1、遼 東 學 院 本 科 畢 業 論 文（設 計）品牌服裝銷售情況的分析與研究學 生 姓 名： 學 院： 信息技術學院 專 業： 信息治理與信息系統 班 級： 學 號： 指 導 教 師： 審 閱 教 師： 完 成 日 期： 2009-5-25 遼 東 學 院Eastern Liaoning獨創性講明作者鄭重聲明：本畢業論文（設計）是我個人在指導教師指導下進行的研究工作及取得研究成果。盡我所知，除了文中特不加以標注和致謝的地點外，畢業論文（設計）中不包含其他人差不多發表或撰寫的研究成果，也不包含為獲得遼東學院或其他單位的學位或證書所使用過的材料。與我一同工作的同志對本研究所做的貢獻均已在論文中做了

2、明確的講明并表示了謝意。作者簽名：_ 日期：_ 摘 要關鍵詞： TitleAbstractKey Words：目 錄 TOC o 1-3 h z u HYPERLINK l _Toc233788926 摘 要 PAGEREF _Toc233788926 h I HYPERLINK l _Toc233788927 Abstract PAGEREF _Toc233788927 h II HYPERLINK l _Toc233788928 一、引言 PAGEREF _Toc233788928 h 1 HYPERLINK l _Toc233788929 二、數據挖掘技術 PAGEREF _Toc233

3、788929 h 3 HYPERLINK l _Toc233788930 （一）數據挖掘概述 PAGEREF _Toc233788930 h 3 HYPERLINK l _Toc233788931 （二）數據挖掘的應用 PAGEREF _Toc233788931 h 3 HYPERLINK l _Toc233788932 （三）數據挖掘的常用方法與技術 PAGEREF _Toc233788932 h 4 HYPERLINK l _Toc233788933 （四）數據挖掘的任務 PAGEREF _Toc233788933 h 5 HYPERLINK l _Toc233788934 三、基于數據挖

4、掘的服裝銷售預測模型 PAGEREF _Toc233788934 h 7 HYPERLINK l _Toc233788935 （一）數據挖掘中的預測模型 PAGEREF _Toc233788935 h 7 HYPERLINK l _Toc233788936 （二）服裝公司銷售情況 PAGEREF _Toc233788936 h 7 HYPERLINK l _Toc233788937 （三）基于數據挖掘的銷售預測模型的選擇 PAGEREF _Toc233788937 h 8 HYPERLINK l _Toc233788938 （四）基于數據挖掘的銷售預測模型的應用 PAGEREF _Toc233

5、788938 h 8 HYPERLINK l _Toc233788939 1模型具體操作 PAGEREF _Toc233788939 h 9 HYPERLINK l _Toc233788940 2具體實際應用 PAGEREF _Toc233788940 h 10 HYPERLINK l _Toc233788941 四、改進建議 PAGEREF _Toc233788941 h 19 HYPERLINK l _Toc233788942 結 論 PAGEREF _Toc233788942 h 21 HYPERLINK l _Toc233788943 附錄A A款服裝2006年2008年銷售記錄表 P

6、AGEREF _Toc233788943 h 23 HYPERLINK l _Toc233788944 附錄B 預測2009年銷售量回歸分析結果 PAGEREF _Toc233788944 h 25 HYPERLINK l _Toc233788945 參 考 文 獻 PAGEREF _Toc233788945 h 27 HYPERLINK l _Toc233788946 致 謝 PAGEREF _Toc233788946 h 28 HYPERLINK l _Toc233788947 遼東學院本科畢業論文（設計）版權使用授權書 PAGEREF _Toc233788947 h 29一、引言作為衣食

7、住行之首，服裝行業是個永久的朝陽產業，人類對服飾的追求沒有止境。中國是世界上最大的服裝消費國，同時也是世界上最大的服裝生產國，近年來，隨著科學技術的進展，服裝業也往常所未有的速度進展，以福建福州市的服裝業進展為例，福州服裝生產企業有500多家，2003年產值約48億1，2004年已增長到97億2，而福建泉州市2007年服裝產值近千億3。隨著服裝行業進展，暴露出的產業問題越來越多：庫存壓力日益增大、自主設計風格欠缺、行業專業人才匱乏、產業鏈不健全、品牌含金量不足4、企業品牌競爭力低等，大部分企業的技術結構和生產方式落后，企業治理水平低下，許多服裝企業以加工型為主，忽視自身品牌的創建，有自主品牌的

8、企業對品牌宣傳投入不足，大型服裝企業少。在全球金融危機阻礙下，庫存壓力已成為服裝產業的首要問題。資料顯示：服裝行業的提早訂貨機制以及2008年宏觀經濟的驟變導致2008年服裝產品積壓嚴峻，服裝行業面臨庫存及資金回籠壓力，增加的存貨對2009年服裝業經營將產生一定阻礙，我國2009年服裝業的增長速度放緩5。服裝受季節阻礙較大的產品，其銷售量受到多種復雜因素的阻礙，如季節變化、流行趨勢變化、氣候變化、廣告媒體效應、地區消費觀念和突發事件（如非典）等6。為解決服裝產業中庫存積壓問題，服裝銷售預測已成為研究熱點1、79。服裝銷售預測是依照服裝市場的銷售信息和營銷打算，用科學的方法進行市場和銷售分析，確

9、定在以后某一時刻段的銷售量（額）10。準確的服裝銷售預測能夠使服裝公司科學合理的安排一些采購、生產、庫存等一些列工作流程，對服裝公司的良性營銷活動起著特不重要的作用。本文對某品牌女裝公司的原始銷售數據和產品信息數據進行分析和研究，形成產品銷售預測，為公司制定銷售打算提供依據。某品牌服裝公司是集設計、生產、銷售為一體的品牌女裝企業，擁有較強的研發團隊、先進的生產設備及計算機輔助制版系統，有現代化治理軟件進行生產全過程的有效操縱及高速物流配送系統，年大約投產200300款女裝，年產10萬件左右，銷售額5000萬左右，利潤2000萬左右，職員超過三百人。依照該公司的資料顯示，該公司在近幾年廠房建立完

10、善后，生產能力能夠持續增加。公司以特許加盟經營的銷售形式建立了規模營銷網絡，以批發為主，全國有二十五家總代理商。公司分為企劃部、設計部（開發新款服裝）、技術部（打版和樣衣）、生產部（生產車間）、銷售部（和代理商溝通、售后服務和每天一份銷售報表）、采購部、物流部、財會部和人事部。公司運行流程如圖1.1所示。圖1.1公司業務流程公司的銷售數據來源于銷售部，而銷售部的銷售數據來源于代銷商以及公司直接負責的專賣店的銷售反饋信息。公司生產的服裝款式分為兩種：一種是經典款式，一種是時尚款式。關于經典款式，盡管長期暢銷，但服裝款式與時尚緊密相關，隨著銷售時刻的連續，銷售數量有逐年遞減的趨勢；關于時尚款式，潮

11、流性極強，銷售波動大，銷售季節較短。依照該公司工作人員的介紹，該品牌公司的銷售部向公司高層的反饋信息只是最原始的銷售數據的匯總，并沒有形成預測信息，而公司高層也僅僅是依照匯總的銷售數據，把銷售量略微上調就作為次年的生產計算，關于每種設計系列產品缺乏銷售預測，每年生產的系列產品都有供不應求和庫存積壓的現象出現，企業有銷售預測的迫切需求。目前，銷售預測要緊應用的技術是數據挖掘技術，應用于服裝行業的銷售預測研究已初見成果79，本文依照公司的特點，運用數據挖掘技術進行了銷售預測分析，以提供改進公司營銷現狀的策略依據。二、數據挖掘技術（一）數據挖掘概述“數據挖掘（Data Mining，DM）”是從大量

12、的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不明白的、但又是潛在有用的信息和知識的過程11，它從海量數據中發覺趨勢和模式，是一個知識“發覺”過程。1989年8月進行的第一屆KDD國際學術會議第一次提出了數據庫中的知識發覺（Knowledge Discovery in Database，KDD）。數據挖掘是由數據采集、數據處理、數據規則知識表達和知識應用與服務等幾個方面組成12。數據處理是對采集到的原始數據進行歸檔處理、更正校對、過濾清理和數據轉換、合并，采集是基礎，處理是關鍵。數據規則知識表達是對數據的分析與挖掘，那個時期要緊是對處理后的數據進行分析、概括和

13、挖掘，生成關聯的規則，發覺新的數據關系等13，數據規則知識表達是數據挖掘的形式，最終目的是進行知識應用和服務。企業數據量特不大，然而其中真正有價值的信息卻專門少，因此要從大量的數據中通過各種分析，揭示隱藏的、未知的或驗證已知的規律性，并進一步將其模型化，獲得有利干商業運作、提高競爭力的信息。在實際應用中，通過使用數據挖掘技術，能夠產生巨大的商業機會14。（二）數據挖掘的應用數據挖掘的目的是知識應用和服務，數據挖掘確實是要在龐大的數據庫中查找有價值的潛在信息，同時對這些信息加以分析處理，得到有意義的信息來指導企業決策。數據挖掘在現今的信息社會有專門廣泛的應用，在零售、金融、電信、醫療、科研等行業

14、領域內發揮了巨大的作用15。1在零售業中的應用。數據挖掘在零售業中的應用要緊涉及客戶細分和交叉銷售等方面，利用數據挖掘技術能夠識不客戶購買行為，發覺客戶購買模式和趨勢，進而預測銷售量、預測顧客的購買行為。啤酒與尿布的銷售案例，是數據挖掘在零售業中典型應用16。2在金融領域中的應用。在股票、稅收、保險等金融領域，數據挖掘要緊應用在信用評估和防止欺詐等方面。如，能夠依照對偷稅漏稅者以及對各行各業的納稅人進行描述分析，找出普遍規律，為稅務征稽提供決策依據17；利用保險業務和保險市場等有效數據來預測保險業的進展趨勢，預測顧客保險的模式18。3在電子商務中的應用。數據挖掘技術在基于Web模式的電子商務領

15、域也得到廣泛應用，運用知識發覺技術把訪問者、網上購買者的訪問數據從潛在的、隱含的、事先不知的狀態，通過提取、洗滌、加工變為價值信息，實現高效率的網絡營銷。數據挖掘技術在電子商務領域的差不多應用是通過數據挖掘來分析網站客戶，識不用戶的行為模式，為客戶提供個性化服務19。數據挖掘在各商業領域的應用中，預測，尤其是銷售預測有著寬敞的應用前景。服裝銷售預測要達到高準確度，需要有科學、有效的預測方法。（三）數據挖掘的常用方法與技術 目前，數據挖掘理論框架已差不多形成，常用的數據挖掘方法和技術分為6類20。1歸納學習方法。歸納學習方法分為信息論法和集合論法。信息論方法是利用信息論的原理建立決策樹，也稱為決

16、策樹方法，它是一種簡單的知識表示方法，將事例逐步分類成代表不同的類不。這種方法一般用于分類任務。集合論方法包括覆蓋正例排斥反例的方法、概念樹方法、粗糙集方法、關聯規則挖掘法等。覆蓋正例排斥反例的方法是利用覆蓋所有正例、排斥所有反例的思想來查找規則。概念樹方法是對數據庫中記錄屬性的歸類合并，它能夠濃縮數據庫中的記錄。粗糙集方法是一種研究不精確、不確定知識的數學工具，它把客觀世界抽象為一個信息系統，通過下近似和上近似概念來描述不精確概念。關聯規則挖掘法是在交易事務數據庫中挖掘出不同項集的關聯關系，即哪些商品頻繁地被顧客同時購買。2統計分析方法。統計分析方法包括相關分析、回歸分析及因子分析等。一般先

17、由用戶提供假設，再由系統利用數據進行驗證。目前，已有許多商品化的分析工具，包括SAS，SPSS和Stargraphis等。統計分析方法能夠通過對大量數據分析形成行為預測，對生產治理、銷售和企業決策有著重要的意義。3仿生物技術的神經網絡方法。1943年，芝加哥大學首次提出了人工神經網絡（ANN）的概念21。神經元網絡方法能夠模擬人腦，是一種向訓練數據集學習并應用所學知識來生成分類和預測的模式，神經網絡由許多差不多單元構成，這些差不多單元模仿人腦的神經元，將多個差不多單元連接起來，就構成了神經網絡。差不多單元之間的連接相當于人腦中神經元的連接，連接方式有多種，從而形成了多種神經網絡結構22。4仿生

18、物技術的遺傳算法。遺傳算法（GA：Genetic Algorithms）也是基于生物學理論的，是從達爾文的自然選擇和適者生存的進化論中獲得其理論根源的。它基于一系列的自適應過程，模擬了生物界中適者生存的觀念，通過重組體再生的方法來對網絡的預測結果和期望狀態之間的差異做出響應，它的最強大功能在于它將種群成員進行交配然后產生新的子代，如此的子代中就專門可能繼承了父代中較好的特征，甚至有可能結合了父代雙方的最優特征21。5數值數據的公式發覺。數值數據的公式發覺是對數據庫中若干數據項目進行一定的數學運算，推算出相應的數學公式的方法。目前有物理定律發覺系統BACON、經驗公式發覺系統FDD等。物理定律發

19、覺系統是運用人工智能技術從實驗數據中查找其規律性比較成功的一個系統。經驗公式發覺系統是從大量實驗數據中發覺的經驗公式，逐步完成任意函數的任意組合（線性組合、初等運算組合、復合函數運算組合等）對自然規律和經驗規律的發覺。6可視化技術。可視化技術是一種圖形顯示技術，它創建二維或三維業務數據集的圖表，使得用戶更好地理解業務數據，從而提升知識和洞察力。可視化數據挖掘技術創建了可視化的數據挖掘模型，利用這些模型發覺業務數據集中存在的模式，從而輔助決策支持并預測新的商機。（四）數據挖掘的任務數據挖掘的目標是預測和描述23。預測是指從一些變量或者海量數據庫中的已知字段中預測感興趣的有意義的未知變量或字段。描

20、述是指找到描述字段的可理解模式。依照發覺知識的不同，我們能夠將數據挖掘任務歸納為五類：提取特征、分類、關聯性、聚類和預測24。1提取特征。從與學習任務相關的一組數據中提取出關于這些數據的特征式，這些特征式表達了該數據集的總體特征。例如能夠從某種疾病的癥狀中提取關于該疾病的特征規則。2分類。分類是用一個函數把各個數據項映射到某個預定義的類，或者講是開采出關于該類數據的描述或模型。數據分類方法有決策樹分類方法、統計方法、粗集方法等。3關聯性。關聯性用來發覺一組項目之間的關聯關系和相關關系，它們經常被表達為規則形式。一條形如XY 的關聯規則能夠解釋為：滿足X 的數據庫元組也專門可能會滿足Y。關聯性分

21、析廣泛應用于交易數據分析，通過分析結果來指導銷售、目錄設計及其他市場決策的制定21。4聚類。聚類是兩種常見的描述工作之一，搜索并識不一個有限的種類集合或簇集合，從而描述數據。簡單地講，確實是識不出一組聚類規則，將數據分成若干類。這些種類可能相互排斥而且是窮舉的（無遺漏的），或者包含了更豐富的表達形式25。5預測。預測是利用歷史數據找出變化規律，建立模型，并用此模型來預測以后數據的種類、特征等。在預測中，歷史數據能夠用來建立模型，以檢查幾年來觀測值的變化。若運用最新數據作為輸入值，能夠獲得以后變化的預測值。典型的方法是回歸分析，即利用大量的歷史數據，以時刻為變量，建立線性或非線性回歸方程。預測時

22、，只要輸入任意的時刻值，通過回歸方程就可求出該時刻的預測值20。三、基于數據挖掘的服裝銷售預測模型服裝產品分為差不多款和時尚款。差不多款有相對穩定的需求和較長的生命周期，通常應用基于銷售歷史數據的常規方法就能夠進行有效的定量預測；對時尚產品，由于它們的銷售情況存在高度不確定性，再加上產品生命周期相對較短，零售商專門難準確地把握訂貨量和庫存量，這導致了其在銷售過程中常出現缺貨，而在季末又可能導致庫存積壓，因此，更需要利用數據挖掘技術進行服裝銷售預測，以便服裝生產商和銷售商能制定良好的生產、銷售方案。（一）數據挖掘中的預測模型預測方法要緊有定性推斷技術、統計時刻序列模型、因果模型26。定性推斷技術

23、依靠于經驗和直覺，要緊適用于歷史數據不可得或需長期預測的情況。推斷技術適用范圍專門廣，從單一治理者的觀點或高級主管評判委會的觀點到更復雜的歷史類推和Delphi法。統計時刻序列模型適用于短期預測。許多預測是建立在對專門多歷史時刻序列數據分析上的，并假設以后能夠由過去外推而得來。時刻序列也展示了短期季節阻礙（一年、一個月、一周甚至一日）和長期周期性阻礙或非線性趨勢。一系列在對時刻序列的統計學角度上的預測方法運用專門普遍，如移動平均模型、指數平滑和回歸分析。移動平均、指數平滑模型關于穩定時刻序列最有效。關于涉及趨勢和季節性因素的時刻序列，雙移動平均和指數平滑模型，季節性加法和季節性乘法，Holt-

24、Winter加法模型和Holt-Winter乘法模型比較適用。因果模型是從統計學上查找和識不因素解釋等待預測的變量所存在的模式，它假定數據遵從于過去某種不變的模式，在預測的信息和其他因素之間存在著穩定的關系。從簡單的回歸分析（它是預測所基于的全然技術），到計量經濟模型（它使用一系列方程組），這些都屬于因果模型。時刻序列模型只用時刻作為獨立變量，而因果模型通常還包括其他因素。近年來學業界提出專門多種新的服裝銷售模型，例如：基于馬爾可夫鏈的服裝銷售預測模型27、基于CURE算法和C4_5決策樹的服裝銷售預測模型9和基于時刻序列和PERT的服裝銷售預測方法28。（二）服裝公司銷售情況本文研究的品牌服

25、裝公司，其銷售要緊情況如下：2006年，公司銷售總額4035萬元，總銷售量86505件，總利潤1780萬元；2007年，公司銷售總額4680萬元，總銷售量95000件，總利潤2060萬元；2008年，公司銷售總額5500萬元，總銷售量106200件，總利潤2580萬元。A款2006年生產14000件，銷售10765件，第二天打折銷售2357件，最終庫存878件，利潤損失365352元；2007年生產13800件，銷售11840件，第二年打折銷售1595件，最終庫存365件，利潤損失271860元；2008年生產14500件，銷售12959件。可見，以A款服裝為例，該品牌服裝公司的年總利潤專門高

26、，然而因為銷售預測并沒有達到高準確度，因此生產量遠遠高于銷售量，以致于在第二年打折銷售后還有一定庫存積壓，導致成本增高，利潤降低。（三）基于數據挖掘的銷售預測模型的選擇本文依照該品牌服裝公司銷售情況，選擇因果模型中的回歸預測來對銷售數據進行分析。回歸預測是一種比較傳統的預測方法，是依照歷史記錄分析得出的總體趨勢，并將這種趨勢用某種數學方程式表示，利用那個方程式，就能夠輸入以后的一個或多個變量計算出預測結果，它是用于構建統計模型的一種工具，刻畫因變量和一個或一個以上自變量的相互關系，要求所有的變量是數值型的。在商業決策中有兩種廣泛應用的回歸模型：橫截面數據的回歸模型和時刻序列數據的回歸模型22。

27、橫截面數據是隨機抽取的平行關系或者并列關系的數據，如某個時刻抽取三十一個省的某項數據（每個省都要抽取）。時刻序列數據的回歸模型是指自變量是時刻或時刻的函數，要緊用于預測：時刻序列是一系列歷史數據，如月銷量。時刻序列模型假設現在阻礙銷售的一切因素都將一直持續下去，因此，預測只是將現有的數據推斷今后。基于一個自變量的回歸模型稱為簡單回歸。有兩個或兩個以上的自變量的回歸模型稱為多元回歸。服裝銷售是有季節性的，同時是在以年為基礎的情況下，因此本文借用回歸模型可用于季節性的時刻序列，用定序變量作為季節性部分，建立一個多元線性模型。基于時刻序列的多元線性回歸模型能依照銷售歷史數據，對以后的服裝銷售走勢作有

28、效的客觀分析，幸免銷售預測中對歷史數據的主觀推斷。（四）基于數據挖掘的銷售預測模型的應用近2年各月份的銷售數據近2年各月份的銷售數據建立回歸模型建立回歸分析矩陣用回歸分析工具進行分析建立回歸方程計算預測銷售量圖3.1 預測模型1模型具體操作（1）收集近兩年（2）的銷售數據對抽出的銷售數據進行整合，得到需要的兩年（2）內每個月的銷售量。（2）建立回歸模型用定序變量作為季節性部分，關于月份性的數據而言，有12個季節性組成部分，則定義12個定序變量，其他月份的變量令其觀測值為0，與實際相符的那個月的值令其為1。然而假如將12個月的季節性變化量都納入回歸模型中，將會遇到一個變量獨立性的問題，因為時刻序

29、列能夠被解釋稱是其余獨立變量的加權和，這就違反了回歸模型的一個重要理論假設每個自變量的殘差應該是相互獨立的。因為隨著時刻的增大或呈現出循環的模式表示連續的觀看是相關的，也確實是自相關，而它是背離那個假設的26。因此只用前11個定序變量。模型為：（3.1）（3）建立回歸分析矩陣依照回歸模型建立回歸分析矩陣：其他月份的變量令其觀測值為0，與實際相符的那個月的值令其為1。（4）對回歸分析矩陣進行分析，判定擬合效果利用多元線性回歸工具對回歸分析矩陣進行分析，得到回歸統計表、方差分析表以及回歸參數表。依照回歸統計表中的判定系數R2（coefficient of determination）來推斷擬合的效

30、果，R2的值在01之間，1.0意味著完美的擬合，而0意味著沒有關系的存在26。（5）建立回歸方程依照回歸矩陣分析結果中的回歸參數表，給予，的值，得出回歸方程。（6）計算預測銷售量依照回歸模型計算出下一個周期（既年度中每個月份）的預測銷售量。關于第一年的12月的預測為，其他的11個月的每月變量系數顯示出的是關于12月份的數值。例如，1月份預測（時刻序列為1）是；下一個1月份（時刻序列是13）的預測是。2具體實際應用本文以公司的要緊產品毛呢大衣為研究對象。公司的毛呢大衣分為經典款式和時尚款式。時尚款式于每年的九月份上市，直至次年的一月份。假如有庫存，會在二月份開始打折銷售。經典款式全年都在銷售，只

31、是從每年的九月份和時尚款式一起正式上市，而次年的一月份到八月份差不多上以一定的折扣出售。本文選擇經典款式作為分析對象。該公司的經典款式不是一成不變的款，公司會在不固定的時刻內對原款注入新的流行元素，包括顏色、細節等內容的調整，不改變整體的效果，成本浮動專門小。本文選擇的經典款式A款作為研究對象，該款式選用優質羊駝面料，簡潔款式，亞克力裝飾腰帶，進口狐貍毛領，要緊成分百分之八十的羊毛和百分之二十的羊駝。A款女裝從2006年開始銷售。（1）從服裝銷售數據庫中抽取出A款從2006年到2007年的月份銷售數據。因為服裝銷售數據庫中的服裝銷售數據確實是以月和年為單位的數據表，因此不需整合，能夠直接使用。

32、如表3.1所示。表3.1 A款服裝2006年、2007年份月份銷售量（件）價格（元）成本（元）批發折扣率實際價格利潤2006186985016035%298138285685016035%298138353085016035%298138448685016035%298138559085016035%298138656785016035%298138760985016035%298138880585016035%2981389118989017540%35618110150889017540%35618111186689017540%3561811289089017540%3561812007

33、188789017535%312137286989017535%312137360189017535%312137451589017535%312137553289017535%312137659889017535%312137766389017535%312137889089017535%31213791201118018040%472292102098118018040%472292112230118018040%472292121034118018040%472292（2）建立回歸模型。模型為： （3.1）（3）依照回歸模型建立回歸分析矩陣，如表3.2所示。表3.2 回歸分析矩陣月份銷售

34、量TimeJanFebMarAprMayJunJulAugSepOctNovJan869110000000000Feb856201000000000Mar530300100000000Apr486400010000000May590500001000000Jun567600000100000Jul609700000010000Aug805800000001000Sep1189900000000100Oct15081000000000010Nov18661100000000001Dec8901200000000000Jan8871310000000000Feb8691401000000000Ma

35、r6011500100000000Apr5151600010000000May5321700001000000Jun5981800000100000Jul6631900000010000Aug8902000000001000Sep12012100000000100Oct20982200000000010Nov22302300000000001Dec10342400000000000（4）利用多元線性回歸工具對回歸分析矩陣進行分析，分析結果如表3.3表3.6所示。依照回歸矩陣分析結果中的回歸統計表（表3.3）所示，此模型的R2 = 0.968（四舍五入，保留三位小數），效果專門好。表3.3 回歸

36、矩陣分析結果回歸統計表回歸統計Multiple R0.983831704R Square0.967924821Adjusted R Square0.932933717標準誤差129.6439617觀測值24表3.4 回歸矩陣分析結果方差分析表dfSSMSFSignificance F回歸分析125579172.833464931.069427.662025751.82553E-06殘差11184883.12516807.55682總計235764055.958表3.5 回歸矩陣分析結果回歸參數表（1）Coefficients標準誤差t StatP-valueIntercept792.87512

37、1.27082186.5380525044.20338E-05Time9.3958333334.4105771462.1302956560.056550539Jan19.35416667138.42468310.1398173090.891331539Feb-5.541666667136.9411403-0.0404675080.968445568Mar-311.9375135.5849006-2.3006802280.041981655Apr-386.3333333134.3598192-2.8753635980.015095977May-335.2291667133.2695133-2.5

38、154227580.028708283Jun-323.125132.3173144-2.4420462390.03270385Jul-279.0208333131.5062226-2.1217310310.057397399Aug-76.91666667130.8388622-0.5878732460.568489673Sep261.1875130.31744142.0042405470.070291281Oct859.7916667129.9437176.6166467043.77766E-05Nov1095.395833129.71896558.4443768823.89271E-06表3

39、.6 回歸矩陣分析結果回歸參數表（2）觀測值預測 銷售量殘差1821.62547.3752806.12549.8753509.12520.8754444.12541.8755504.62585.3756526.12540.8757579.62529.3758791.12513.87591138.62550.375101746.625-238.625111991.625-125.62512905.625-15.62513934.375-47.37514918.875-49.87515621.875-20.87516556.875-41.87517617.375-85.37518638.875-4

40、0.87519692.375-29.37520903.875-13.875211251.375-50.375221859.375238.625232104.375125.625241018.37515.625（5）依照回歸分析矩陣分析結果中的回歸參數表，給予，的值，得出的回歸模型為：（四舍五入，保留三位小數）（6）依照回歸模型計算出2008年12個月份的銷售量預測值（四舍五入，取整數）。表3.7既2008年預測銷售量以及從服裝銷售數據庫里抽取出的實際銷售量的對比。圖3.2是預測銷售量與實際銷售量的對比曲線。表3.7 2008年預測銷售量與實際銷售量對比月份預測銷售量（件）Time實際銷售量（件

41、）Jan104625905Feb103026690Mar73327623Apr66828602May72829599Jun76030675Jul80331712Aug101532750Sep1362331360Oct1470341987Nov2215352165Dec1129361232圖3.2 預測銷售量與實際銷售量的對比依照預測結果做出2006年到2008年中的各個月份的預測銷售量和實際銷售量的對比表格以及曲線，如表3.8及圖3.3所示。表3.8 2006年到2008年各月預測銷售量與實際銷售量年份月份時刻預測銷售量銷售量2006118228692280685633509530444444

42、865550559066526567775806098879180599113911891010174715081111199218661212906890200711393488721491986931562260141655751551761753261863959871969266382090489092112511201102218592098112321042230122410181034200812510469052261030690327733623428668602529728599630760675731803712832101575093313621360103414701

43、987113522152165123611291232圖3.3 2006年到2008年各月預測銷售量于實際銷售量曲線圖依照表3.8及圖3.3可知：（1）依照模擬曲線能夠看出：預測銷售值與實際銷售值特不接近，講明了本文提出的模型對該品牌服裝公司的銷售進行的模擬預測專門有效，該模型在該品牌服裝公司的銷售預測中具有一定的可行性。（2）由模擬曲線和對比表能夠看出：在2006年2008年間，每年的9月、10月、11月、12月份的銷售量明顯高于其他月份，同時在每年的11月份達到一個高峰，則服裝銷售具有季節性的特點；隨著時刻的推移，A款服裝因為不斷注入新的元素，因此銷售量以年為周期呈上升趨勢，則服裝銷售也具

44、有趨勢性和周期性的特點；銷售預測還有不準確的地點，08年的1月9月份，實際銷售量略低于預測銷售量，而10月份及11月份的實際銷售量卻略高于預測銷售量，緣故在于回歸預測是基于時刻序列基礎上的，而時刻預測是純理性的數值預測，不能對市場環境等服裝銷售的阻礙因素的突變作出及時有效地反應，因此服裝銷售還具有隨機性的特點。四、改進建議依照2008年實際銷售量，能夠看出8月9月份的銷售增長率明顯高于其他相鄰月份的銷售增長率。如圖4.1所示。圖4.1 2008年相鄰月份實際銷售量增長率依照服裝銷售的特點以及價格優勢（8月份毛呢類服裝打折），假設提早A款服裝正式上市時刻，能夠增加利潤。依照圖4.2，如使銷售增長

45、率平滑增長，既8月9月份增長率處于7月8月份的增長率以及9月10月份的增長率之間，取中間值，8月9月份增長率為，則可依照9月份銷售量算出提早上市后的8月份銷售量為件，8月份新款未正式上市時平均每天的銷售量為件，新款上市后的銷售量能夠約等于9月份每天的平均銷售量件（假如新款在8月份上市價格比9月份低，然而依照表3.1，新款上市的價格定位會高于往常款式的價格定位，因此A款服裝8月份上市的價格會高于正常8月份A款服裝的價格；而銷售量是受價格阻礙的，則能夠認為8月份新款上市的平均每天銷售量約等于9月份平均每天的銷售量），由此可計算出提早上市時刻為天，而現在8月份利潤為元，比8月份的實際利潤高出元，即可

46、在09年把毛呢大衣的正式上市時刻提早16天，到8月中旬上市。結 論本文對某品牌服裝公司的銷售情況進行分析研究，該品牌服裝公司目前銷售部向公司高層反饋的銷售信息只是最原始的銷售數據，本文依照服裝銷售的特點，利用數據挖掘技術，建立因果模型，對銷售數據進行回歸分析，形成銷售預測。分析結果顯示出：本文提出的回歸模型對該品牌服裝公司的銷售進行了有效的模擬，則該模型在該公司的服裝銷售預測上有一定的可行性。依照2006年2008年各月的實際銷售量和預測銷售量的對比表和模擬曲線，顯示出服裝銷售有季節性、周期性、趨勢性和隨機性的特點。依照2007年2008年的銷售數據，能夠預測出2009年中各月份A款服裝的銷售

47、量，如表5.1及圖5.1，則能夠分析出A款服裝2009年的銷售情況：從1月份開始，銷售量不斷下降，同時在4月份達到一個低峰；在9月、10月、11月、12月份的銷售量會明顯高于其它月份，同時在11月份會達到一個高峰；3月7月份銷售量波動較小，然而8月份銷售量會明顯增高，則本文依照對2008年實際銷售記錄的分析，建議該品牌服裝公司在2009年提早毛呢大衣正式上市的時刻到8月中旬。依照圖5.1與圖3.3對比，能夠發覺，2009年預測銷售量略為低于08年的預測銷售量以及實際銷售量，則阻礙服裝銷售的因素還包括專門多不可控因素，例如金融危機等。表5.1 2009年預測銷售量月份預測銷售量Jan873Feb

48、757Mar589Apr536May543Jun614Jul665Aug797Sep1258Oct2020Nov2175Dec1110圖5.1 2009年預測銷售量曲線圖附錄A A款服裝2006年2008年銷售記錄表年份月份銷售量價格成本批發折扣率實際價格利潤總利潤2006186985016035%298138119922285685016035%298138118128353085016035%29813873140448685016035%29813867068559085016035%29813881420656785016035%29813878246760985016035%2981

49、3884042880585016035%2981381110909118989017540%35618121520910150889017540%35618127294811186689017540%3561813377461289089017540%3561811610902007188789017535%312137121519286989017535%312137119053360189017535%31213782337451589017535%31213770555553289017535%31213772884659889017535%31213781926766389017535

50、%31213790831889089017535%31213712193091201118018040%472292350692102098118018040%472292612616112230118018040%472292651160121034118018040%472292301928續表年份月份銷售量價格成本批發折扣率實際價格利潤總利潤20081905118018035%4132332108652690118018035%4132331607703623118018035%4132331451594602118018035%4132331402665599118018035%413

51、2331395676675118018035%4132331572757712118018035%4132331658968750118018035%41323317475091360138019540%552357485520101987138019540%552357709359112165138019540%552357772905121232138019540%552357439824附錄B 預測2009年銷售量回歸分析結果回歸統計Multiple R0.99460086R Square0.989230872Adjusted R Square0.977482732標準誤差82.8765

52、9684觀測值24dfSSMSFSignificance F回歸分析126940226578352.166784.203190664.94594E-09殘差1175553.833336868.530303總計237015779.833 Coefficients標準誤差t StatP-valueLower 95%Upper 95%Intercept1155.7577.5239576914.90829461.21563E-08985.12091971326.37908Time-1.263888892.819519081-0.4482639960.662663623-7.4696085424.941

53、830764Jan-250.90277888.48978773-2.8353868190.01621514-445.6674873-56.13806828Feb-366.13888987.54141356-4.1824648930.001530174-558.8162409-173.4615369Mar-532.37586.67441963-6.1422389937.28704E-05-723.1441113-341.6058887Apr-584.61111185.89127037-6.8064089472.92872E-05-773.6565225-395.5656998May-576.34

54、722285.19427802-6.7650930983.0944E-05-763.8585638-388.8358807Jun-504.08333384.58557244-5.9594481519.46247E-05-690.2549229-317.9117437Jul-451.81944484.06707143-5.3745115270.00022523-636.849821-266.7890679Aug-318.05555683.64045259-3.8026522540.002929795-502.1469504-133.9641607Sep143.708333383.30712751

55、1.7250424740.112465793-39.64941793327.0660846Oct906.972222283.0682192810.918402133.05213E-0772480414Nov1063.23611182.9245439612.821729985.87193E-08880.72042061245.751802觀測值預測 銷售量殘差1903.58333331.4166666672787.0833333-97.083333333619.58333333.4166666674566.083333335.916666675573.083333325.916666676644.083333330.916666677695.083333316.916666678827.5833333-77.5833333391288.08333371.91666667102050.083333-63.08333333112205.083333-40.08333333121140.58333391.4166666713888.4166667-1.41666666714771.916666797.0833333315604.4166667-3.41666666716550.916