1、GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/2022常用市場銷量預測方法的介紹與使用常用市場銷量預測方法的介紹與使用2GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/2022銷量預測的方法分類：2.3 季節變動預測法季節變動預測法預預測測方方法法2、時間序列分析方法、時間序列分析方法3、因果分析方法、因果分析方法1.1綜合判斷法綜合判斷法2.1 灰色系統預測法灰色系統預測法3.1 相關回歸分析法相關回歸分析法3.2 彈性系數預測法彈性系數預測法1、簡易預測方法：、簡易預測方法：2.2 馬爾可夫鏈預測法馬爾可

2、夫鏈預測法3GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/20221、銷量簡易預測方法：綜合判斷法綜合判斷法綜合判斷法是一種簡易的銷量預測方法，簡單來說，就是綜合若干人的銷量預測，以預測的最低銷量，最可能銷量，最高銷量為基準，乘以相應的經驗權重，得到預測估計量的方法。經驗值公式：它是一個經驗公式，最早使用在美國的計劃評審技術中，多作為簡易的預測工具預測市場銷量趨勢。優點：簡單，快速。 缺點：準確度較低，受人主觀影響大。理論依據：假定銷量服從正態分布，其均值為a，方差為 ，那么可以將銷量分為三段，第一段為銷量不高于 ,稱為最低銷量段；第二段為銷量不低于

3、 ，稱為最高銷量段；第三段在（ ）之間，成為最可能銷量段；由概率論知，第一段和第二段的可能性均是15.9，第三段的可能性是68.2，由此可得：aa2aa,4GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/20222.1 時間序列預測方法：灰色系統預測法灰色系統預測法：灰色系統預測法：用于解決“少信息，不確定性”的問題。比較：時間序列分析大多以回歸分析為主，是應用最廣泛的方法，但回歸分析要求大樣本，要求樣本數據有較好的分布規律，然后實際很多實際情形并非如此。例如：SPSS中的時間序列分析的季節性分析要求至少有中的時間序列分析的季節性分析要求至少有4個全季

4、節數據。個全季節數據。灰色系統預測法的優勢灰色系統預測法的優勢：用于時間短，數據資料少，數據不需要典型的分布規律，計算量較低，對短期預測有較高精度。不適合隨機波動較大的數據不適合隨機波動較大的數據。灰色系統預測法的建模思想：灰色系統預測法的建模思想：直接將時間序列轉化為微分方程，建立抽象系統的發展變化動態模型，這個模型簡稱為：GM(1,1)模型，也稱為單序列一階線單序列一階線性動態模型。性動態模型。5GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/20222.1 時間序列預測方法：灰色系統預測法灰色系統預測法的使用過程：灰色系統預測法的使用過程：1、對

5、歷史時間銷量數據進行一階累加處理，得到生成數列 ：2、建立微分方程模型GM(1,1) ： 3、利用等式求得a、u的值：其中： ， nmmmmxmxmxnxxxx102101101111,2,1 1xuaxddtx)1()1(11YBBBuaTT6GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/20222.1 時間序列預測方法：灰色系統預測法灰色系統預測法的使用過程：灰色系統預測法的使用過程：4、將得到的a、u值，代入微分方程解出的時間函數：由此，可以求得數列 ，然后再將此預測值數列利用下式還原為預測銷量數列：5、精度檢驗：殘差檢驗、關聯度檢驗、后驗差檢

6、驗等。7GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/2022灰色系統預測法的使用案例：灰色系統預測法的使用案例： 案例數據：構造矩陣B和數據向量Yn：2.1 時間序列預測方法：灰色系統預測法8GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/2022灰色系統預測法的使用案例：灰色系統預測法的使用案例：計算出a,u的值：確定預測模型：預測銷售額：2.1 時間序列預測方法：灰色系統預測法9GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/20222.2 馬爾可夫鏈預測法馬爾

7、可夫鏈預測法：馬爾可夫鏈預測法：學名叫狀態概率矩陣預測法，因為是由俄國數學家馬爾可夫創立一種分析隨機過程的方法，所有叫馬爾可夫鏈預測法。馬爾可夫鏈預測法的優勢馬爾可夫鏈預測法的優勢：適合于隨機波動較大的動態系統的預測問題，。 缺點：缺點：預測的準確性受客觀因素影響太大。使用領域：使用領域：日用商品、食品、燃料、藥品等快速消費品。馬爾可夫鏈預測法的建模思想：馬爾可夫鏈預測法的建模思想：系統的未來狀態，僅與最近狀態有關，而與原始狀態和過去狀態無關，即具有（或近似具有）無后效性特點；根據某些變量的現在狀態及其變化趨向，預測其在未來某一特定期間內可能出現的狀態。10GfK Retail and Tec

8、hnology常用市場銷量預測方法的介紹與使用3/7/2022馬爾可夫鏈預測法的使用過程：馬爾可夫鏈預測法的使用過程：1、對歷史銷量數據進行狀態劃分： 利用樣本均值- 均方分類法進行分類，按數據值是否落在 (- ,x-s)x-s, x-0.5s, x-0.5s, x+0.5s,x+0.5s, x+s, x+s,+ 把數據值分成五種狀態。2、狀態轉移概率的計算和狀態轉移概率矩陣的構造（即構造馬爾可夫鏈）： 數據序列由狀態 ，經過m步轉移達到狀態 的概率為m步轉移概率，記為 ，計算公式為：由m步轉移概率元素構成的矩陣稱為m步狀態轉移概率矩陣，見下圖：2.2 馬爾可夫鏈預測法iEjEijmP)(ii

9、jmijmMmP)()(11GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/2022馬爾可夫鏈預測法的使用過程：馬爾可夫鏈預測法的使用過程：3、利用狀態轉移概率矩陣 編制預測表： 4、根據最后預測狀態，確定預測值。 預測值可以取數值區間的中位數。2.2 馬爾可夫鏈預測法)(mR12GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/20222.2 馬爾可夫鏈預測法馬爾可夫鏈預測法的使用過程：馬爾可夫鏈預測法的使用過程：5、案例數據：13GfK Retail and Technology常用市場銷量預測方法的介紹與使

10、用3/7/2022季節變動的含義：季節變動的含義：季節變動是指有些社會經濟現象，因受社會因素和自然因素的影響，在一年內隨著時序的變化而引起周期性的變化。這種周期性的變化一般都是比較穩定的。在統計中，一般指的是一年內4季或12月的周期性變動。季節模型：季節模型：一般認為影響動態數列發展變化的因素有四個， 即：長期趨勢(這是最主要的)，用T表示；季節變動，用S表示；循環變動，用C表示；不規則變動，用I表示。因此，動態數列的模型有三種模式： 乘法模式： 加法模式： 混合模式：2.3 時間序列預測方法季節變動預測法14GfK Retail and Technology常用市場銷量預測方法的介紹與使用3

11、/7/2022趨勢和季節混合型動態數列的季節變動分析：趨勢和季節混合型動態數列的季節變動分析： 在我們工作中，碰到更多的是既有長期趨勢因素又有季節因素影響的數列。但如果數據量不足，在SPSS中無法進行季節變動分析時，我們就需要計算數列的季節指數，再和SPSS預測的趨勢值一起預測未來值。2.3 時間序列預測方法季節變動預測法季節變動預測法的使用過程：季節變動預測法的使用過程：1、必須先消除長期趨勢的影響，才能得到準確的季節指數。 先利用移動平均法計算原始時間數列，求出數列長期趨勢值。 若樣本數據較多，可以使用中心移動平均法（指以當前值為中心，計算前后若干期的平均值）；若樣本數據較少，可以使用前移

12、動平均法（指計算當前值以前若干期的平均值）。可以利用SPSS計算移動平均值。2、：用原始數列的值除以對應的長期趨勢值，依照乘法模型，YTSI（暫不考慮循環因素影響）。15GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/2022季節變動預測法的使用過程：季節變動預測法的使用過程：3、將同年各月的數值求平均值，也就是對SI求平均值，就可以消除I（不規則變動因素）的影響，就剩下了S（季節因素）。4、將12個月的平均季節指數 加總 ，其總和應為12，如果不等于12則要求出調整系數（12/ ）。5、用調整系數再乘回各月比率值，得到修正后的季節指數。6、預測出預測

13、期的長期趨勢值，然后乘以已經求出的固定的季節指數，就得到數列預測值。2.3 時間序列預測方法季節變動預測法16GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/2022季節變動預測法使用案例：季節變動預測法使用案例：1、原始值：、原始值：2、長期趨勢：、長期趨勢：月份月份2003年年2004年年2005年年月份月份2003年年2004年年2005年年12345614401353127512891407176014601378135713651525188217111558147414401529181578910111220222080205517091

14、45112972119216221421870158114412066222821691821149514932003200420052003200420052.3 時間序列預測方法季節變動預測法17GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/2022季節變動預測法使用案例：季節變動預測法使用案例：3、季節指數計算表：、季節指數計算表：2003200420052.3 時間序列預測方法季節變動預測法18GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/2022季節變動預測法使用案例：季節變動預測法使用案例：4、

15、預測值計算：、預測值計算：假如測定假如測定2006年年1月的趨勢值為月的趨勢值為2000元，而該月的固定的季節指數為元，而該月的固定的季節指數為93.72。則該月的預測值為：。則該月的預測值為： 2000*93.721874.4（元）（元）2.3 時間序列預測方法季節變動預測法19GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/2022相關回歸分析法的含義：相關回歸分析法的含義： 市場預測中常用的方法有回歸分析法、彈性系數法、時間序列法等；其中回歸分析法是研究變量之間相關關系的一種統計方法，它要解決的問題如下： 1、確定變量之間是否存在相關關系，如果存

16、在的話，找出它們之間合適的數學表達式。 2、從共同影響變量的若干自變量中，判斷自變量的影響顯著效果。 3、利用所找到的數學表達式對變量進行預測。3.1 因果分析方法相關回歸分析法20GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/20223.1 因果分析方法相關回歸分析法相關回歸分析法的使用過程：相關回歸分析法的使用過程：1、相關分析。 在進行回歸分析之前，要先進行相關分析，采用相關分析確定變量之間是否確實有相關關系存在，如果存在，則再用回歸分析求出變量之間的定量關系表達式。 衡量變量之間的相關程度使用的是：散點圖 和 相關系數。SPSS的相關分析：

17、利用SPSS選項：AnalizeCorrelateBivariate 再把兩個有關的變量選入，選擇Pearson，Spearman或Kendall就可以得出這三個相關系數和有關的檢驗結果(零假設均為不相關)。 21GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/20223.1 因果分析方法相關回歸分析法相關回歸分析法的使用過程：相關回歸分析法的使用過程：2、回歸分析。 利用spss提供的若干回歸工具，確定回歸方程，建立預測模型。 SPSS中自變量和因變量都是定量變量時的線性回歸分析： 利用SPSS選項：AnalizeRegressionLinear 再

18、把有關的自變量選入Independent，把因變量選入Dependent，然后點OK即可。如果自變量有多個（多元回歸模型），只要都選入就行。3、用預測模型求預測值，并評估預測效果。 Coefficients1-91.33218.596-4.911.0035.302.764.9436.937.000(Constant)V31ModelBStd. ErrorUnstandardizedCoefficientsBetaStandardizedCoefficientstSig.Dependent Variable: V21. 22GfK Retail and Technology常用市場銷量預測方法的

19、介紹與使用3/7/20223.1 因果分析方法相關回歸分析法相關回歸分析法的使用過程：相關回歸分析法的使用過程： 需要注意說明自變量解釋因變量變化百分比的度量，叫做決定系數（coefficient of determination），用R square表示。對于下例，R square =0.889；這說明這里的自變量可以大約解釋88.9的因變量的變化。 R square越接近1，回歸就越成功。由于R square有當變量數目增加而增大的缺點，人們對其進行修改，有一修正的R square （adjusted R square）。Model Summary.9431.889.8714.284231

20、ModelRR SquareAdjustedR SquareStd. Error ofthe EstimatePredictors: (Constant), V31. 23GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/20223.1 因果分析方法相關回歸分析法相關回歸分析法的使用案例：相關回歸分析法的使用案例： 根據北京市某區的大型電器商場渠道提供的自2000年2007年的電冰箱銷售數據及由民政局,統計局等政府信息部門提供的數據,編制了電冰箱年銷售量（20002007）表格,見下表: 年份電冰箱銷售量Y（千臺）年新結婚戶數X1居民戶均收入X2（千元）

21、2000202228.520012622.53420023023.138.620033423.4402004402442.520054424.5462006492650.220075528.554.824GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/20223.1 因果分析方法相關回歸分析法相關回歸分析法的使用案例：相關回歸分析法的使用案例：Correlations 電冰箱銷售量Y（千臺）年新結婚戶數X1居民戶均收入X2（千元）電冰箱銷售量Y（千臺）Pearson Correlation10.9430.993Sig. (1-tailed)0.0000

22、.000N888年新結婚戶數X1Pearson Correlation0.94310.946Sig. (1-tailed)0.0000.000N888居民戶均收入X2（千元）Pearson Correlation0.9930.9461Sig. (1-tailed)0.0000.000N888*. Correlation is significant at the 0.01 level (1-tailed).25GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/20223.1 因果分析方法相關回歸分析法相關回歸分析法的使用案例：相關回歸分析法的使用案例：C

23、oefficients1-20.7712.903-7.155.0001.387.068.99320.348.000(Constant)V41ModelBStd. ErrorUnstandardizedCoefficientsBetaStandardizedCoefficientstSig.Dependent Variable: V21. Model Summary.9931.986.9831.537921ModelRR SquareAdjustedR SquareStd. Error ofthe EstimatePredictors: (Constant), V41. 26GfK Retail

24、 and Technology常用市場銷量預測方法的介紹與使用3/7/2022彈性系數預測法：彈性系數預測法： 彈性系數預測法屬于微觀預測，它認為市場上某種商品的銷量，主要是受居民收入、該商品價格和相關商品價格等因素的影響，通過計算產品銷售（產品需求）的價格彈性、收入彈性、和交叉彈性等系數來反映并預測未來銷量。1、價格彈性系數預測法。、價格彈性系數預測法。 產品需求的價格彈性，表示需求量（銷售量）變化對價格變化反映的靈敏程度。計算公式為： 產品銷量預測模型：3.2 因果分析方法彈性系數預測法27GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/2022

25、價格彈性系數預測法的使用案例。 假設某商品當每臺平均零售價2150元時，銷售3100臺；價格下降為1430元時，銷售達到6900臺，該地區本期共銷售該商品25000臺，假如預測期平均每臺價格再下降300元，在其它條件不變的情況下，下期該商品的銷量預測是多少臺？ 首先計算出實驗銷售所取得的價格彈性系數： Ed（6900-3100）/（1430-2150）*（2150/3100）-3.66 再根據價格彈性系數測算下期可能銷售量： Q125000+（-3.66*25000*（-300）/143044196臺 因此，預測期的銷售量約為44200臺左右。3.2 因果分析方法彈性系數預測法28GfK Re

26、tail and Technology常用市場銷量預測方法的介紹與使用3/7/20222、收入彈性系數預測法。、收入彈性系數預測法。 產品需求的收入彈性，是衡量收入的相對變動與隨之變化的需求量的相對變動之間的關系，反映需求量（銷售量）對收入量變化的敏感程度。計算公式為：預測值計算公式為：3.2 因果分析方法彈性系數預測法29GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/2022 收入彈性系數預測法的使用案例。 經過對歷史數據的測算，某地區居民對文娛用品類的收入需求彈性為1.55，去年該地區的文娛產品的銷售額為40億元，從統計部門得知該地區的居民可支配收入將比去年上漲5，則今年的文娛產品的銷售額預測為多少？ Q140*（1+1.55*5）43.1 億元 預測今年的文娛產品的銷售額可能為43億元左右。3.2 因果分析方法彈性系數預測法30GfK Retail and Technology常用市場銷量預測方法的介紹與使用3/7/20223、交叉彈性系數預測法。、交叉彈性系數預測法。 交叉彈性又稱為偏彈性，表明一種商品價格變動影響另一種商品銷售量的程度，計算公式為：內涵：1、若系數為正數，表示計算的兩種商品為替換品，一方的價格變化會引起另一方商品的銷量向相反的方向變化。2、若系數為負