基于时间序列分析的商品销量预测

韩抒航 张雨 刘胜涵

摘要;随着我国经济技术的不断发展，信息产业的进步，人们的消费水平不断提高，消费观念也在发生变化，更加注重通过消费提升生活品质，追求个性化、健康的生活方式。在新零售行业，消费市场逐渐转变为以顾客为中心。对于消费者而言，繁杂的购物推荐信息会使得顾客感到困惑，零售企业如果能够准确地预测顾客的需求，根据需要推荐提供商品，会让顾客的选择更加轻松。收集相关的销售数据，建立分析顾客需求特征的指标体系，精准分析顾客的需求，提供符合顾客要求的个性化产品，能够提升顾客的消费体验，提高企业的经营效率。

本文以某零售企业生产的 N 款产品，在华东区内的相关数据为例，预测指定的商品在2019年10月1日后3个月的销售量，并对预测值进行评估。采用时间序列分析的方法来进行预测，利用Excel，python pandas，筛选出2019年6月1日至2019年10月1日内累计销售额排名前10的小类，将其作为目标小类，之后再利用spss分析销售量随时间的变化情况，最后得出预测值，并计算出MAPE值来进行评估。

关键词：时间序列分析;预测;销售量

随着经济社会的不断发展，人们的消费水平不断提高，消费观念也在发生变化，消费更倾向于购买雅观、个性化的商品。在新零售行业，顾客成为消费活动的中心对于企业而言，零售企业如果能够准确地预测顾客的需求，根据需要推荐提供商品，会让顾客的选择更加轻松。收集相关的销售数据，建立分析顾客需求特征的指标体系，精准分析顾客的需求，提供符合顾客要求的个性化产品，能够改善顾客的购物体验，有助于企业提高销量。

目前，商品需求预测的方法主要有定性预测和定量预测有两种。定性预测容易受到主观因素的影响，不适用于对大量商品的预测，预测精度会伴随预测者对商品销售的熟悉程度发生巨大变化。定量预测方法包括简单移动平均法和加权移动平均法等。简单移动平均法和加权移动平均法仅适用于需求相对稳定，无季节性变化趋势的情况。而对于加权平均法，权重赋予具有很大的主观性。

一、模型建立

1. 模型准备

（1）数据准备

首先我们使用EXCLE将数据进行预处理，然后利用python数据处理第三方库对所有小类进行处理分析，筛选出历史销售时间处于2019年6月1日至2019年10月1日内且累计销售额排名前10的小类作为目标小类，本小问使用SPSS软件分析销售量随时间变化的情况，得出预测值进行MAPE值的计算。

（2）模型假设

1.承认事物发展的延续性。应用过去数据，就能推测事物的发展趋势。

2.考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。

（3）模型基础

时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法（如非线性最小二乘法）进行。我们针对目标小类的月销量建立起了时间序列模型，取得了较好的效果。

3.模型建立

时间序列模型可以表示为：

数据= f*（趋势，季节，循环）+误差

f取何种形式，取决于时间序列本身的变化规律和采用的预测方法，通常采用乘积或叠加的形式：

其中，Y表示t时刻时间序列的数值，T、S、C、I分别表示趋势因素、季节因素、循环因素和随机性因素。

乘积模型适用于季度变动或循环变动的幅度随趋势增加而加大的时间序列，时间序列的一个主要工作是把一个时间序列数据分解成T、C、S三个因素，然后再把这些因素合成进行需求预测。

二、预测分析

观察模型拟合度可得，R方近似于1，反應出线性模型拟合趋势很好。

从残差的ACF和PACF图形中可以看出，所有滞后阶数的自相关系数和偏自相关系数均和0没有显著的差异;另外对残差进行Q检验得到的大多数p值均大于0.05，即我们无法拒绝原假设，认为残差就是白噪声序列，但其中第1个小于0.05舍弃，因此七个推荐模型能够很好的识别本例中的销售量数据。

1.结果分析

由此得到：历史销售时间处于2019年6月1日至2019年10月1日内且累计销售额排名前10的小类在2019年10月之后三个月的MAPE值为：

其中表示真实值，表示预测值，APE表示百分比误差，n表示指标集个数。

结论

通过对目标小类在2018年1月至2019年9月，共21个月的销售量分析，得到其发展趋势，使用时间序列分析预测得出2019年10月之后的三个月的每月销量，由此，我们得到了这三个月的MAPE值分别为0.237259、0.2750299、0.2126327.通过对MAPE值的分析得出，在误差允许的情况下，利用我们的方法，可以大致的预测出月销量。

参考文献

[1] 基于主成分分析的K均值聚类法在洪水预报中的应用[J]. 刘可新，包为民，阙家骏，李佳佳，束慧连. 武汉大学学报（工学版）. 2015（04）

[2] 面向连锁零售业的时间序列预测方法研究[J]. 张钠，殷哲，吕飞，马士华. 工业工程与管理. 2014（03）

[3] 社会消费品零售总额组合预测模型研究[J]. 邓唯茹，何跃，蒲彦希. 统计与决策. 2014（04）

[4] 基于PCA-K-means的卫星遥感图像的颜色特征提取技术[J]. 赵蔷，解争龙，李红，李小林. 微电子学与计算机. 2012（10）

作者简介：韩抒航，男，出生年：2000.01.23，汉，河南省西平县，本科在读，研究方向：数据挖掘。