銷售預測

出自 MBA智库百科(https://wiki.mbalib.com/)

銷售預測（Sales Forecasting）

　　銷售計劃的中心任務之一就是銷售預測，無論企業的規模大小、銷售人員的多少，銷售預測影響到包括計劃、預算和銷售額確定在內的銷售管理的各方面工作。

　　銷售預測是指對未來特定時間內，全部產品或特定產品的銷售數量與銷售金額的估計。銷售預測是在充分考慮未來各種影響因素的基礎上，結合本企業的銷售實績，通過一定的分析方法提出切實可行的銷售目標。

　　儘管銷售預測十分重要，但進行高質量的銷售預測卻並非易事。在進行預測和選擇最合適的預測方法之前，瞭解對銷售預測產生影響的各種因素是非常重要的。

　　一般來講，在進行銷售預測時考慮兩大類因素：

　　1、外界因素

　　1）需求動向

　　需求是外界因素之中最重要的一項．如流行趨勢、愛好變化、生活形態變化、人口流動等，均可成為產品（或服務）需求的質與量方面的影響因素，因此，必須加以分析與預測。企業應儘量收集有關對象的市場資料、市場調查機構資料、購買動機調查等統計資料．以掌握市場的需求動向。

　　2）經濟變動

　　銷售收入深受經濟變動的影響，經濟因素是影響商品銷售的重要因素，為了提高銷售預測的準確性，應特別關註商品市場中的供應和需求情況。尤其近幾年來科技、信息快速發展，更帶來無法預測的影響因素，導致企業銷售收入波動。因此，為了正確預測，需特別註意資源問題的未來發展、政府及財經界對經濟政策的見解以及基礎工業、加工業生產、經濟增長率等指標變動情況。尤其要關註突發事件對經濟的影響。

　　3）同業競爭動向

　　銷售額的高低深受同業競爭者的影響，古人雲“知己知彼．百戰不殆”。為了生存，必須掌握對手在市場的所有活動。例如，競爭對手的目標市場在哪裡，產品價格高低，促銷與服務措施等等。

　　4）政府、消費者團體的動向

　　考慮政府的各種經濟政策、方案措施以及消費者團體所提出的各種要求等。

　　2、內部因素

　　1）營銷策略

　　市場定位、產品政策、價格政策、渠道政策、廣告及促銷政策等變更對銷售額所產生的影響。

　　2）銷售政策

　　考慮變更管理內容、交易條件或付款條件，銷售方法等對銷售額所產生的影響。

　　3）銷售人員

　　銷售活動是一種以人為核心的活動，所以人為因素對於銷售額的實現具有相當深遠的影響力，這是我們不能忽略的。

　　4）生產狀況

　　貨源是否充足，能否保證銷售需要等。

　　1、通過銷售預測，可以調動銷售人員的積極性，促使產品儘早實現銷售，以完成使用價值向價值的轉變。

　　2、企業可以以銷定產，根據銷售預測資料，安排生產，避免產品積壓。

　　銷售預測可以看作是一個系統，是由有關信息資料的輸入、處理和預測結果的輸出所組成的信息資料轉換過程。對於複雜的預測對象，有時要把它進行分解，對分解後的子系統進行預測，在此基礎上再對總的預測目標進行預測。

　　銷售預測是一項很複雜的工作，要使這一複雜工作有條不紊地進行，就必須遵循一定的程式。

　　銷售預測的基本程式如下：

　　1、確定預測目標

　　銷售預測是以產品的銷售為中心的，產品的銷售本身就是一個複雜的系統．有關的系統變數很多，如，市場需求潛量、市場占有率、產品的售價等等。而對於這些變數進行長期預測還是短期預測，這些變數對預測資料的要求，預測方法的選擇都有所不同。所以．預測目標的確定是銷售預測的主要問題。

　　2、收集和分析資料

　　在預測目標確定以後，為滿足預測工作的要求，必須收集與預測目標有關的資料，所收集到的資料的充足與可靠程度對預測結果的準確度具有重要的影響。所以，對收集的資料必須進行分析，並滿足這些條件：

　　1）資料的針對性：即所收集的資料必須與預期目標的要求相一致。

　　2）資料的真實性：即所收集的資料必須是從實際中得來的，並加以核實的資料。

　　3）資料的完整性：資料的完整性直接影響到銷售預測工作的進行．所以，必須採取各種方法，以保證得到完整的資料。

　　4）資料的可比性：對於同一種資料，來源不同，統計口徑不同，也可能差別很大。所以在收集資料時，對所得到的資料必須進行分析，如剔除一些隨機事件造成的資料不真實性，對不具備可比性的資料通過分析進行調整等，以避免資料本身原因對預測結果帶來誤差。

　　（一）銷售預測的定性分析法

　　定性預測法是在預測人員具備豐富的實踐經驗和廣泛的專業知識的基礎上，根據其對事物的分析和主觀判斷能力對預測對象的性質和發展趨勢作出推斷的預測方法，如市場調研法和判斷分析法。這類方法主要是在企業所掌握的數據資料不完備、不准確的情況下使用，以通過對經濟形勢、國內外科學技術發展水平、市場動態、產品特點和競爭對手情況等情況資料的分析研究，對本企業產品的未來銷售情況作出質的判斷。

　　1．市場調研法

　　市場調研法就是通過對某種產品在市場上的供需情況變動的詳細調查，瞭解各因素對該產品市場銷售的影響狀況，並據以推測該種產品市場銷售量的一種分析方法。

　　在這類方法下，其預測的基礎是市場調查所取得的各種資料，然後根據產品銷售的具體特點和調查所得資料情況，採用具體的預測方法進行預測。

　　2．判斷分析法

　　判斷分析法主要是根據熟悉市場未來變化的專家的豐富實踐經驗和綜合判斷能力，在對預測期銷售情況進行綜合分析研究以後所做出的產品銷售趨勢的判斷。參與判斷預測的專家既可以是企業內部人員，如銷售部門經理和銷售人員，也可以是企業外界的人員，如有關推銷商和經濟分析專家等。

　　判斷分析法的具體方式一般可分為下列三種：

　　（1）意見彙集法。

　　意見法也稱主觀判斷法，它是由本企業熟悉銷售業務、對於市場的未來發展變化的趨勢比較敏感的領導人、主管人員和業務人員，根據其多年的實踐經驗集思廣益，分析各種不同意見並對之進行綜合分析評價後所進行的判斷預測。這一方法產生依據是，企業內部的各有關人員由於工作崗位和業務範圍及分工有所不同，儘管他們對各自的業務都比較熟悉，對市場狀況及企業在競爭中的地位也比較清楚，但其對問題理解的廣度和深度卻往往受到一定的限制。在這種情況下就需要各有關人員既能對總的社會經濟發展趨勢和企業的發展戰略有充分的認識，又能全面瞭解企業當前的銷售情況，進行信息交流和互補，在此基礎上經過意見彙集和分析，就能做出比較全面客觀的銷售判斷。

　　1）高級經理意見法

　　高級經理意見法是依據銷售經理（經營者與銷售管理者為中心）或其他高級經理的經驗與直覺，通過一個人或所有參與者的平均意見求出銷售預測值的方法。

　　2）銷售人員意見法

　　銷售人員意見法是利用銷售人員對未來銷售進行預測。有時是由每個銷售人員單獨作出這些預測，有時則與銷售經理共同討論而作出這些預測。預測結果以地區或行政區劃彙總，一級一級彙總，最後得出企業的銷售預測結果。

　　3）購買者期望法

　　許多企業經常關註新顧客、老顧客和潛在顧客未來的購買意向情況，如果存在少數重要的顧客占據企業大部分銷售量這種情況，那麼購買者期望法是很實用的。

　　這種預測方法是通過徵詢顧客或客戶的潛在需求或未來購買商品計劃的情況，瞭解顧客購買商品的活動、變化及特征等．然後在收集消費者意見的基礎上分析市場變化，預測未來市場需求。

　　（2）特爾菲法。

　　特爾菲法又稱專家調查法，它是一種客觀判斷法，由美國蘭德公司在本世紀四十年代首先倡導使用。它主要是採用通訊的方式，通過向見識廣、學有專長的各有關專家發出預測問題調查表的方式來搜集和徵詢專家們的意見，並經過多次反覆，綜合、整理、歸納各專家的意見以後，作出預測判斷。

　　（3）專家小組法。

　　專家小組法也屬於一種客觀判斷法，它是由企業組織各有關方面的專家組成預測小組，通過召開各種形式座談會的方式，進行充分廣泛的調查研究和討論，然後運用專家小組的集體科研成果作出最後的預測判斷。

　　（4）模擬顧客綜合判斷法。

　　先請各位專家模擬成各種類型的顧客，通過比較本企業和競爭對手的產品質量、售後服務和銷售條件等作出購買決策，然後把這些“顧客”準備購買本企業產品的數量加以彙總，形成一個銷售預測值。

　　（二）銷售預測的定量分析法

　　定量預測法主要是根據有關的歷史資料，運用現代數學方法對歷史資料進行分析加工處理，並通過建立預測模型來對產品的市場變動趨勢進行研究並作出推測的預測方法，如趨勢預測分析法和因果預測分析法。這類方法是在擁有儘可能多的數據資料的前提下運用，以便能通過對數據類型的分析，確定具體適用的預測方法對產品的市場需求作出量的估計。

　　1．趨勢預測分析法

　　趨勢預測分析法是應用事物發展的延續性原理來預測事物發展的趨勢。首先把本企業的歷年銷售資料按時間的順序排列下來，然後運用數理統計的方法來預計、推測計劃期間的銷售數量或銷售金額，故亦稱“時間序列預測分析法”。這類方法的優點是收集信息方便、迅速；缺點是對市場供需情況的變動因素未加考慮。

　　（1）算術平均法。

　　算術平均法是以過去若幹期的銷售量或銷售額的算術平均數作為計劃期的銷售預測數。其計算公式如下：

　　（2）移動加權法。

　　移動加權平均法是先根據過去若幹期的銷售量或銷售額，按其距離預測期的遠近分別進行加權（近期所加權數大些，遠期所加權數小些）；然後計算其加權平均數，並以此作為計劃期的銷售預測值。所謂“移動”是指對計算平均數的時期不斷向後推移。例如，預測7月份的銷售量以4、5、6月份的歷史資料為依據；若預測8月份的銷售量，則以5、6、7月份的資料為準。一般情況下，預測數受近期實際銷售的影響程度較大，因此越接近預測期的實際銷售情況所加權數應越大些。

　　（3）指數平滑法。

　　指數平滑法就是遵循“重近輕遠”的原則，對全部歷史數據採用逐步衰減的不等加權辦法進行數據處理的一種預測方法。指數平滑法通過對歷史時間序列進行逐層平滑計算，從而消除隨機因素的影響， 識別經濟現象基本變化趨勢，並以此預測未來。它短期預測中最有效的方法。使用指數平滑繫數來進行預測，對近期的數據觀察值賦予較大的權重,而對以前各個時期的數據觀察值則順序的賦予遞減的權重。指數平滑法是同類預測法中被認為是最精確的, 因為最近的觀察值已經包含了最多的未來情況的信息。

　　2．因果預測分析法

　　因果預測分析法，是利用事物發展的因果關係來推測事物發展趨勢的方法。它一般是根據過去掌握的歷史資料，找出預測對象的變數與其相關變數之間的依存關係，來建立相應的因果預測的數學模型。然後通過對數學模型的求解來確定對象在計劃期的銷售量或銷售額。

　　因果預測所採用的具體方法較多，最常用而且最簡單的是回歸分析法。回歸分析主要是研究事物變化中的兩個或兩個以上因素之間的因果關係，並找出其變化的規律，應用回歸數學模型，預測事物未來的發展趨勢。由於在現實的市場條件下，企業產品的銷售量往往與某些變數因素（例如，國民生產總值、個人可支配的收入、人口、相關工業的銷售量、需要的價格彈性或收入彈性等等）之間存在著一定的函數關係，因此我們可以利用這種關係，選擇最恰當的相關因素建立起預測銷售量或銷售額的數學模型，這往往會比採用趨勢預測分析法獲得更為理想的預測結果。例如輪胎與汽車，面料、輔料與服裝，水泥與建築之間存在著依存關係，而且都是前者的銷售量取決於後者的銷售量。所以，可以利用後者現成的銷售預測的信息，採用回歸分析的方法來推測前者的預計銷售量（額）。這種方法的優點是簡便易行，成本低廉。回歸分析法主要包括一元回歸直線法（預測對象的相關因素有一個）與多元回歸法（預測對象的相關因素有兩個或兩個以上）。

　　（1）一元回歸直線法。

　　一元線性回歸法是用途較為廣泛的一種預測方法。一元線性回歸法即最小二乘法,是用來處理兩個變數之間具有的線性關係的一種方法。其具體做法是：

　　（2）多元回歸法。

　　企業的經營活動往往受多方面因素的影響，即一個因變數和幾個自變數存在依存關係。例如有的企業的產品是供應若幹個其他企業生產用的零部件，因此生產零部件的企業的產品銷售量受其他企業生產量的影響。在因變數同時受兩個或兩個以上的自變數的影響的情況下，就要用多元回歸預測法進行預測。

　　3．時間序列分析法

　　時間序列分析法是利用變數與時間存在的相關關係，通過對以前數據的分析來預測將來的數據。在分析銷售收入時，大家都懂得將銷售收入按照年或月的次序排列下來，以觀察其變化趨勢。時間序列分析法現已成為銷售預測中具有代表性的方法。

　　隨著市場經濟的發展和經濟的全球化，企業面臨著越來越殘酷的市場競爭。企業要想贏得競爭、贏得客戶，就必須在最快的時間內，以最低的成本將產品提供給客戶，這使得進行正確及時的產品銷售預測及由此產生的可靠的決策，成為現代企業成功的關鍵要素。由此，一些銷售預測系統也應運而生。可是，隨著電腦技術、網路技術、通訊技術和Intemet技術的發展和各個業務操作流程的 自動化，企業產生了數以兒十或上百GB的銷售歷史數據，面對這些海量數據，傳統的預測系統越來越不適應新的預測要求，主要表現在:大量的歷史數據處於離線狀態，變成了“數據墳墓”。預測涉及海量數據的處理，傳統的方法無法滿足運行效率、計算性能、準確率及存儲空間的要求。預測所需的數據含有大量不完整 (缺少屬性值或僅包含聚集數據)、含雜訊 (錯誤或存在偏離期望的孤立點值)、不一致的內容 (來源於多個數據源或編碼存在差異)，導致預測陷人混亂。傳統的資料庫技術在預測知識的表達、綜合和推理方面能力比較薄弱，難以滿足日益提高的預al要求。在這種情況下，一個新的研究領域— 數據挖掘(Data Mining,DM)的出現引起了學術界和產業界的廣泛關註。

　　數據挖掘一般包括數據準備、數據挖掘和結果的解釋與評價三個階段。數據挖掘結果的質量與被挖掘數據質量息息相關。數據準備就是對被挖掘數據進行定義、處理和表示，使它適應於特定的數據挖掘方法。數據準備是數據挖掘過程中的第一個重要步驟，在整個數據挖掘過程中起著舉足輕重的作用。它包括以下幾個步驟:

　　數據清洗 一般來說，銷售歷史數據來源於異質操作資料庫。這些異質操作資料庫中的數據並不者提 正確的，常常不可避免地存在著不完整、不一致、不精確和重覆的數據，這些數據統稱為 “臟數據”。臟數據能使挖掘過程陷入混亂，導致不可靠的輸出。數據清洗通過填寫空缺的值，平滑雜訊，識別、刪除點，解決不一致來 “清洗”數據。它可以在數據裝人數據倉庫之前進行，也可以在裝人之後進行。

　　數據清洗技術一般可分為基於規則的方法、可視化方法和統計學法方法。基於規則的方法根據欄位定義域的元知識、約束和與其它欄位的關係對該欄位的每一數據項進行評估;可視化方法以圖形方式顯示數據集的有效輪廓，從而很容易辨別臟數據;統計學法方法通過統計技術填補丟失的數據和更正錯誤的數據。

　　數據集成與數據變換 在進行銷售預測數據挖掘時常常需要將多個數據存儲合併，並轉換成適合挖掘的形式。在銷售歷史數據中，我們常常會發現代表同一概念的屬性在不同的資料庫含有不同的名字，這將會導致不一致和冗餘，而含有大量不一致和冗餘數據會降低數據挖掘過程的性能或使之陷人混亂。將數據集成與變換將減少或避免這種情況，提高數據挖掘的精度與速度。

　　數據集成要考慮實體識別問題、相關性分析問題、數值衝突檢測與處理問題等。實體識別問題即如何將來自多個信息源的實體匹配 相關分析問題即通過相關性分析來檢測數據冗餘 數值衝突檢測與處理問題即通過對元組級冗餘檢測，消除數據語義上的異種性。而數據變換涉及到平滑、聚集、數據概化、規範化、屬性構造等，通過這些處理將數據轉換成適合於挖掘的形式。

　　數據歸約 當選擇用於數據分析的數據集過大，在海量數據上進行複雜的數據分析和挖掘將需要很長時間，使得這種數據挖掘不現實、不可行。而數據歸約技術可以 “壓縮”數據集，得到其 “歸約”表示，它小的多，但仍接近於保持原數據的完整性，使得在歸約後的數據集上進行挖掘更有效。其策略包含數據立方體聚集、維歸約、數據壓縮、數值壓縮、離散化和概念分層等，這些涉及到了多特征方、壓縮搜索空間的啟髮式演算法、小波變換、主要成分分析PCA、線性回歸模型分析和對數線性模型、多維索引樹、離散化技術等。目前這個領域仍然是一個非常活躍的研究領域。

　　目前可用於銷售預測的數據挖掘工具主要是一些統計分析方法，如時間序列分析、線性回歸模型分析、非線性回歸模型分析、灰色系統模型分析、馬爾可夫分析法等，它是目前最成熟的數據挖掘技術。然而，一方面由於產品的需求往往是由許多因素綜合決定的，傳統的統計分析方法往往只是考慮了其中的一部分，而且影響需求的各種因素之間往往存在著各種錯綜複雜的相互作用，依傳統方法建立的簡單模型無法表達這種相互作用;另一方面，由於龐大的銷售數據集的性質往往非常複雜，且非線性、持續性及噪音普遍存在，因此需要一種不同於傳統的新的理論和方法去解決數據挖掘中的問題。而神經網路作為一種非線性 自適應動力學系統，具有通過自學習提取信息的內部特征的優點，非常適合解決銷售數據中的數據挖掘問題。自從1987年Lapedes和Farber首先應用神經網路進行預測以來，神經網路已成為一種非常有前途的預測方法，近年來已成為經濟預測、管理決策、數據挖掘領域研究的熱點。

　　神經網路可很好地勝任數據挖掘技術，它通過模擬人腦反覆學習技術來工作的。對給出的樣本數據，神經網路通過類似人類記憶過程的方式學習數據中的統計規律，歸納出能描述樣本特征的數據模型，然後用已學會的數據模型分類新給出的數據。用神經網路挖掘知識時，分析者首先找出一組變數，這些變數中需要有導致實例結果的因素。神經網路通過反覆學習，找出變數與結果的函數關係，再用這一函數對新數據分類、預測、評價等處理。目前已有一些神經網路模型已很好地運用於銷售預測，分析、預測銷售的未來波動等，表現 出良好的運用前景 。

　　為剋服傳統預測系統的缺陷，將數據挖掘技術應用到銷售預測中來。我們設計的基於數據挖掘的銷售預測支持系統由人機交互系統、知識庫、資料庫 (或數據倉庫)、數據挖掘工具、模V管理系統、知識庫管理系統和分析解釋系統等部分組成。其結構框架如圖1所示。其中，數據挖掘工具通過資料庫APT訪問資料庫或數據倉庫，並執行銷售預測的各種挖掘任務。

　　在利用數據挖掘技術進行銷售預測時，現有的數據挖掘工具能自動完成許多工作，但挖掘過程中每一步應特別小心，否則會推導出錯誤的結論。數據挖掘並不一定遵循特定的過程，但一般的步驟包含以下幾個方面

　　在進行數據挖掘工作前，要清楚地知道數據挖掘的目標。事先明確挖掘的業務目標，確定達到目標的評價方法，這將大大減少挖掘工作的難度和工作量。

　　選擇數據。這些數據可能是數據倉庫或數據集市，也可能是各個聯機事務處理系統中的數據。

　　數據預處理。這個過程可以改進銷售數據質量，從而有助於提高其後的挖掘過程的精度和性能。高質量的銷售決策必然依賴於高質量的數據，檢測數據異常、儘快調整數據，並歸約待分析的數據，將在決策過程得到高回報。

　　在開始挖掘工作前，需要具體每一個細節，確定哪些想法需要驗證，哪些方面需要用工具從數據中得出假設。

　　構造數據挖掘模型。通常，先用隨機數作種子把數據分為兩部分:訓練集和測試集，用於構造和評估模型。用數據挖掘工具去測試數據質量，比較各種工具輸出的結果，從而精確地構造出模型。

　　驗證結論。確定結論是否正確和符合業務要求，如果挖掘的結果有錯誤就要尋找錯誤的原因，並對數據重新挖掘，重新構造 模 型 。

　　信息處理技術的飛速發展，加上人們孜孜不倦地對銷售預測效果的追求，使得數據挖掘技術在銷售預測中應用成為一個非常自然的選擇。數據挖掘作為一種新的技術，它可以對銷售數據進行深層次的分析，採掘到隱含在數據中的有用信息，發現和把握新的市場機會，為企業的管理決策提供科學的依據。數據挖掘技術對銷售預測技術帶來的挑戰，無疑將推動銷售預測的發展。