红足1世 红足1世 红足1世

预测模型的一些介绍

在日常生活和工作中,我们总是离不开预测。比如今天中午很饿,感觉自己可以吃三碗饭,所以做饭的时候会多做点菜。再比如,每个企业都会制定周、月、季、年的销售目标,这就需要销售、产品、策划等部门进行销售预测。准确的预测在提高销售效率、优化库存、执行供应链计划以及跨部门沟通方面发挥着非常重要的作用。

最近在供应链专家刘宝红的书中看到一句话:“之所以能预测,是基于时间序列的连续性和变量之间的相关性。” 看到这句话,我感到很受鼓舞回归分析预测法的计算公式,因为我之前对预测的理解和学习是基于两个模块,一个是基于历史数据预测未来的方法论,另一个是许多自变量对因变量的影响predict 这句话的方法论总结了我之前学过的所有预测方法。所以接下来我将围绕这两种方法介绍几个预测模型。

移动平均模型

移动平均法是对过去一个时期的历史值进行平均,以预测未来一个或几个时期的历史数据值。适用于趋势和季节性不明显的时间序列数据预测;它分为简单移动平均法和加权移动平均法。

简单移动平均法是在不同时期赋予相同的权重,其计算公式为:Ft=(At-1+At-2+At-3+…+At-n)/n;

加权移动平均法是在不同时期赋予不同的权重,其计算公式为:Ft=w1At-1+w2At-2+w3At-3+…+wnAt-n。

2. 指数平滑模型

指数平滑法是一种特殊的加权移动平均法,对不同时期的历史数据赋予不同的权重,权重呈指数下降(下降的速度取决于0~1之前的平滑系数);通常更重视最近的数据;指数平滑法是各种预测工作中最常用的方法之一。有单指数平滑法、双指数平滑法和Holt-Winters平滑法;

(1) 单指数平滑法

这种单指数平滑方法适用于序列值围绕一个常数、平均值随机波动,且没有趋势和季节性元素的情况。计算公式为:

S_{t}=\alpha Y_{t}+(1-\alpha) S_{t-1}

S_{t} 是周期 t 的平滑值

Y_{t} 是周期 t 的实际值

S_{t-1} 是周期 t 的平滑值

\alpha 是一个介于 0-1 之间的平滑常数

(2) 双指数平滑法

该方法进行两次单指数平滑(使用相同的参数),适用于具有线性趋势的序列,对单指数平滑模型进行二次平滑,其计算公式为:

回归分析预测法的计算公式_公式法计算_插板法公式怎么计算

图片来自网络

S_{t}^{(1)} 是主指数的平滑值;S_{t}^{(2)} 是二级指数的平滑值

(3) Holt-Winters 三指数平滑法

该方法适用于具有二次趋势且无季节性变化的情况。在第二次指数平滑的基础上,再进行一次平滑,计算公式如下:

回归分析预测法的计算公式_公式法计算_插板法公式怎么计算

图片来自网络

3.回归预测模型

回归预测是一种基于一个或几个自变量建立线性或非线性回归模型,预测因变量的发展趋势和水平的方法。这种变化趋势和水平不仅体现在时间序列自然变化的规律性上,而且主要体现在变量间因果关系的规律性上。其实就是先建立回归模型,然后知道或预测自变量的未来值,再预测因变量的值;

这种方法的一个问题是它的预测取决于自变量的值和回归系数的确定。如果自变量的值已知,则预测结果具有很大的价值。如果自变量的值未知,还需要使用时间序列预测来预测自变量的值,预测精度会变差。

4.业务拆解预测模型

根据业务模型进行预测,如预测销售额,业务模型销售额=客户单价*客户数,根据历史经验确定未来客户单价和客户数,就可以预测未来的销售额。

五、复合增长率预测方法

根据历史时间序列数据计算年、季、月或周的复合增长率(需要预测什么周期的数据才能计算复合增长率),根据已知的复合增长率,结合当前数据预测未来数据 。

比如我们要预测2023年的销售额,我们现在有2016年到2022年的销售额数据,计算2016年到2023年的年复合增长率为n%,那么预测:2023年销售额=2022年销售额*(1+复合年增长率 n%)。

6.机器学习预测

机器学习中的神经网络是经典的有监督机器学习算法,不需要定义一个固定的模型(也就是一个黑盒子,机器在这里进行历史数据训练得到规则,然后根据得到的数据进行预测)规则);神经网络模型非常有限。只有将历史数据输入到所构建的神经网络模型中,才能得到预测值。

七、零售企业短期预测

零售企业一般会关注每日销售额,每周分析一次,因为对于零售企业来说,不同时间的销售额会有很大差异。销售额最高,周末和节假日商场的客流量和销售额最高。关于零售企业的销售预测,我们这里主要关注短期预测,即基于月度预测。

(1) 本月销售预测

每月1-N日,销售额为m元。我们想预测第 N 天整个月的销量。对于这个预测方法,我借鉴了黄承明学长每周体重指数的理论,每天给出不同的体重指数。预测公式:

当月销量预测=1-N天总销量/(1-N天权重指数总和/当月权重指数总和)

(2) 本年度销售预测

在当年的第 1-N 个月,我们要预测第 N 个月全年的销售量。对于当年的预测,我们需要获取前三年的月度销售数据(或者多几年的数据);分别; 为了计算月销售额占全年的比重,我们按照加权平均法计算过去三年各月在年销售额中的平均权重。假设前三年1-N月的平均权重之和为a%,我们将这个a%视为当年前1-N个月的销售权重之和。预测公式为:

本年度销售预测 = 1-N 天总销售额 / a%

8.其他特殊方法

当我们预测新分店或新产品的销售额时,我们面临的问题是没有历史数据。在这种情况下,我们无法按照上述方法进行预测。对于新开的分店,总部可以根据新开门店的客户容量、位置相似、战略模式相似的情况进行预测,进行对标分析,然后进行预测;对于一家公司的新产品销售预测,我们没有内部历史数据进行对标。在这种情况下回归分析预测法的计算公式,我们可以根据公司规模、产品策略等找到标杆公司的标杆产品(我觉得最好是上市公司,因为容易获取数据),可以也做基本的预测,然后积累一定的销售数据。

以上预测模型均为基本固定公式,建模计算依赖软件,预测容易实现;在实际经营过程中,会有很多变数,比如店铺自身的促销活动、外部政策、竞争对手的策略变化等,都会影响预测结果。因此,预测者在基于固定模型进行预测时,必须及时与市场、产品、运营相关业务部门沟通,进行信息对称,进行目标审核。我经常赞同刘宝红前辈书中的一句话:预测是“从数据开始,判断结束”。至于数据模型的比例和判断,需要区分企业自身的业务特点,