物流體系中的銷售預測

淺析物流體系中的銷售預測

【內容摘要】銷售預測直接影響庫存的管理和客戶的服務水平，在物流體系中具有至

關重要的作用。通過了解伊萊克斯物流體系中銷售預測的方法和過程，在此基礎上本文提出

了一種可供參考的定性預測方法，并用兩種定量預測方法分別對伊萊克斯提供的銷售量加以

預測，從而得出較優的預測方法。

【關鍵詞】物流體系銷售預測定性方法定量方法

企業物流活動從最初的運輸和庫存等零星的形式存在到供應鏈的提出，物流作為企業一

體化管理中較新的一個領域，越來越受到企業的重視。這是由于一個好的物流體系，可以降

低企業的成本，減少資金的占用和提高客戶的服務水平。規劃物流體系需要準確估計供應鏈

所處理的產品和服務的數量。物流體系中的銷售預測作為企業物流活動所需信息的源泉，對

企業物流活動的協調運作起著重要的作用。

-物流體系中銷售預測的介紹

銷售預測主要預測產品種類（SKU）在各個市場某一時期的需求水平。其目的是為了有

效地安排物流活動。

1.銷售預測的作用：在供應鏈條上的各個利潤主體分別從自身角度進行銷售預測，當

銷售預測從零售商開始信息逐層向上傳遞并匯總到制造商指導其生產時市場需求總量被放大

了，這種隨著往供應鏈上游需求變動程度增大的現象稱為“牛鞭效應”。由于供應鏈存在著

“々鞭效應”，因而不準確的銷售預測，將導致庫存積壓和脫銷的現象。可見準確的銷售預測

在物流體系中具有至關重要的作用。表現為：

④日提高客戶滿意度。物流的目標之一就是滿足客戶的需要。通過銷售預測，了解

客戶的需要，按客戶的需要提供及時有效的服務。

④日減少失銷現象。失銷成本雖然無法準確計算，但不容忽視。其表現為客戶的丟

失和客戶服務水平的下降。

④日更為有效地安排生產。生產部門的生產計劃往往依據銷售預測。預測的水平將

直接影響生產的有序安排。

頡n減少庫存。由于預測的不準確，往往會產生庫存的積壓，占用資金和產生較高

的儲存費用。

④日減少安全庫存量。企業一般傾向于通過增加安全庫存來對付需求的不確定性。

如果預測準確度提高的話，就可以相應地減少安全庫存量，提高庫存管理水平。

2.銷售預測中應考慮的因素

一般銷售預測考慮六種因素：基本需求、季節因素、需求趨勢、周期性因素、市場活動

和不規律需求。

基本需求是指不考慮另外五種因素所得的需求預測。

季節因素指有些商品的需求具有季節波動性。比如空調，往往在夏季比較暢銷。因而進

彳亍預測時在基本需求的基礎上進行一定幅度的增減。

需求趨勢往往要考慮產品的生命周期。比如產品處于成長期，那么其需求將增長快速。

處于成熟期，其需求的增長比較緩慢且穩定。

周期性因素指產品需求有時會呈周期性增長。有時會一季度一周期，有時會一年一周期

或更長，因而在預測需求時可以根據產品需求呈現的周期性特點，進行相應的調整。

市場活動如促銷、廣告等對銷量的影響很大。因而在做銷售預測時要考慮預測期間的市

場活動狀況，對預測的銷量按促銷等力度加以調整。

不規律需求指需求的隨機波動性，一般由特殊情況和異常點造成的。這種因素很難預

測，因而有時可以多保有一些庫存以抵消預測的不精確。這樣做可能比改進預測所付出的努

力更為經濟。

當然，并不是所有的預測都必須全面考慮這六種因素，而是按預測產品需求的特征加以

考慮。值得一提的是預測時各種因素不要相互混淆。比如不要將季節因素看作周期性因素，

這樣會影響預測的準確性。另外，除了以上提到的六種因素外，還可以考慮其他的因素比如

經濟情況、產品線的變化、價格的變化等。

3.3.銷售預測的過程

最終預測

|預測數|的數據

|摘修正|

預測方

預測所需數據：

訂單、歷史數據、策

如圖所示,進行銷售預測首先需要獲得相關的數據和資料，比如訂單、歷史數據和公司

制定的會引起銷售發生變動的策略。其次，根據對產品和數據的分析，選出合適的預測方

法。再次，通過一些外在的因素比如價格的變化、市場的環境、競爭者的情況等對數據作相

應的修正。最后，確定最終的預測數據以供生產部門安排生產計劃、物流部門安排物流活

動、銷售部門安排銷售活動、財務部門安排資金的使用。

4.銷售預測的方法

預測可使用的標準方法很多。這些方法可以分為三類：定性法、歷史映射法和因果法。

定性法(QualitativeMethod)是那些利用判斷、直覺、調查或匕檄分析對未夾做出定性

估計的方法。影響預測的相關信息通常是非量化、模糊的、主觀的。這些方法很難標準化，

準確性也有待證實。一般可使用于新產品的需求預測、新技術的影響等。中、長期的預測更

多地使用此方法。

歷史映射法(HistoricalProjectionMethod)。如果擁有相當數量的歷史數據,時間序列

的趨勢和季節性變化穩定、明確，那么將這些數據映射到未來將是有效的短期預測方法。時

間序列定量分析方法的特點成為主要的預測工具。一般適用于短期的預測，主要是因為短期

內時間序列的內在穩定性。

因果法(CasualMethod)主要指預測變量的水平取決于其他相關變量的水平。只要能夠

準確地描述因果關系，因果模型在預測時間序列主要變化、進行中長期預測時就會非常準

確。因果模型具有各種形式：統計形式，如回歸和計量經濟模型；描述形式，如投入-產出

模型，生命周期模型和計算機模擬模型。但這類預測模型的主要問題在于真正有因果關系的

變量常常很難找到。

這三類方法各善優缺點。對企業而言，針對自身產品的需求特點尋找合適的預測方法至

關重要。為此我們走訪了伊萊克斯營銷部門,了解了其物流體系中的銷售預測過程。并在他

們現有的預測方法基礎上加以調整，以提高預測水平。

二、伊萊克斯營銷公司及其物流體系中銷售預測的介紹

1919年,Elektromckaniska有限公司與Lux有限公司合并后，成立伊萊克斯(Electrolux)

公司，公司總部設在瑞典的斯德哥爾摩。伊萊克斯1987年進入中國，現已經在中國成立了

五家合資公司。公司在中國的產品主要是空調、電冰箱、洗衣機、吸塵器。伊萊克斯營銷公

司1997年成立，先后在中國建立了多個銷售分公司合遍布全國的40()多個售后服務網絡。

根據國家內貿部統計，1998年伊萊克斯冰箱的零售市場份額已躍居全國第五位；1999年部

分大中城市銷量躍升至第二位。

伊萊克斯營銷公司專門設有物流部門，其主要是對公司的物流活動作統一的協調和規

劃。伊萊克斯的銷售預測主要是對產品品種(SKU)在各市場某一時期內的需求預測。一般預

測以未來3個月為主，同時也預測未來一年的需求量。采用的是至下而上的預測方式，即每

月I日由銷售員預測的未來三個月的銷售量匯總到各分公司經理處，再由各分公司經理將獲

得的數據匯總到總公司經理，然后由總公司經理交給物流部。物流部據此對所獲的數據進行

修正,于當月15日將最終的預測銷售量提供給生產部門安排生產。

銷售員的預測依據主要有銷售目標、客戶反饋、市場活動等。銷售員雖然對市場比較熟

悉，但其預測具有很大的主觀性，因而，物流部獲得由銷售員匯總的預測數據后，要根據一

些因素加以修正。其考慮的因素有：

1.I.根據往年銷售量的分布圖來做相應的調整。比如往年11月份的銷量在一年中最低，

在今年預測11月份的時候，按往年11月份銷量在當年中的比例來進行調整。

2.2.考慮是否有新產品出現。新產品對原有產品的銷售量會產生一定的影響，特別是新產

品對同一系列的老產品銷量的沖擊更大。因而，在預測老產品的銷量時，要根據新產品

對其關聯度加以調整。

3.3.工廠的生產能力。如果預測的銷售量大于工廠的生產能力，以工廠生產能力的大小為

準。

4.4.考慮季節性因素。如果處于旺季的話，預測的銷售量高些,反之，預測的銷售量就相

應地低些。

5.5.市場反饋。如果前段時間某一產品比較暢銷，就增加其預測量，反之，就減少其預測

量。

6.6：促銷活動。如果有促哨活動，預測的銷售量可以相應上調。

7.7.成品存貨。根據存貨周轉率的大小來調整預測的銷售量，以保證較低的存貨費用。

三、預測方胡析

(一)定性分析法

通過以上分析可知，伊萊克斯的銷售預測法基本以定性分析為主。這里，我們將分析定

性分析預測方法的合理性。首先，銷售預測過程中很多指標難以量化，這在競爭激烈、同質

產品頗多的電器行業表現尤其突出。例如，不同的促銷活動對產品銷量影響的程度各異，銷

售增量滯后的期數不一，等等，這些指標要在相同環境下進行大量、反復的操作才能得到。

然而，相同的環境是不存在的。所以，憑借銷售員的定性經驗進行預測在某些情況下是合理

的。其次，有些產品的需求時間和需求水平非常不確定，在這種情況下，需求模式中的隨機

波動非常大，以至趨勢和季節性特征十分模糊。如果歷史數據2到3倍的標準差超過了能夠

擬合時間序列的最好模型所計算出的預測值，就會出現不規律的情況，很難用數學方法準確

預測需求量，伊萊克斯公司多種產品的銷售量表現為這種情況。再次，在技術飛速發展的今

天，新型產品層出不窮，人們的偏好日新月異，這都加快了產品的更新換代速度，產品的生

命周期逐漸縮短，給計量分析帶來了諸多的困難與不便。例如，隨機時間序列模型的樣本數

至少為50個，如果1個季度提供一個銷售數據，產品的生命周期不得少于13年，再考慮萌

芽期和衰老期的非正常值，則要求產品的生命周期為15年以上，這樣的家電產品越來越少

見。因此，許多預測隨機性的統計方法失去了用武之地。最后，對于時間序列波動幅度大的

產品，利用定性方法，可以做出靈活快速反映，及時調整預測值。

基于以上分析,下面介紹了一種定性預測方法，PERT(ProgramEvaluationandReview

Technique)預測法。假定銷售量遵從正態分布，其均值為a,方差為。2,那么,可將銷售

量分為三段：第一段為銷售量不高于a-。，稱為最低銷售量段；第二段為銷售量不低于a

+。，稱為最高銷售量段；第三段為銷售量在(a?。，a+。)之間，為最可能銷售量段。

那么，由概率論知識可知，銷售量屬于第一段和第二段的可能性均是15.9%,屬于第三段的

可能性為68.2%。由離散性隨機變量的數學期望計算公式，得：

平均銷售量=最低銷售量XI5.9%+最可能銷售量X68.2%+最高銷售量XI5.9%

~1/6X最低銷售量+4/6X可能銷售量+1/6X最高銷售量

由于銷售人員和市場部門的經理最了解市場的動向，故作銷售預測時，要充分聽取他們

的意見，然后加以綜合作出預測。假如某百貨公司某種商品有銷售人員3人和正、副經理2

人，他們對明年（或下季度）商品的銷售量分別作了如下估計：

銷售員甲的估計是：

最高銷售量是8（）（）（件）

最低銷售量是400（件）

最可能的銷售量是600（件）

銷售員乙的估計是：

最高銷售量是900（件）

最低銷售量是500（件）

最可能的銷售量是700（件）

銷售員丙的估計是：

最高銷售量是1000（件）

最｛氐銷售量是480（件）

最可能的銷售量是800（件）

那么，對3個銷售員的各種估計數，可分別按下述公式求出平均值和方差。

平均銷售量=（最高銷售量是+4最可能銷售量+最低銷售量）/6

銷售量的方差為：

。2二（最高銷售量-最低銷售量）2/36

因此，

甲的平均銷售量=（800+4X600+400）/6=600（件）

甲預測的銷售量的方差為：

02甲二（8（X）/6-400/6）2=4444.44

古嫄微D：。甲=66.7

同理可算出乙的平均銷售量為700件.其均方差為o乙=66.7；丙的平均銷售量為780件,

其均方差為。丙二86.7。又假定各銷售人員和經理所作預測值，均服從正態分布，那么可由

正態分布得到各預測值在某一范圍的可能性。例如，銷售員甲的預測值在（600-2。甲，600

+2o甲）的可能性是95.4%,在（600-。甲,600+o甲）的可能性是68.3%，在（600?3。

甲，6（X）+3e甲）的可能性是99.7%。現假定三個銷售員的預測水平一樣，也即其比重相同，

則銷售員方面對銷售量作出的預測是：

（600+700+780）/3=693（件）

其預測值的方差為：

售=（。2甲+。2乙+。2丙）/9

二[（66.7）2+（66.7）2+（86.7）2]/9

=1823.85

故均方差為：

=42.7

那么銷售員方面所作的預測值在693-2X42.7至693+2X42.7之間的可能性為

95.4%。如果銷售員的預測水平不同，他們各占的比重分別為Wi、W2、W3廁銷售員的

銷售量預測公式為：

銷售員對銷售量的預測值二（W1X甲平均銷售量+W2X乙平均銷售量+

W3X丙平均銷售量）/（W1+W2+W3）

例如，W1=2,W2=3,W3=L則

銷售員對銷售量的預測值二（2X600+3X700+780）/（24-3+1）

二680（件）

預測的方差為：

o2售=（4o2甲+9o2乙+°2丙）/36

=[4X(66.7)2+9X(66.7)2+(86.7)2]/36

=1815.35

運用上述方法，同樣可分別計算出正、副經理的平均銷售量預測值，假定

正經理的平均銷售量是800件，預測值的方差為正=3600

副經理的平均銷售量是750件，預測值的方差為。2副二4225

又假定正、副經理的預測水立相當,故得到經理方面的預測值為：

(800+750)/2=775(件)

預測值的方差為：

經=[(60)2+(65)2]/4=1956.25

最后，綜合售貨員與經理兩方的預測值作為正式的預測值。在綜合過程中，要考慮兩者

的預測水平的不同，即考慮加權平均中各自權的大小，若經理預測水平高，則加的權就大，

例如經理的權為2,銷售員的權為1,則正式的預測值為：

(693+2X775)/3=747.7(件)

預測值的方差為：

o2=(o2售+4。2經)/9=636.4

從而有o=25.23,故綜合預測值在區間(747.7-2X25.23,747.7+25.23)內的可能性為

68.3%,在區間(747.7-2X25.23J47.7+2X25.23))能的可能性為95.4%。

以上預測是綜合了領導與群眾的預測水平的方法，故又稱為綜合判斷法。

定性預測方法盡管存在合理性但主觀性比較強。從伊萊克斯提供的數據分析，發現預測

的準確度很不穩定，精確時誤差在10%左右，但有時誤差會達到100%或更高。這直接影響

存貨的管理水平。預測量遠高于實際需求量時，造成存貨的積壓。預測量遠低于實際需求量

時，就會導致失銷，從而相應地失去客戶。可以看出，由于銷售預測的不準確，給伊萊克斯

物流運作帶來很大的不便。為了彌補定性方法的不足，下面采用定量方法進行銷售預測。

(二)定量分析法。

如何運用定量分析法進行經濟預測呢？一般來說，一項經濟預測主要包括以下幾步:

確定預測目

本課題小組收集了伊萊克斯公司型號為BCD—234的電冰箱1999年1月一2()01年12月

的銷售數據和伊萊克斯工作人員提供的預測數據，以期預測2002年1月該型號冰箱的銷售

額。該項經濟預測的前兩步我們已經完成，現在，我們要選擇合理的預測方法。定量分析法

主要包括因果回歸分析法和歷史映射法。我們該選擇哪種預測模型呢？經過分析比較，我們

決定選用歷史映射模型。這是因為：因果回歸分析法是從研究客觀事物的因果關系入手，建

立單一回歸模型進行預測，但影響預測對象的因素錯綜復雜且有關影響因素數據資料無法獲

取，因果回歸分析法運用地難度較大，而我們所獲得的數據中也只是冰箱各月的銷售額，因

此，我們選用了歷史映射模型。歷史映射法，是依據預測對象的過去統計數據，以時間［綜

合替代各種影響因素，找到預測變量隨時間變化的規律，建立歷史映射模型，推斷未來的數

值。它的基本設想是：未來是過去的延伸。

?移動平均方法

在經點統計資料￥,我們會遇到很多按時間變化的經濟指標值，它們雖或多或少的受到

不規則變動的影響，但總體趨勢仍然較為明顯，可能是上升，也可能是下降，對這種序

列，如果用全部歷史數據的平均值進行預測，勢必造成較大的系統誤差，例如：已知數

列X1的觀察值依序為自然數列1,2,……8,9,……欲以歷史數據的均值來預測序列的第10個

觀察值X10時，則預測值是平均數5,與Xg=10相差很大，顯然這不是最佳預測。若不

用全部歷史數據，而用離預測期最近的N個觀察值的均值做預測值，預測精度就會提

高。如，當N=3時，X|。的預測值為：

X9+1=(X9+X8+X7)/3=(9+8+7)/3=8

一般來說,已知序列值為X-X2..........K,欲預測Xt+I的值，則其預測值為：

Xt+,=(Xt+Xt.1+Xt.n+1)/N

這種均值隨t的變化而變化，稱它為移動平均值，N稱為移動平均的時段長。移動平均

的目的主要是平滑數據，消除一些干擾，使趨勢變化顯示出來，從而用于趨勢預測，從上面

的例子中可以看到，運用移動平均法進行預測時，預測值會出現明顯的滯后于觀察值的現

象。為了盡可能的消除這一滯后性，可以對其進行改進，即對已取得的移動平均值,再進行

一次移動平均，運用二次移動平均法，我們對序列的預測方程可得，為：

Yl+T=at+btT

Yt+T是在t期對t+T期的銷售量所做的預測,bl是在歸刻t的增長趨勢值.

E,為均依賴于以前的Y(觀察值。

經過對滯后偏差值的推導過程，我們得到：

bt=2(Xl+1-Xt+i)/(N+l)

a［二2又［+|-X什［-瓦

其中，Xt+i表示第1+1期的一次移動平均值，X㈤表示第1+1期的二次移動平均值。

下面，我們就以伊萊克斯BCD-234冰箱三年的銷售數據為例,利用移動平均法進行模型擬

合預測。如表3.1所示：

伊萊克斯預測

預測值值

Yt(實際二階移動

值)一階移動平均值平均值Yi

btat(YI2

199913467

199923578

1999355043522.5

1999437934541411.174854.08

1999561674648.54031.75256.835108.425265.25

19996458149804594.75373.175560.585365.25

19997588253744814.2536.335249.675933.75

1999844535231.55177-90.175122.425286

1999946705167.55302.75-425.334348.835032.25

19991043384561.55199.5-240.334383.833923.5

199911136645044864.5-1120.502291.754143.5

199912238428524532.75-1202.001274XXJ1171.25

200012367187536788.(X)2379.5072

2000229602375.52363.5358.832842.922387.5

2000323412663.52125.2587.332694.173201.75

2000423632650.52519.5-203.332250.332781.5

20005391623522657425.503352.252047

2000634203139.52501.25614.833975.423777.75

20007271536682745.75-224.172955.424590.25

2000821373067.53403.75-627.832112.082731.25

20009183924263367.75-505.831735.081484.25

20CO10170819882746.75-289.001629.0C1229.25

20(X)1116521773.52207-133.831613.081340

20(X)12181716801880.755.171737.081479.25

2001130571734.51726.75486.502680.251742.254735

20012247824371707.25454.502994.753166.752576

2001319762767.52085.75-250.172101.923449.252479

20014322522272602.2568.832634.921851.752665

2001523382600.52497.25245.172904.082703.753771

2001632332781.52413.7563,(K)2817.003149.253803

2001730572785.52691241.003265.5C28804735

20018271331452783.5-53.502858.253506.55115

20019275628852965.25-187.002641.002804.753445

20011024132734.53015-150.172509.4224542786

20011111712584.52809.75-578.331502.832359.253041

200112204417922659.5-387.171413.92924.51455

200211607.52188.250.001026.75

200221908.75

我們將Y(,YlhYt2表現在折線圖上,如圖(3.1)：

7000

6000

5000

4000

3000

2000

1000

0

?預測值■實際值公司預測值，「

其中，預測

值為儲，實際值為K,伊萊克斯公司預測值為儲。

可以看出，我們的擬合還是比較好的.而且明顯優于他們定性預測的表現，那么，是否果真如

此呢?我們可以通過對比Y山及Y丘的誤差指標來進行判斷：.

誤差的標準^(SDE尸位(丫一方人收一「)

經過計算,我們得到：

SDE(?tI)=990.1549

SDE(?t2)=1307.782

分析：因為的腦標準差小于3的表現，因此可以得出結論，我們的預測是更優的。

觀察上面的折線圖，可以發現我們的預測存在一定的滯后性，這是移動平均方法本身的內

在特點所決定的，它運用歷史數據的移動平均來預測未來數據，本身就包含著這一滯后性，即便

如此，它仍不失為一種較好的預測方法，這從我們的折線圖和方差分析中都可以得到一定的印

證。

最后，既然我們認為這一模型對我們的數據擬合的比較好，我們可以利用該種方法對

BCD-234冰箱在2002年的銷量做出預測,它們是：

年

22月

00：1026.75

月

22知

00：1908.75

月

2()()2會

：1758.583

2、季力性交乘趨向模型

1)季節性交乘趨向預測模型為：

\=(a+bt).￡

(a+bt):時間序列現行趨勢變動部分

￡：時間序列各月(或季)的季節指數

模型的適用范圍：適用于既有季節變動又有線性噌長趨勢，且季節波動幅度隨趨勢增

加而加大的時間序列的短期預測。“季節變動”的特點是有規律性，每年重復出現，其表現

為逐年同月(或季)有相同的變化方向和大致相同的變化幅度。對伊萊克斯公司整體銷售

量的預測

2)2)應用模型對伊萊克斯公司電冰箱產品總銷售量的預測

〈1〉從1999年1月至2(X)1年12月份的電冰箱在全國的總銷售量見表3.2

表3.2伊萊克斯公司電冰箱各月份的總銷售量單位：臺

髓、月

年\1月2月3月4月5月6月7月8月9月10月11月12月

1999年

143391372924270188373066131229404124014034850307321323840018

2000年

230523156228975285765569053739629784989638393400181918738275

2001年

789634471638045403026958168548789635151647133364033063053048

本課題小組從伊萊克斯銷售部門了解到，電冰箱的銷售帶有很強的季節性。雖然從公司

拿到的數據不是非常充分，但仍然能夠從數據表格中看到5、6、7、8月份是電冰箱的銷售

旺季。其趨勢圖見圖3.2,也驗證了這一結論。

從表3.1數據繪制成的曲線圖3.1分析中，可以看到銷售量有明顯的趨勢，同時存在季

節性波動，而且季節波動幅度隨趨勢而加大，所以可用此模型預測。

圖3.2伊萊克斯公司電冰箱銷售量曲線圖

<2)建立趨勢方程

建立季節性交乘曲線模型，首先要分離出數據的趨勢變動部分。可以通過SPSS統計軟

件得到不同的趨勢線方程，依據誤差最小化原則，并考慮到趨勢線與實際經濟含義的吻合度

從中擇優。下面是經整理后得到的，各種待選擇模型預測結果的統計誤差分析情況：

線性模型復合曲線模型生長曲線模型幕函數模型

可決系數0.350690.381010.381010.45667

經調整的可決系數0.331600.362810.362810.44069

F檢驗的P值O.(X)()10.00010.0001O.CO(X)

估計的標準誤差140620.36910.369090.3458

其中線性模型為：1"4)

Y=2

復合模型為：h)+b.t+b2t

生長模型為：Y.e<bo+b,，)

幕函數模型為：Y=b°(,b，)

依據各函數的特性，考慮到目前電冰箱在中國市場中已經處于產品生命周期的成熟期，

同時依據統計預測的誤差最小化原則，本小組選用導函數模型作為季節性交乘趨向模型中的

趨勢方程。

所得的趨勢方程為：Y=13911.02*lnw，

〈3〉計算季節指數

季節指數是指用于具有典型季節性變動的現象年復一年的在每月（季）的變動方向和幅

度的百分數，即公式Y=TC*SI中的SI,TC是指依據趨勢線計算出的趨勢值。

計算季節指數的一般步驟如下：

a）a）用實際值除以趨勢值

b）b）用平均法從SI中消除偶然性因素的影響，得到&

c）c）計算修正系數

d）d）用修正系數乘&得到季節指數

具體計算過程如下：

a）a）用實際值除以趨勢值的過程見表3.2

表3.2季節指數計算表

趨勢方程的得到的

銷售額TC比率（SI值）

Jan-991433913911.0191.030766

Feb-991372917867.2570.768389

Mar-992427020684.3891.173349

Apr-991883722948.6340.820833

May-993066124874.2551.23264

Jun-993122926566.9461.175483

Jul-994041228087.6531.438782

Aug-994014029475.1331.361826

Sep-993485030755.7591.133121

Oct-993073231948.3930.961926

Nov-991323833067.0540.400338

Dec-9940017.8834122.4791.172772

Jan-002305235123.0990.65632

Feb-003156236075.670.874883

Mar-002897536985.6980.783411

Apr-002857637857.7430.754826

May-005569038695.6221.439181

Jun-005373939502.5731.360392

Jul-006297840281.3651.563452

Aug-004989641034.3881.215956

Sep-003839341763.7230.919291

Oct-OO40017.8842471.1920.942236

Nov-001918743158.4010.444572

Dec-003827543826.7760.873325

Jan-017896344477.5861.775344

Feb-014471645111.9680.991223

Mar-013804545730.9460.831931

Apr-014030246335.4450.869788

May-016958146926.3031.482772

Jun-016854847504.2831.442986

Jul-017896348070.081.642664

Aug-015151648624.3331.05947

Sep-014713349167.6280.958619

Oct-Ol3640349700.5020.732447

Nov-013063050223.4550.609874

Dec-015304850736.9471.04555

b)b)將上表得到的SI重新排列，計算出年,計算過程見表3.3

平均數調整后的平均

1999年2000年2001年由數

1月1.03080.65631.77531.15411.095107

2月0.76840.87490.99120.87820.833245

3月1.17330.78340.83190.92960.882015

4月0.82080.75480.86980.81510.773453

5月1.23261.43921.48281.38491.314026

6月1.17551.36041.4431.32631.258445

7月1.43881.56351.64271.54831.469101

8月1.36181.21601.05951.21241.1504

9月1.13310.91930.95861.00370.952337

10月0.96190.94220.73240.87890.833914

11月0.40030.44460.60990.48490.460123

12月1.17280.87331.04551.03050.977834

合計12.6469

修正系數0.9488

c)c)修正系數見上表中，修正系數二12/12.6469

d)d)調整后的修正系數二&*修正系數，即上表中最后一列。

〈4〉運用模型進行的擬合情況分析

趨勢值絕對百分比誤

時間銷售額季節因子預測值差

Jan-991433913911.0191.095106715234.050.062421

Feb-991372917867.2570.833245214887.810.084406

Mar-992427020684.3890.882014818243.940.248293

Apr-991883722948.6340.773452617749.680.057723

May-993066124874.2551.31402632685.420.066026

Jun-993122926566.9461.258445233433.050.070577

Jul-994041228087.6531.469101241263.610.021073

Aug-994014029475.1331.150399833908.190.155252

Sep-993485030755.7590.95233729289.850.159545

Oct-993073231948.3930.833914126642.220.133079

Nov-991323833067.0540.460123115214.920.149336

Dec-994001834122.4790.977834333366.130.166219

Jan-002305235123.0991.095106738463.540.668556

Feb-003156236075.670.833245230059.880.047593

Mar-002897536985.6980.882014832621.930.125865

Apr-002857637857.7430.773452629281.170.024677

May-005569038695.6221.31402650847.050.086963

Jun-005373939502.5731.258445249711.820.07494

Jul-006297840281.3651.469101259177.40.060348

Aug-004989641034.3881.150399847205.950.053913

Scp-003839341763.7230.95233739773.140.035948

Oct-OO4001842471.1920.833914135417.330.114962

Nov-001918743158.4010.460123119858.180.034981

Dec-003827543826.7760.977834342855.330.119669

Jan-017896344477.5861.095106748707.70.383158

Feb-014471645111.9680.833245237589.330.159376

Mar-013804545730.9460.882014840335.370.060202

Apr-014030246335.4450.773452635838.270.110757

May-016958146926.3031.31402661662.380.113804

Jun-016854847504.2831.258445259781.540.127888

Jul-017896348070.081.469101270619.810.105659

Aug-015151648624.3331.150399855937.420.085826

Sep-014713349167.6280.95233746824.150.006553

Oct-Ol3640349700.5020.833914141445.950.138531

Nov-013063050223.4550.460123123108.970.245544

Dec-015304850736.9470.977834349612.330.064765

平均絕對百分

比誤差

MAPE0.122901

從統計誤差指標平均絕對誤差MAPE=1/N（實".蒯?）/實BI

來看，

MAPE（10%,為高度擬合

10-20%,良好擬合

20-50%t可行擬合

〉50%,不可行擬合

本模型的MAPE=12.29%,所以從該指標來看擬合情況良好。

〈5〉2002年的預測結果為

1月2月3月4月5月6月7月8月9月10月11月12月

561154311046063407646987567504794776275452373462262570555043

擬合及預測效果圖見下，圖3.2

圖3.2預測效果圖

?實際銷售量

—預測值

預測情況分析：從上面的分析來看，季節性交乘趨向模型計算出來的結果擬合度良好。

從經濟含義上來講，整體趨勢線受行業整體的影響，電冰箱在中國市場已經處于產品生命周

期中的成熟期，而且電冰箱銷售的季節性因素很明顯，所以該模型的預測精度良好。本課題

小組建議伊萊克斯在進行電冰箱的銷售總量是可以使用該模型。

3)3)運用該模型對伊萊克斯公司單一產品的月度銷售量進行預測

<0<0數據分析

依據移動加權平均法的介紹以及應用中，對電冰箱BCD-234的月度銷售數據的分析，因

其具有趨勢同時有一定的季節性，所以本課題小組選用該模型進行預測分析。

<2)<2)同總體銷售量預測的步驟方法，得到其擬合情況及誤差分析見表3.3

表3.3對產品BCD-234的月度銷售預測預測情況

時間實際值趨勢值季節因子預測值絕對百分比誤差

Jan-9934675337.290.8681444633.5320.336467

Feb-9935784741.580.9021114277.4320.195481

Mar-9955C44393.120.9435564145.1510.246884

Apr-9937934440.881.0101444187.9350.104122

May-9961674276.661.2936835115.360.170527

Jun-9945814118.981.2529774758.0710.038653

Jul-9958823967.841.2895584726.1460.196507

Aug-9944533823.231.0635233775.6920.152102

Sep-9946703685.161.0747683706.820.206248

Oct-9943383553.630.9955593343.4850.229257

Nov-9913663428.630.5204691705.3120.248398

Dec-9923843310.170.785512514.9740.054939

Jan-0023673198.240.8681442719.8260.14906

Feb-0029603092.850.9021112768.7860.064599

Mar-00234129940.9435562840.0430.213175

Apr-0023632901.691.0101442984.4420.262988

May-0039162815.911.2936833754.7470.041178

Jun-0034202736.671.2529773575.0510.045336

Jul-0027152663.961.2895583619.506().333151

Aug-()()21372597.791.0635232938.1920.374914

Sep-0018392538.161.0747682924.1920.590099

Oct-OO17082485.060.9955592668.880.562576

Nov-0016522438.50.5204691375.3830.167444

Dec-0018172398.480.785512047.043