连锁零售业的时间序列预测范文

本站小编为你精心准备了连锁零售业的时间序列预测参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《工业工程与管理杂志》2014年第三期

1问题描述与预测模型

1.1问题描述汉良食品连锁公司主要销售的产品有8大类：炒货，糖果，坚果，果干，蜜饯，鱼、肉，素食，糕点类，产品种类达300多种，供应商有200多家。由于品类众多，如何科学有效地预测市场需求，对公司以后的发展以及提高整个供应链绩效有着重大意义。公司门店订货周期分为三类：1天，2天，3天，周期的划分主要根据门店销售情况，门店销售额越高的订货周期越短。门店在终端的订货模块向配送中心下单，订货模块根据历史销售情况给出建议订货量，由店长经过调整后确认订单，配送中心根据订单对门店配送商品。商品中心则根据系统设置的参数，定期向供应商下订单，订单通过双方确认，供应商在承诺时间内将商品送达配送中心。决定采购订单中订货量的一个关键因素是日均销量，日均销量的计算如公式（1）。其中参数y表示日均销量，yd表示7天的平均配送数量，ys表示7天平均销售量，yo表示门店7天平均订货量，考虑这三个因素的原因是出于门店订货受包装限制所致，有最小订货规格，并不能订购零散重量。另外综合考虑到货天数D、采购周期T、安全库存天数S和当前可配天数L并对每个量赋予不同的权重，即可由系统按照公式自动计算出采购数量，具体采购公式可参见公式（2），产品日均销量、总仓订货公式和门店订货公式分别可用式（1）、式（2）和式（3）来表示。公司现有的订单生成模式由于缺乏科学理论的基础和检验，大部分的参数和模型是依据经验所设定的。因此也给企业带来了一系列问题，例如长达30天的库存周转，商品缺货，部分产品存储时间太长而糟报废处理，这些问题同时也损害了供应链上供应商的利益。公司是面向终端销售最直接的渠道，掌握了最多的顾客需求信息，其需求预测的准确性将对整个供应链采购、生产、配送产生巨大影响，改进现有需求预测的准确性对降低供应链上的库存、提高链上的响应速度、增加链上所有成员收益有重要作用。

1.2预测模型构建综合考虑销售情况以及可操作性，在预测中淘汰部分时间序列预测方法，主要保留了移动加权平均法，指数平滑法，综合预测法，模型构建如下。Ft＋1表示t＋1时刻的预测值，αt表示t时刻实际值的权重，At表示t时刻实际值，Ft表示t时刻的综合预测结果，wj表示第j种预测方法的权重，Fjt表示第j种预测方法得到的t时刻的预测结果，m表示预测方法的数量。在计算综合预测方法的权重时，我们首先计算出每种方法在t时刻绝对预测误差的平均值除以所有方法绝对误差平均值之和的倒数，然后根据每种方法的倒数采用归一法，算出每种方法对应权重值。经过实际测算，采用上述预测方法可以提高预测的准确性。下面将结合公司现有订货公式从总仓预测、门店预测两个方面详细介绍预测模型和预测结果。

2结合订货公式分析的预测结果对比

2.1基于订货公式的预测时段分析在进行预测前，首先要明确预测的时段。由于总仓与门店订货类似，以总仓订货为例来确定预测时段。总仓向供应商所订的商品是为了满足从此批到货时点到下一批到货时点的需求，所以找出准确的需求时界，才能保证预测的有效性。下面借助时间轴来分析需求时界，图1是以订货周期为7天，到货周期10天的某商品为例，向下的箭头表示订货，向上的箭头表示到货。由公式（19）可以看出预测的重点，是从订货点后T＋D天内的销量，因此预测时段是订货同期加到货周期时长的总和。对于门店订货，同理可借助时间轴分析，预测时段是两次到货时点间的销量，到货时点与订货时点相隔1天。

2.2数据处理公司向供应商采购产品的订货周期和到货周期的组合只有三种，分别是（7，10）、（10，15）、（10，12），本文将在三种周期组合下各选取两种产品，总共六种产品的2012年日销售数据为研究对象，六种产品的选取依据是销售时段几乎覆盖全年并且分别选自公司目前主要销售的六大品类之一，这种选取方式不仅考虑了时间因素，同时覆盖几乎所有品类，使预测更具代表性。不同类型门店的订货周期有三种，故选取不同类型门店相同种类产品的日销售数据为研究对象。图2是六种产品2012年日销售总量的折线图。六组产品的日销售总量图，其中开心果和牛肉的（T，D）为（10，15），小西瓜子和芒果干的（T，D）为（7，10），海带丝和日式梅饼（T，D）为（10，12），图中可以看出有时销量会激增，这一般是由促销或节假日所引发的，整个预测是建立在正常销售情况下的，所以结合促销时段和节假日情况，在进行预测前需要将这些数据剔除。在整个预测过程，对所有产品以8月19号为分界点，8月19号以前的销售数据作为历史数据，8月19号以后的数据则作为预测数据，来检验预测误差。门店数据处理与总仓数据处理类似，同样要剔除对应促销节假日的数据，但由于门店的订货周期只有1，2，3天三种类型，并且到货周期只有一天，所以针对2，3天订货的门店，可以将数据按周期进行合并处理，即将订货间隔期内的销量求和，作为整体来预测下一个周期的总销量。

2.3总仓预测分析在初步预测过程中，总共采取了七种预测方法：一阶指数平滑，自适应指数平滑，时间序列分解，14天移动平均，7天移动平均，7天移动加权平均，14天移动加权平均，经过大量测算后，最终保留了自适应指数平滑，7天移动加权平均，7天平均的预测方法。其中自适应指数平滑的预测方法将时间序列重新拆分成7个序列，此思想是根据每个星期里的同一天具有更相似的销售趋势，然后在每个序列里重新编号进行预测，如流程图3。综合预测方法是将第二平滑指数β＝0．999和β＝0．9以及7天移动加权平均法进行组合，由于第二平滑指数β取值越大，平滑系数αt的变化也就越明显，比较适合非平稳时间序列，而移动加权平均法则会将愈是近期数据对预测值影响愈大这一特点考虑进去，通过将上述三组方法进行加权组合能够更全面挖掘数据中包含的信息，从而提高预测准确性。据3．2中介绍的方法求出每种方法的权重分别为0．4，0．4，0．2，7天移动加权平均法考虑到越靠近预测点的销售量越重要的因素，因此给前7天的权重依次为1，2，3，4，5，6，7，总仓预测结果对比如表1。从表1结果可以看出，目前公司这种出于满足最小订货规格而考虑订货量和配货量的预测方法平均误差为10．857％，与其它两种方法相比，其预测准确性劣势很明显。综合预测方法比7天平均预测法稍有优势，但是计算量会明显变大，而且综合预测方法在对日式梅饼的预测效果并没有7天平均预测法好，由此可见7天平均的预测方法对长时间的预测有比较好的效果，并且其操作和实施都很简单，因此针对总仓的预测，我们采用7天平均预测法。

2.4门店预测分析以A，B，C分别代表1，2，3天三种不同订货类型的门店，首先确定需求时界，结合每个门店下单时间与到货时间，预测时段对应到货后的1，2，3天的销量，而到货周期为1天的，则下单时点与预测时点间隔为1天。由于预测周期较短，指数平滑法的预测结果并没有什么优势，全部选用移动加权平均算法，公司最初选用的是7天平均，通过大量测算，不同类型的门店应该采用不同的平均天数，才能优化预测效果。3此模型去掉了Σnj＝1αj＝1的约束条件，优化效果更好，在预测1天订货的销量时，取m＝21。利用matlab有约束的非线性规划问题的函数fmincon求解，结果如表2。对于2天订货的门店，假设当前为第n天，已知1到n－1天的历史销售数据，需要预测第n＋1天和n＋2天的销售总量。将历史数据转换为2天销量和序列，用m组的简单移动平均预测，取m＝14，结果如表3。对于3天订货的门店，假设当前为第n天，已知1到n－1天的历史销售数据，需要预测第n＋1天和n＋2天以及n＋3天的销售总量。将历史数据转换为3天销量和序列，用m组的简单移动平均预测，取m＝5，结果如表4．在门店销量预测中，7天平均的预测方法预测1天的销量时误差较大，而采用动态权重优化移动平均法一定程度可以改善大部分产品的预测。对于较多天数的预测（2天，3天），采用改进的分组简单移动平均方法可以改进7天平均方法预测销量精度，如果使用动态权重方法难以改进每个产品，需针对不同产品选用不同参数，结合实际情况，不便于实施。从上面三种订货周期的门店销量预测可以看出，7天平均预测在不同天数预测中的效果有很大区别，周期越长，预测效果越好，所以在选择预测方法时应该结合实际情况科学地选择和运用预测方法。在分析快速消费品销售规律过程中，可以发现这类商品的销售与人本身活动规律有关，周末两天的销量一般会明显高于平时销量，所以选取7天为一个周期来预测较长时段的销量具有很好的效果，7天移动平均可以均衡日常需求的波动。在商品中心向供应商订货的预测过程中可以看出7天移动平均的优势，虽然综合预测方法准确性更高，但是其实施的复杂程度也相应增大。在针对这种大量长时段销量的预测时，应权衡精度提高带来的收益与预测方法实施的成本。从门店销量预测情况来看，单店销售总量相对整个公司而言是非常小的，其基础量较小，预测时段短，同时单店日销量受影响的因素很多，包括地点、时间、消费人群、天气等，因此需求的不确定性更强，反映出的预测百分比误差也会更大。由此看来，并不是每一种预测方法都可以适用于所有情况，必须结合实际情况通过科学的测算找到最适合每种情境的预测方法。

3结语

本文通过借助时间轴的方法找出需求时界来确定预测时段，并采用了动态优化加权移动平均、自适应指数平滑等方法来提高预测精度，同时对汉良食品现有的考虑了订货量与配货量的预测方法进行了检验，结果发现这种出于满足最小订货规格而设计的预测方法有较大误差。汉良食品现有的预测模式，是目前国内连锁零售业需求预测管理的一个缩影，反映出企业在实际运营中大多数情况下的预测仅仅是靠经验或者简单的辅助工具，缺乏科学依据和分析，因此给企业带来了一些负面影响。连锁零售业应该重视其前端的需求预测，选择科学的预测方法，正确引导上游企业的生产与运作，最终实现共赢。

作者：张钠殷哲吕飞马士华单位：华中科技大学管理学院