“华中杯B题”库存补单及销量预测.doc

库存补单及销量预测 摘要 本文针对商品销量预测及商家补单的运营操作，使商家在满足一定的社会效益和获得最大经济效益的前提下，采用层次聚类和灰色预测分析，建立了灰色系统模型，从而预测未来一月的销量，通过建立基于动态神经网络的时间序列分析预测未来5天各种商品的销量。基于货物样本的随机分布，采用随机变量，给出上新量的置信区间和理想的补单策略，分别得出：上新量与延期比的范围分布情况，不同季度商品的上新量与延期比的分布，提供了关于商家采集购置数据的合理化建议和商家进行补单的较好策略，并给出模型的改进意见。 针对问题一，通过查阅相关资料并结合附件一，收集相关商品不同时期的销售量，用Excel处理数据，得出相关矩阵并结合MATLAB给出轮廓值分布图，研究商品的分类类别。分别采用层次聚类与动态聚类进行相关研究，得出较适宜的分类情况，确保各指标能够准确的反映商品的销售情况；最后确定灰色预测模型对未来销量进行预测。利用处理的数据对动态神经网络进行训练得到较为准确的各种商品在未来几天的销量。 针对问题二，分别研究商品样本数与商品上新量之间的关系和商品样本数与商品延期比之间的关系，并结合相关直方图进行分析得出以上关系满足正态分布；最后利用统计学中的Q-Q图，建立相关模型，对上新量的分布范围以及置信区间直接进行求解。 针对问题三，做出每个季度中商品样本与上新量及延期比之间的关系，观察样本分布直方图，利用整体分布相关性质，同问题二中方法一样对分布范围以及总体置信区间进行求解。 针对问题四，整合前三问的求解结果，得出对未来销量的趋势，结合各个季度的上新量与延期比的分布范围与置信区间，并且根据商品的使用性质以及客户群体的实际购买意愿，为商家有效谋划。最后，写一篇短文，给出具体的补单政策建议，从而提高商品的转化率以及销售数据。 关键字：动态神经网络 灰色预测 时间序列分析 K-means均值法 问题重述 问题背景 在电商行业中经常会出现补单的情况，其原因是买家突然增加了新的需求量，有时也因为商品品质异常不能满足客户的需求。为了合理的解决补单问题，商家须考虑到以下两个方面： 第一是补单对现金流的占用。如果对补单情况预测过于乐观，货物成本会对商家产生不少的压力，还会导致的巨大资金流的占用，这对于许多电商都是一个头疼的问题。 第二是补单对库存的影响，商品最终的销量是取决于客户对于补单的需求量，一旦我们对补单情况估计过于乐观，则会导致大量货物积压，货物滞销又会带来仓储问题，更重要的是还需要考虑清仓问题，清仓问题即是通过各种营销手段以更低的成本来销售商品，这时不仅会导致资金流移动慢，还会导致企业利润降低、资源浪费、拉低品牌溢价等一系列问题。 为了避免这两种情况的发生，我们采取科学合理的补单预测是十分重要的。 问题提出 请根据附件一中的销量数据建立一个销量预测的数学模型，要求至少能够比较精确地预测未来五天的货物销量大小； 请根据附件二分析货物的上新量和延期比的分布情况，并给出分布范围及置信区间； 请根据附件二中的数据进一步分析各个季度货物的上新量和延期比的分布情况，并给出分布范围及置信区间； 请根据上述分析结果，制定合理的补单策略，写出具体操作流程。 PAGE 2 问题分析 买家增加需求量而追加订单的情况称之为补单，有时补单也指商品品质不能满足客户而导致的追单。此外，商家补单的同时需考虑对资金流的影响以及对库存的影响。 问题一:题目要求通过附件一的数据对未来五天的销量进行预测，本文采用K-means均值法对销量数据进行聚类分析，由于附件一所给的货号以及日期数据过于庞大，本文通过Excel表格对数据进行矩阵化处理，将其转化为货物（行）—日期(列)的一个矩阵，并采取手肘法和轮廓系数法综合来确定k值，最后再建立GM（1，1）模型对未来五天数据进行预测。针对未来每天每种商品的销量预测，通过建立的矩阵以每种商品的历史销量作为训练对象，建立每种商品的动态神经网络，通过网络的时序分析对每种商品的销量做出预测 问题二：题目要求通过附件二的数据来探寻上新量和延期比与货物种类的关系。首先将附件二中延期比和上新量两类数据分别与货物种类进行对比，建立了两个Excel数据表格，再把Excel表格导入SPSS来查看其分布情况，根据得到的直方图，初步猜测其符合正态分布。再通过SPSS对其进行正态性检验，发现其显著性为0.20.05，因而满足正态分布，故原猜测正确。 问题三:题目要求通过附件二的数据来探寻第一、二、三季度的上新量和延期比与货物种类之间的关系。首先从附件二中抽取第一、二、三季度的上新量和延期比数据并建立Excel表格并对表格数据进行升序处理。为了便于观察上新量和延期比的分布情况，我们将升序后的数据划分为几个等区间长度的区间。通过观察发现，大部分的数据集中在前几个区间，于是