梁淑玲

【摘要】對(duì)于許多電商企業(yè)來說，商品補(bǔ)貨的準(zhǔn)確性直接關(guān)系到企業(yè)的利益。準(zhǔn)確預(yù)測(cè)商品需求可以使企業(yè)快速知道各個(gè)商品的補(bǔ)貨數(shù)量，避免供不應(yīng)求或供大于求等現(xiàn)象發(fā)生。本文以一家電商企業(yè)進(jìn)行實(shí)證分析，通過建立ARIMA模型對(duì)商品銷售量進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)的商品銷售量進(jìn)一步得出商品的補(bǔ)貨數(shù)量。

【關(guān)鍵詞】需求預(yù)測(cè);補(bǔ)貨數(shù)量;ARIMA模型

1 引言

對(duì)于商品種類繁多的大型商場(chǎng)或電商企業(yè)來說，每天的銷售量非常大，而不同產(chǎn)品的銷量和庫存不同，導(dǎo)致補(bǔ)貨每天都不一樣。為了快速方便地進(jìn)行自動(dòng)補(bǔ)貨，商場(chǎng)可以根據(jù)庫存指標(biāo)補(bǔ)貨，根據(jù)預(yù)計(jì)銷量補(bǔ)貨，根據(jù)歷史銷量補(bǔ)貨，根據(jù)單據(jù)補(bǔ)貨，根據(jù)商品補(bǔ)貨等多種方式進(jìn)行補(bǔ)貨。本文將介紹依據(jù)歷史銷量運(yùn)用時(shí)間序列模型進(jìn)行商品需求預(yù)測(cè)，進(jìn)而指導(dǎo)補(bǔ)貨的過程。

2 時(shí)間序列模型

時(shí)間序列分析主要是根據(jù)已有的歷史數(shù)據(jù)對(duì)未來進(jìn)行預(yù)測(cè)。側(cè)重研究數(shù)據(jù)序列的互相依賴關(guān)系。ARIMA包含3個(gè)部分，即AR、I、MA。AR—表示auto regression，即自回歸模型;I——表示integration，即單整階數(shù)，時(shí)間序列模型必須是平穩(wěn)性序列才能建立計(jì)量模型，ARIMA模型作為時(shí)間序列模型也不例外，因此首先要對(duì)時(shí)間序列進(jìn)行單位根檢驗(yàn)，如果是非平穩(wěn)序列，就要通過差分來轉(zhuǎn)化為平穩(wěn)序列，經(jīng)過幾次差分轉(zhuǎn)化為平穩(wěn)序列，就稱為幾階單整;MA——表示moving average，即移動(dòng)平均模型。ARIMA模型實(shí)際上是AR模型和MA模型的組合。

2.1構(gòu)建模型的步驟

（1）序列的平穩(wěn)性檢驗(yàn);

（2）如果該序列是非平穩(wěn)的，進(jìn)行平穩(wěn)化的處理。通過差分運(yùn)算進(jìn)行平穩(wěn)化處理;

（3）建立ARIMA（p，d，q）模型;引入ACF、PACF圖進(jìn)行模型階數(shù)p，q的確定，具體方法如表1。

（4）進(jìn)行參數(shù)估計(jì)，一般選擇最小二乘法檢驗(yàn)參數(shù)是否具有統(tǒng)計(jì)意義;

（5）進(jìn)行假設(shè)檢驗(yàn)，使用Q統(tǒng)計(jì)量對(duì)殘差序列進(jìn)行卡方檢驗(yàn)，診斷殘差序列是否為白噪聲;

（6）利用已通過檢驗(yàn)的模型進(jìn)行預(yù)測(cè)分析。

2.2常見模型的評(píng)估指標(biāo)

常用的時(shí)間序列模型的評(píng)估指標(biāo)有標(biāo)準(zhǔn)差、均方根誤差、平均絕對(duì)誤差和赤池信息量準(zhǔn)則等。標(biāo)準(zhǔn)差（SD）是方差的算術(shù)平方根，是各數(shù)據(jù)偏離平均數(shù)的距離的平均數(shù)，反映一個(gè)數(shù)據(jù)集的離散程度。均方根誤差（RMSE）是均方誤差的算術(shù)平方根，RMSE數(shù)值越小，說明預(yù)測(cè)模型描述實(shí)驗(yàn)數(shù)據(jù)具有更好的精確度。平均絕對(duì)誤差（MAE）是所有單個(gè)觀測(cè)值與算術(shù)平均值的偏差的絕對(duì)值的平均。平均絕對(duì)誤差能更好地反映預(yù)測(cè)值誤差的實(shí)際情況。赤池信息量準(zhǔn)則（AIC）是衡量統(tǒng)計(jì)模型擬合優(yōu)良性的一種標(biāo)準(zhǔn)，可以權(quán)衡所估計(jì)模型的復(fù)雜度和此模型擬合數(shù)據(jù)的優(yōu)良性。

3 實(shí)例分析

A是一家大型電商平臺(tái)，銷售超數(shù)萬品牌、上千萬種商品，涉及家電、手機(jī)、電腦、母嬰、服裝等十多種大品類。其倉庫分布在天津、上海、廣州等地區(qū)。同時(shí)線下門店有上千家，線上線下同時(shí)賣貨。由于需求預(yù)測(cè)不準(zhǔn)，導(dǎo)致倉庫庫存堆積，產(chǎn)生大量呆滯庫存的同時(shí)，還有部分品類經(jīng)常斷貨，為了優(yōu)化庫存結(jié)構(gòu)，提高補(bǔ)貨效率，企業(yè)需要準(zhǔn)預(yù)測(cè)各個(gè)區(qū)域商品需求。數(shù)據(jù)涉及某國內(nèi)大型電商平臺(tái)所覆蓋全國總倉、分倉數(shù)據(jù)。時(shí)間跨度：2014年10月1日至2015年12月27日。

運(yùn)用時(shí)間序列模型進(jìn)行未來一周（2015-12-21至2015-12-27）商品銷售預(yù)測(cè)，進(jìn)而得出商品的補(bǔ)貨數(shù)量。運(yùn)用時(shí)間序列模型進(jìn)行銷量預(yù)測(cè)的基本思路是先對(duì)歷史數(shù)據(jù)（2014-10-01至2015-12-27）觀察分析得出規(guī)律，然后通過建立ARIMA模型對(duì)未來一周的全國性商品需求量進(jìn)行預(yù)測(cè)。由于數(shù)據(jù)量太大，先選取少量樣本進(jìn)行數(shù)據(jù)分析。因此選擇商品id為197（共453條數(shù)據(jù)）作為研究目標(biāo)進(jìn)行分析。

3.1序列的平穩(wěn)性檢驗(yàn)

商品id為197的需求變化除了個(gè)別異常值外總體還是穩(wěn)定的。這些異常值大部分是在雙十一、雙十二等特殊有優(yōu)惠的時(shí)間點(diǎn)，這些時(shí)間點(diǎn)商品的銷售量會(huì)突然暴增。由于預(yù)測(cè)的時(shí)間段為商品的淡季期間，故需要消除異常值對(duì)模型性能的影響。從結(jié)果中可以發(fā)現(xiàn)，異常數(shù)值主要集中在2015年4月8日等六個(gè)特殊的日期，數(shù)據(jù)范圍從2014年10月1日到2015年12月20日，最終的數(shù)據(jù)有440條。為了選擇合適的ARIMA模型參數(shù)，需要對(duì)440條數(shù)據(jù)進(jìn)行具體觀察和調(diào)整，包括時(shí)間特征識(shí)別、銷售數(shù)據(jù)的季節(jié)性調(diào)整。平穩(wěn)性是時(shí)間序列的重要特征。只有平穩(wěn)的時(shí)間序列才可以進(jìn)行統(tǒng)計(jì)分析，因?yàn)槠椒€(wěn)性保證了時(shí)間序列數(shù)據(jù)出自于同一分布，以便后續(xù)均值、方差等相關(guān)系數(shù)的計(jì)算。

3.2預(yù)測(cè)效果評(píng)價(jià)

2015-12-21至2015-12-27商品id為197的商品實(shí)際銷售量為29，對(duì)一周的預(yù)測(cè)值與實(shí)際值對(duì)比誤差為13.09。假設(shè)該商品的庫存為3，而由上文可知未來一周該商品的銷售量為42，這樣就可以快速得到該商品的補(bǔ)貨數(shù)量為39。本文只是以商品id為197的商品為例進(jìn)行了分析預(yù)測(cè)，同理該企業(yè)其他商品的未來一周銷售量也可以通過該方法準(zhǔn)確預(yù)測(cè)，幫助企業(yè)快速得到每個(gè)商品的補(bǔ)貨數(shù)量，實(shí)現(xiàn)利潤(rùn)最大化。

4 結(jié)論

本文通過對(duì)商品的銷售量的歷史數(shù)據(jù)分析，運(yùn)用ARIMA模型對(duì)商品未來一周的需求量進(jìn)行預(yù)測(cè)，并且模型整體擬合度良好。許多企業(yè)都還存在庫存積壓造成的庫存成本增加，或是由于供不應(yīng)求錯(cuò)失商品的最佳銷售期等一列問題，這些問題直接影響了企業(yè)的利潤(rùn)。因此，合理準(zhǔn)確預(yù)測(cè)商品需求，為每個(gè)商品的補(bǔ)貨數(shù)量提供一定的指導(dǎo)，達(dá)到補(bǔ)貨及時(shí)準(zhǔn)確的效果。筆者提出基于ARIMA模型對(duì)商品需求預(yù)測(cè)，可很好的對(duì)許多商品的需求進(jìn)行預(yù)測(cè)。但在整個(gè)研究過程中是剔除了特殊的優(yōu)惠的時(shí)間點(diǎn)，對(duì)于這些特殊時(shí)間點(diǎn)商品需求預(yù)測(cè)沒有考慮進(jìn)去，還存在一定的不足。

參考文獻(xiàn)：

[1]劉鳳春，趙亞寧，董新雁，劉源鑠，喬鵬，謝志遠(yuǎn)，王立亞，張春英.ARMABP物流需求預(yù)測(cè)模型及應(yīng)用[J].華北理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，40（3）：120128.

[2]楊建成.ARIMASVM的物流需求預(yù)測(cè)模型[J].現(xiàn)代電子技術(shù)，2018，41（9）：182186.

[3]劉旭陽，吳龍濤，周萬里.基于ARIMA模型的裝備器材需求預(yù)測(cè)方法[J].裝甲兵工程學(xué)院學(xué)報(bào)，2016，30（6）：2125.

[4]劉信斌，沐愛琴，辛安.基于ARIMA模型的航材需求預(yù)測(cè)[J].價(jià)值工程，2016，35（24）：250251.

[5]楊蕾，張苗苗.時(shí)間序列模型在物流需求預(yù)測(cè)中的應(yīng)用[J].商業(yè)時(shí)代，2013（13）：2627.

[6]倪冬梅，趙秋紅，李海濱.需求預(yù)測(cè)綜合模型及其與庫存決策的集成研究[J].管理科學(xué)學(xué)報(bào)，2013，16（9）：4452，74.

[7]湯兆平，孫劍萍，杜相，湯麗.基于ARIMA模型的N鐵路局管內(nèi)物流需求預(yù)測(cè)研究[J].經(jīng)濟(jì)問題探索，2014（7）：7681.

[8]黃虎.基于區(qū)域經(jīng)濟(jì)的區(qū)域物流需求分析及實(shí)證研究[D].西南交通大學(xué)，2008.

[9]羅曉萌，李建斌，胡鵬.基于時(shí)間序列預(yù)測(cè)的電子商務(wù)庫存優(yōu)化策略[J].系統(tǒng)工程，2014，32（6）：9198.