销售预测模型与销售预测机制建设

Level

）

、

趋势

（

Trend

）

、

季节性

（

S easonality

）

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

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

发货预测机制建设说明书

第

3

页共

19

页

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，

< br>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。

< br>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

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

势和周期性的能力较弱，对二者的转变反应更差。回归分析需要大 量的数据来支持，所以不能对

任何事情做出迅速反应，但它却能更多地考虑外部因素，这 些因素能影响预测的效果。时间序列

技术和回归分析多对下面的情况无能为力，

即商业运行环境发生突变，

或以前发生过类似的情况，

< br>但我们的系统中没有相关的数据信息。但是，有经验的预测分析人员和管理人员却能处理好这些

发货预测机制建设说明书

第

4

页共

19

页

图

1

中的其他人员、客户、供应商进行广泛的交流，因而容易将这些经验转化为对定量预测的定性 调

整。这种改进往往以对商业运行环境的敏锐分析为基础，并不涉及定量数据；反之，预 测分析人

员和管理人员却不太擅长把握大量数据，

准确地确认趋 势、

季节性模式或系统和外部因素的关系。

< br>图

1

为对北京发那科的月度发货总套数，通过指数平滑法 建立的定量预测模型，预测与实际

发货曲线的拟合情况。从几处标注点我们不难看出，定 量预测模型是将现有的模式映射到将来，

是抓不住“拐点”的，这些“拐点”就是我们定 性预测要解决的问题。

综上所述，以上三种销售预测方法其中 任何一项对其他两项来说都是有利的补充。正因为这

样，最有效的预测系统是首先利用时 间序列技术开始初步预测，再利用考虑到外部因素的回归分

析改善初步预测，以便于销售 预测人员分析相关预测结果，并依据他们自身的经验做出相应定性

的调整。

3.

固定模型时间序列技术建模

3.1

建模技术的选择

3.1.1

带有趋势和季节性的自适应指数平滑法

3.1.2

模型公式：

由模型公式我们可以看出，虽然涉及的变量非常之多，但是运算过程只是简单的加减乘除，< /p>

比较容易掌握，且预测效果相对较好，是目前应用最为广泛的“内生性”定量预测技术。< /p>

3.2

数据的选择

SAP

系统中提取整理

2009

年

月至今的，物料级、月别的历史发货数据。

3.3

建模物料的初步选择

3.3.1

物料选择的原则

首先，因为考虑到通 过预测提前购买就存在因预测不准确而带来的成本风险（关于成本风险

后面会单独描述） ，为了尽可能成本风险，进行建模物料初选的时候，我们是本着

用量大或者需

这一原则。当然，如果因为某些特殊客户的需求，公司出于整体考虑 ，愿意承担这部分特

殊需求的成本风险，也可以对不符合本原则的物料做预测，提前采购 。

3.3.2

初步选择

物料类别

系统

主轴电机

伺服电机

放大器

其他（不包括子公司电缆和软件）

合计

选择范围

月均发货量≥

10

月均发货量≥

5

月均发货量≥

5

月均发货量≥

10

月均发货量≥

10

数量（种类）

25

57

54

39

218

406

发货总量占比

94.85%

86.95%

93.34%

97.57%

表

1

如

表< /p>

1

所示，复合上述初选条件的物料种类虽然不多，但是主要物料（ 系统、电机、放大器）的

发货总量占比都在

85%

以上，也就是说，从初步选择结果看，我们只需要对相对少数种类的物料做预

测，就能达到对大部分订单缩短交货期的目的。

3.4

模型建设

3.4.1

模型建设过程中遇到的问题

完成了方 法、数据、物料的准备工作以后，就可以开始下一步的预测模型建设工作了。这里要说

的 是，一般情况下我们都是以月为预测的时间单位，但是建模过程中发现，我们物料级的月度发货量

起伏特别大，造成模型无论如何调整参数值，都无法实现让人满意的预测效果。

图

2

为放大器

发货预测机制建设说明书

第

7

页共

19

页

图

2

图

3

发货预测机制建设说明书

第

9

页共

19

页