基于灰色时间序列预测模型对新零售精准需求预测的研究

基于灰色时间序列预测模型对新零售精准需求预测的研究

谢礼华 1，张浩博 2，任思琦 3

华北理工大学经济学院学院，河北 唐山 063200

1. 华北理工大学人工智能学院，河北 唐山 063200

2. 华北理工大学建筑工程学院，河北 唐山 063200

摘要：本文运用基于时间序列的灰色预测模型，对新零售企业未来一段时期的需求进行预测。先筛选出目标小类前12周的销售数据，得到数据后建立灰色时间序列GM(1，1)模型，并利用MATLAB进行数据拟合得到每周销售量预测值及其MAPE。通过对残差值进行检验，得到了较高要求的预测结果，能够运用于其需求预测。

引言：随着供给侧结构性改革的不断推进，近年来，我国新零售行业逐渐兴起。党的十九大以来，我国经济发展进入了新常态。居民消费结构转型升级，消费结构层次更加丰富，消费品味个性化增强，这为零售业的发展提供了重要的发展机遇，同时也为其商品和服务提出了重要挑战。

当前，新零售行业市场上传统“商品为主”的消费模式已被新兴的“顾客为主”消费模式所取代。顾客衡量购买更加看重和考虑时尚性和个性化，而不是传统的单一实用性。在此类消费需求的倒逼下，新零售企业不得不转型升级其生产模式，以多品种、小批量为新零售的生产目标。

但是，这也给新零售企业的库存管理增加了繁重的工作量。根据新零售商品品类历史销售数据，以多层级给出精准的需求预测，从而更好地管理库存商品，成为了“快车道”上的新零售企业面临的一大难题。

研究现状：在互联网技术落幕，新技术尚未成熟之际，行业的发展走在了十字路口。延续互联网式的发展模式面临的是流量红利的见顶、平台势能的式微，在这样一个青黄不接的时刻，人们需要新的接棒者。正是在这样的时刻，新零售应运而生。吴琳洁、郑钰洁、范云飞等人在《新零售目标产品的精准需求分析与预测》中通过建立主成分多元模型对未来销售数据进行预测[1]；李想在《新零售目标产品的精准需求预测关联度分析》中通过灰色关联度分析的方法得出相关因素与与销售量的关联度[2]。

1. 新零售需求预测问题概述与分析：

   1. 问题概述

为了给新零售企业解决“精准需求预测”问题贡献一份力量，满足企业更加精准的营销需求，尝试建立数学模型，在考虑小类预测结果的同时（已知目标小类在2019年10月到12月的销量预测值分别为18652、17668、17893），预测目标小类内所有 skc （单款单色）在2019年10月1日后12周内每周的周销量，并给出每周预测值的 MAPE。

（本文数据来自赛氪官网赛题https://www.saikr.com/c/nd/6456）

MAPE 计算公式：

（1）

其中 表示真实值, 表示预测值, 表示指标集个数。

1. 2. 问题分析

首先利用Excel对数据进行筛选和预处理，将目标小类内所有skc在2019年10月1日前12周和后12周每周的周销售量进行筛选（以2019年10月1日前12周每周销量作为原始数据来进行预测），得到数据后建立灰色时间序列GM(1，1)模型并利用MATLAB进行数据拟合得到每周销售量预测值及其MAPE。

2. 模型的建立与求解

   1. 数据预处理

首先筛选出目标小类，接着统计其在2019年6月1日到2019年12月1日内各月的销售量，然后计算并筛选出在10月1日前12周内的周销量，最后对相关缺失数据进行估算、剔除、和插值等操作得出有效数据。

1. 2. 数据拟合与求解

灰色模型是对离散序列建立的微分方程；时间序列则是通过数列间各时刻的数据进行累加生成。此模型适用于统计数据少、信息不完全、时间序列短的问题建模。

为了预测2019年10月以后12周的销售量，本文使用MATLAB对前12周的数据进行数据拟合。利用数据进行20次的多项式拟合后，得到的残差值为87.3778，其中，本文以编号27206656小类为例，其拟合方程为：

（2）

其拟合图像为：

其预测MEPA见下表：

表格 1：MEPA的周预测值

1. 3. 灰色预测模型的步骤[3]

(1)假设原始数列为：

（3）

(2)对时间序列历史数据做一阶累加处理，得到生成数列：

（4）

(3)建立GM(1，1)模型:

（5）

求得a的值为：

（6）

其中：

， （7）

（4）得到a、u的值，代入时间函数：

（8）

由此，得出数列 ，通过下式还原为预测数列：

（9）

(5) 精度检验：

计算相对残差：

（10）

若 ，则认为预测效果良好；否则，对 ，则认为预测效果一般。将每组数据代入得到 均小于0.1。

3. 结论与分析

本文通过对数据的分析，结合产品销售特征、库存信息、节假日折扣等相关因素对目标小类的销售量的影响，建立灰色时间序列模型来预测新零售产品未来一段时期的需求，并对输出结果的精确度进行了残差检验。预测结果符合实际预期，并能够推广到其他产品领域的新零售需求预测中，例如近期萌芽且各大资本拼命烧钱抢占市场的“社区团购”。

近年来，中国零售业商业生态和商业逻辑正在发生巨变。曾经高歌猛进的各大互联网电商，都遇到了同样的困境——用户数量增速放缓，流量成本越来越高。于是乎，寻找新鲜的流量就成为了当务之急。

新零售行业市场上传统“商品为主”的消费模式已被新兴的“顾客为主”消费模式所取代。商品种类向多元化、个性化、定制化发展。根据主成分分析法发现折扣是影响销售量的最大因素，其次是节假日。所以商家一方面可以通过模型来较为准确地预测未来一段时间各类skc商品的需求量；另一方面可以通过促销活动折扣等降低售价的方式，以此来清理预测误差产生的库存累积。“供给侧结构性改革”“消费分类”“消费升级”等词语频繁地出现再我们耳边，新零售行业地拓荒和深度开发已是不可阻挡之势。消费者将会处于新零售发展的中心位置，而科技和场景体验必定会使新零售进入全渠道购物阶段。总之，新零售企业做好对消费者需求的预测具有重要意义，能够使其利益最大化。

参考文献

1. 吴琳洁,郑钰洁,范云飞.新零售目标产品的精准需求分析与预测[J].科技与创新,2020,(18):34-38.DOI:10.15913/j.cnki.kjycx.2020.18.013

2. 李想.新零售目标产品的精准需求预测关联度分析[J].电子技术与软件工程,2020,(18):178-179.

3. 吴琳洁,郑钰洁,范云飞.新零售目标产品的精准需求分析与预测[J].科技与创新,2020,(18):34-38.DOI:10.15913/j.cnki.kjycx.2020.18.013

作者简介：谢礼华（2001年5月），男，汉族，江西省吉安市井冈山市人，本科，研究方向：金融学