越高，未来人们越来越习惯在咖啡馆消费。由于商品的供需层面存在着某些季节性变化特点，即随着季节的转换商品供给或需求的增减趋势相对固定，这些商品的价格也因此带有季节性波动特性，故此将这种波动特性称为季节性波动规律。X咖啡店在供应链方面具有一定的运营优势，就在于供需计划上的误差控制与预测预警。供需计划受季节因素影响较大，节假日的咖啡销量会明显升高，而温度和湿度的变化对成品咖啡制品的储存和运输上都具有一定的影响，雨季容易在交通运输方面构成延时和储运方面的误差，对于供需计划的制订也造成了一定的干扰。 2 理论分析与研究假设 在目前的供应链模型研究中，主流理论选择的是回归模型的建立，包括逻辑变量和数值型变量两种方式，在对供应链质量管理的绩效研究中，大部分采用的中介效应为研究方法阐述了供应链质量管理中的三大要素之间的正向促进作用的高低，知道在谈论变量的调节与相互作用的时候，选择中介模型可以量化其作用机制，且同时以AMOS结构图的方式把所有中介变量和直接变量表现在一起。但是文章由于研究对象是季节性的误差与预测，更加倾向于线性回归的预测，数据为时间序列的连续性特点，采用的是VBA的数据工具箱，假设已知2018年和2019年的实际销量，且各个月份之间数据不会缺失，就可以得到回归方程，并且季度值采用加总求和的方式来得到每季度供应的实际需求，从而得到了根据平均水平得到季节性因素，继而向下研究。而通过季节性因子的去除进行的预测中，可以进一步地计算实际与预测的误差，供以制订供销计划，在这个过程中，笔者运用了跟踪信号的理论。跟踪信号是对预测的平均值是否与需求的真实上升或下降变化保持一致的测定。若该预测值呈连续性的过高或者过低，则指该预测为偏离预测。在计算跟踪信号的值阈是在（－2，2）之间的过程中，可以得到的是预测模型值并不会比实际数值的平均值大很多，也就是预测基本有效，供销计划是不需要进行调节的。 3 研究设计 3.1 样本选取 通过X咖啡店提供的运营计划，截取到了2018—2019年1—12月的货品仓储情况，通过整理，将咖啡伴侣和咖啡产品的总量累计，得到的是2018年度和2019年度月度的产品销售额，利用线性回归的形式对该时间序列以年为单位分组回归，得到以下结果。 因此，说明了销售额随时间的推移是具有递增的趋势的，即有时间趋势项影响下的销售额需要进一步分析。 此外，还得到了通过回归方程预测变量得到的对应年份数列，部分如下： 知道时间序列的分解，常常归纳在5个因素上，包括趋势、季节性、周期性、自相关性和随机性，在文章的研究中，仅考虑时间趋势项的季节性因素，通过历年相同时期的比较，来研究季节量的固定趋势因素。假定季节变动因子是一种相乘式的季节变动，其公式为：包含趋势和季节性的预测＝趋势×季节因子。 基于之前对季度数据的归类和计算，可以得到一组关于销售数量和季节之间的数组，同样经由时间序列的回归可以得到季度为单位的预测值，该预测值可以通过趋势方程推导而出，在这里选择用除法，将实际值与趋势值做比值，并且通过了两年中同一季节的平均值计算出不同季节的季节因子。 3.1.1 变量定义 模型的关键变量为时期、季度、实际需求、季节性因素和去季节因素需求，模型计算的目标是得到2020年包含趋势和季节因子的预测值，通过数据整理得到回归系数的计算方法如下： 3.1.2 模型构建 根据X咖啡店的运营计划，2020年的预测值几乎与2019年的情况持平，在经历了七个月的销量统计的过程中，又已知了实际值，在这个过程中运用简单的移动平均的方法平均绝对离差MAD，预测误差的连续总和RSFE和跟踪信号TS，从对MAD的理解上，得知跟踪信号在（－2，2）之间尚属正常，超出了绝对值2就出现了实际需求和预测需求的偏差。 4 季节性趋势的中介效应 4.1 变量控制 定价类促销和季节性战略因素影响供需计划效用水平，季卡VIP销售等促销策略会使库存水平受到一些波动，而供需计划需要实时根据库存管理的状况来针对性地调整。季节性因素可能会带来的问题，不仅仅是选购人群愿意付出购买力，也是战略运营的需要引导市场的必然性选择，因此变量、因变量选择的是供需计划的效用水平，自变量则为库存管理的水平。 控制可能影响人群购买力的季节性变动