摘 要：本研究旨在分析和研究店鋪銷量預測的方法，通過介紹一般的預測步驟，以及利用圖表趨勢預測法、時間序列預測法（指數(shù)平滑法）和機器學習方法建立模型對店鋪銷量進行預測時發(fā)現(xiàn)：圖表趨勢預測法和時間序列預測法（指數(shù)平滑法）適用于簡單的銷量預測，而機器學習方法在處理復雜關系和大規(guī)模數(shù)據(jù)時更具優(yōu)勢。因此，選擇合適的方法取決于數(shù)據(jù)的特點和預測的需求。本研究為店鋪銷量預測提供了重要的指導和參考，幫助企業(yè)做出準確的銷量預測，并為庫存管理、生產(chǎn)計劃和業(yè)務決策提供支持。

關鍵詞：店鋪銷量預測；圖表趨勢預測法；時間序列預測法；指數(shù)平滑法；機器學習方法

一、引言

在競爭激烈的市場環(huán)境中，商家需要根據(jù)市場需求合理安排產(chǎn)品的生產(chǎn)和銷售，以增加利潤并保持競爭優(yōu)勢。然而，銷量的波動性和不確定性經(jīng)常使商家面臨挑戰(zhàn)，因此準確地預測店鋪銷量成為了迫切需要解決的問題。過去幾十年來，學術界和業(yè)界對店鋪銷量預測進行了廣泛的研究和實踐，提出了許多不同的方法和模型。為了更好地應對市場變化和提高企業(yè)的運營效率，通過分析歷史數(shù)據(jù)和相關因素，實現(xiàn)店鋪銷量的準確預測可以幫助企業(yè)做出更加科學的決策。本文將從店鋪進行銷量預測的步驟，銷量預測的不同方法為例，比較各種預測方法的特點，提出銷量預測模型，以期為企業(yè)決策提供輔助參考依據(jù)。

二、店鋪進行銷量預測的一般步驟

1.數(shù)據(jù)收集和預處理

首先，需要從各個來源收集店鋪銷售數(shù)據(jù)，如歷史銷售記錄、網(wǎng)上購物平臺數(shù)據(jù)、市場調(diào)查數(shù)據(jù)等。然后對這些數(shù)據(jù)進行清洗、轉(zhuǎn)換和歸一化處理，以消除噪聲和異常值，并確保數(shù)據(jù)格式統(tǒng)一和可用。

2.特征選擇和提取

在準備好的數(shù)據(jù)中，需要挑選出對銷售額有影響的關鍵特征，例如商品類別、價格、促銷活動、季節(jié)因素等。通過使用特征提取方法，可以將這些特征轉(zhuǎn)換成為可以處理的數(shù)值型數(shù)據(jù)。

3.建立模型

經(jīng)過數(shù)據(jù)預處理和特征提取之后，可以開始建立預測模型。常見的預測模型有回歸模型、時間序列模型、基于機器學習的方法等。

4.訓練和評估模型

使用歷史銷售數(shù)據(jù)來訓練模型，交叉驗證方法評估模型的性能，若模型顯示較好的性能，便可以用來預測未來的銷售額。

5.應用模型

在收集和清洗新數(shù)據(jù)后，可以將其輸入到訓練好的模型中，以預測未來的銷售額。同時，也需要對模型進行后續(xù)跟蹤和優(yōu)化，根據(jù)實際情況不斷更新模型。

步驟如圖1（店鋪銷量預測步驟）：

三、利用工具建立模型對店鋪銷量進行預測

店鋪產(chǎn)品銷售數(shù)量往往決定著庫存存量，進貨量的需求及資金的準備等，一般來說，銷售數(shù)量與銷售額成正比關系，利用科學的方法與手段，對未來一定時期內(nèi)的市場需求、發(fā)展趨勢和營銷影響因素做預判，可以為店鋪營銷決策提供服務。

店鋪銷量進行預測的方法有很多種，通?？梢岳猛ㄓ玫腅xcel工具進行輔助的預測分析，此工具中可以采用圖表趨勢預測法、時間序列預測法、德爾菲法、GROWTH函數(shù)等進行店鋪銷量預測。

本文采集了某店鋪2010—2021年的銷售數(shù)據(jù)，采用圖表趨勢預測法、時間序列預測法對店鋪未來一年的銷量進行預測。從而對模型預測的準確性做一些對比。

以下（表1：店鋪2010—2021年服裝銷量統(tǒng)計表）是某店鋪在收集和清洗新數(shù)據(jù)后，得出的2010—2021年銷量數(shù)據(jù)，運用各種模型，預測店鋪2022年的銷量數(shù)據(jù)：

使用 Excel打開表1，選中2010—2021年的年份和服裝銷量數(shù)據(jù)，利用“圖表”組中“折線圖”工具完成12年的折線圖制作，如圖2（店鋪2010—2021年銷量變化趨勢圖）所示：

1.利用圖表趨勢預測法來預測店鋪銷量

圖表趨勢預測常用方法包括：線性趨勢線預測、指數(shù)趨勢線預測、多項式趨勢線預測等；本文先采用線性趨勢線進行銷量預測，基本流程為：通過給定數(shù)據(jù)制作折線圖，觀察圖表形狀來添加線性趨勢線，利用趨勢線外推計算預測值，具體步驟是：在“分析”組中選擇“線性趨勢線”工具，做前推1年的銷量預測，畫出趨勢線如圖3（店鋪銷量折線圖添加線性趨勢線）所示：

通過查看預測公式，通過添加線性趨勢線后得出一次方程y=2506，x=2977.9，把2022年x為第13個年份代入方程計算，得出銷量y=29600.1，結(jié)果取整后得出2022年銷量預測值，把銷量預測結(jié)果填入表2（2022年銷量預測值）中，預測2022年銷量為29600（單位：件）。

2.利用時間序列預測法（指數(shù)平滑法）預測店鋪銷量

時間序列預測法是一種用來預測未來發(fā)展趨勢的方法，它有兩個基本原理：首先，考慮到事物的發(fā)展是有連續(xù)性的，通過分析過去的時間數(shù)據(jù)，可以推測出未來的發(fā)展趨勢；其次，還考慮到了偶然因素引起的隨機波動。為了消除這些隨機波動的影響，可以使用歷史數(shù)據(jù)進行統(tǒng)計分析，并對數(shù)據(jù)進行適當?shù)奶幚?，以便更好地預測未來的趨勢。常用的方法包括預測季節(jié)性波動、使用移動平均公式，以及使用指數(shù)平滑法進行預測等。

對表1中的店鋪銷售數(shù)據(jù)預測，采用指數(shù)平滑法預測，通過計算指數(shù)平滑值，并結(jié)合適當?shù)臅r間序列預測模型，可以對某個現(xiàn)象的未來進行預測。指數(shù)平滑是一種方法，先使用過去的數(shù)據(jù)平均計算一個平滑值，然后將這個平滑值與其他預測模型結(jié)合起來，以得出對未來的估計。這種方法考慮了過去數(shù)據(jù)的權重，更加重視最近的數(shù)據(jù)，因此在預測未來時更加注重最新的趨勢。通過這種方式，可以更好地預測未來趨勢，并做出相應的決策，重點是需要設置出合理的平滑系數(shù)，因為不合理的平滑系數(shù)預測出的結(jié)果，與實際值相比會相差很多。本文中首先對店鋪預測銷量設置平滑系數(shù)為經(jīng)驗值0.3，然后使用“規(guī)劃求解”工具再分析出最佳平滑系數(shù)，計算出最優(yōu)解，從而預測出2022年的店鋪銷量：

首先，在Excel中設計出利用指數(shù)平滑法預測銷量需要的表格內(nèi)容，如圖4（店鋪2010—2021年服裝銷量表）所示。

然后計算圖4中表格各項內(nèi)容：

圖4左側(cè)C列銷售預測值計算：首先用Average函數(shù)計算出2010年的銷量預測值，為2010—2017年的算術平均值，2011年開始，插入公式“=$H$1*B2+（1-$H$1）*C2”進行銷量預測值計算，并用公式填充向下填充至2022年銷售預測值；

圖4左側(cè)D列預測誤差計算：預測誤差均為銷量預測值與銷量實際值之間的差額；

圖4右側(cè)H列中實際銷售量的平均值計算：為2010—2021年銷售實際值的算術平均值；

圖4左側(cè)E列預測誤差平方和計算：用公式“=（D2^2+（C2-$H$2）^2）/12”計算出2010年預測誤差平方和，拖動填充柄至E13單元格，填充數(shù)據(jù)；

圖4右側(cè)E列預測誤差的總平方和計算：用求和函數(shù)計算出E列2010—2021年預測誤差平方和得出結(jié)果。

以上計算結(jié)果如圖5（店鋪2022年服裝銷量預測表）所示：

選取年份、銷量實際值和銷量預測值，最終形成折線圖可視化效果，如圖6（店鋪2010—2021年實銷與預測對比圖1）所示：從圖5可以看出，店鋪預測銷量設置平滑系數(shù)為經(jīng)驗值0.3時，銷量預測值與銷量實際值差距較大。

3.使用“規(guī)劃求解”工具分析出最佳平滑系數(shù)，計算最優(yōu)解，預測2022年店鋪銷量

Excel中，有一個功能叫作“規(guī)劃求解”，它不是默認顯示在Excel工具欄上的，需要手動加載。通過使用“規(guī)劃求解”，可以找到工作表上某個單元格（稱為目標單元格）中公式的最佳值。這里的公式指的是單元格中的一系列數(shù)值，可以是單元格引用、名稱或者運算符的組合，它們可以生成新的值。

“規(guī)劃求解”會根據(jù)目標單元格公式的相關性，對一組與其直接或間接相關的單元格中的數(shù)值進行調(diào)整。通過改變這些數(shù)值，最終可以得到目標單元格公式所期望的結(jié)果。在創(chuàng)建模型的過程中，可以給“規(guī)劃求解”中的可變單元格應用約束條件。約束條件是一些限制條件，可以被應用于可變單元格、目標單元格或者與目標單元格直接或間接相關的其他單元格。這些約束條件可以引用其他會影響目標單元格公式的單元格。使用“規(guī)劃求解”，可以通過改變其他單元格的數(shù)值，確定某個單元格的最大值或最小值。之前在預測銷量時使用的平滑系數(shù)，是按經(jīng)驗值0.3，現(xiàn)在需要用到規(guī)劃求解解出店鋪最佳的平滑系數(shù)值，從而達到更精確預測銷量的目的。

具體步驟實施如下：

在Excel中選擇加載宏，選中“規(guī)劃求解加載項”，如圖7（加載規(guī)劃求解加載項）所示：

加載成功后，在Excel數(shù)據(jù)菜單選項卡“分析”組中就能見到“規(guī)劃求解”選項；

在“規(guī)劃求解參數(shù)”對話框中，設置目標單元格為“預測誤差總平方和單元格$H$3”，設置可變單元格為“平滑系數(shù)單元格$H$1”，需要預測誤差總平方和此時為最小，因此選中“最小值”單選按鈕，添加約束條件分別設置可變單元格$H$1<=1和$H$1>=0，點擊求解后，如圖8（規(guī)劃求解參數(shù)設置）所示：

在彈出的“規(guī)劃求解結(jié)果”對話框中，選中“保留規(guī)劃求解的解”，單擊“確定”，如圖9（規(guī)劃求解結(jié)果）所示。

求解以后的結(jié)果得出最佳平滑系數(shù)應為0.72，預測誤差的總平方和為71289641.69，得出2022年銷售預測值為26733.61745（約為26734件，取整數(shù)值），如圖10（2022年銷量預測值結(jié)果）所示。

選取年份、銷量實際值和銷量預測值，最終形成折線圖可視化效果，如圖11（店鋪2010—2021年實銷與預測對比圖2）所示：從圖11可以看出，通過“規(guī)劃求解”分析出的平滑系數(shù)更加合理，銷量預測值與銷量實際值差距較小，通過此法，能達到更精確的預測銷量的目的。

4.使用機器學習方法預測2022年的銷售數(shù)量

將2010—2021年的歷史銷售數(shù)據(jù)作為訓練集，并利用這個訓練集建立一個回歸模型，以預測2022年的銷售數(shù)量。

以下是使用Python中的scikit-learn庫進行線性回歸的實現(xiàn)：

import numpy as np

from sklearn.linear_model import LinearRegression

#歷史銷售數(shù)據(jù)

years = np.array（[2010，2011，2012，2013，2014，2015，2016，2017，2018，2019，2020，2021]）

sales = np.array（[2056，3055，4800，5600，7900，9600，13560，16530，19600，23800，25780，27450]）

#將年份轉(zhuǎn)換為二維數(shù)組

X = years.reshape（-1，1）

#創(chuàng)建線性回歸模型并進行訓練

model = LinearRegression（）

model.fit（X，sales）

#預測2022年的銷售數(shù)量

predicted_sales_2022 = model.predict（[[2022]]）

print（"2022年銷售預測數(shù)量："，predicted_sales_2022）

根據(jù)運算結(jié)果，預測2022年的銷售數(shù)量為：28268.75件（約為28269件，取整數(shù)值）。此模型是基于線性回歸模型的簡單預測，并且假設銷售數(shù)據(jù)具有一定的線性趨勢。實際的銷售預測可能需要考慮更多特征和復雜的模型，以及其他影響因素，如市場趨勢、競爭情況和宏觀經(jīng)濟因素等。

四、結(jié)語

通過數(shù)據(jù)分析預測店鋪未來銷量是一種可行的手段，通過銷量預測可以進一步預測成本和銷售額及利潤，從而對店鋪目前影響銷量的各種因素進行分析，最終找到提升銷量、銷售額、利潤的各種方式及手段，利潤最大化，也是每個店鋪經(jīng)營者的最終目標。

采用圖表趨勢預測法中線性趨勢線預測和采用時間序列預測法（指數(shù)平滑法）預測店鋪銷量是常用的兩種預測方法，各有利弊。

（1） 采用線性趨勢線預測法預測銷售量，線性趨勢線是用于簡單線性數(shù)據(jù)集的最佳擬合直線，線性趨勢線預測法較簡單，只需通過已產(chǎn)生年份銷量畫出銷量折線圖，添加趨勢線，顯示公式，通過查看預測公式，將預測年份和已知開始年份相減的差值帶入公式計算，即可得出預測年份的銷量預測值，是一種簡單的一次方程計算。

（2） 采用時間序列預測法（指數(shù)平滑法）預測，指數(shù)平滑法是一種常用時間序列預測方法，原理是通過計算指數(shù)平滑值，結(jié)合適當?shù)臅r間序列預測模型預測未來現(xiàn)象的發(fā)展趨勢。在指數(shù)平滑法中，每一期的指數(shù)平滑值都是本期實際觀察值與前一期指數(shù)平滑值的加權平均值。平滑系數(shù)是指數(shù)平滑中的一個常數(shù)，可以將其記作β。通過選擇適當?shù)钠交禂?shù)β值，進行指數(shù)平滑預測，以使預測值與實際值之間的平均誤差最小化。平滑系數(shù)β的取值范圍通常在0到1之間（0<β<1），不同的取值將會對預測結(jié)果產(chǎn)生不同影響。

（3） 通過指數(shù)平滑法，可以對未來趨勢進行預測，并根據(jù)實際情況選擇適當?shù)钠交禂?shù)，以獲得更準確的預測結(jié)果。理論上來說，平滑系數(shù)β越趨近于0，預測得出的結(jié)果會與實際值越接近，得到的結(jié)果也越理想，β到底取值為多少，最簡單直接的手段之一，是采用經(jīng)驗判斷進行β取值，憑借數(shù)據(jù)分析預測人員的個人經(jīng)驗，選擇適當?shù)钠交禂?shù)β值很重要。如果β值較小，平滑作用會更強，這意味著對預測結(jié)果的調(diào)整會比較小，對實際數(shù)據(jù)的變動反應會比較遲緩。換句話說，會更加穩(wěn)定，更不容易受到短期波動的影響。相反，如果β值較大，對實際值的變化就會更敏感，這意味著對預測結(jié)果的調(diào)整會比較大。同時，對近期的數(shù)據(jù)更加依賴，更容易受到短期波動的影響。

（4） 因此，選擇合適的平滑系數(shù)β值，需要權衡穩(wěn)定性和敏感性之間的關系，較小的β值適用于平穩(wěn)的數(shù)據(jù)，對長期趨勢有更好的預測能力；而較大的β值適用于快速變化的數(shù)據(jù)，能夠更快地反應最新的變動情況。根據(jù)具體情況，可以選擇適合的β值進行預測，并根據(jù)實際結(jié)果進行調(diào)整。采用經(jīng)驗值判斷的依據(jù)是，當時間序列相對平穩(wěn)時，可取較小的平滑系數(shù)；當時間序列波動較大時，應取較大的平滑系數(shù)。本文以年份的連續(xù)自然年度為時間序列，照理來說是時間序列是較平穩(wěn)，可以采用經(jīng)驗判斷進行取值。年份時間序列為自然年，變化規(guī)律平穩(wěn)，β取值可以在0.1～0.4，所以最初取值平滑系數(shù)β值為經(jīng)驗值0.3，進行銷量預測的計算，但是實際計算出的結(jié)果對比發(fā)現(xiàn)，銷量預測值與銷量實際值差距較大，通過實際計算，選擇誤差最小的年份2012年，誤差最大的年份2019年為區(qū)間范圍計算，得出結(jié)果誤差范圍在15.8%～42.5%，實際與預測值誤差非常大，所以在實際操作店鋪過程中僅能參考，并不能作為銷售目標下達任務的依據(jù)。

（5） 之后，采用“規(guī)劃求解”方法求解最合理的β值，通過規(guī)劃求解，求出最佳平滑系數(shù)為0.7之后進行預測銷量，選擇誤差最小的年份2011年，誤差最大的年份2019年，進行區(qū)間范圍計算，得出結(jié)果誤差范圍在1.7%～22.5%，誤差明顯減小，那么預測未來年度銷量選擇在誤差范圍銷量區(qū)間之間，就有實際參考價值，可作為未來年度銷量完成任務下發(fā)及銷售額考核依據(jù)。

最后，用機器學習方法預測2022年的銷售數(shù)量，發(fā)現(xiàn)預測數(shù)據(jù)和前面指數(shù)平滑法的預測結(jié)果有較大差別，造成的原因可能為以下兩點：其一，機器學習方法通常需要大量的數(shù)據(jù)進行訓練，數(shù)據(jù)需求量較大，才能獲得準確的預測結(jié)果，如果可用的歷史銷售數(shù)據(jù)較少，可能會對預測的準確性造成影響。其二，機器學習方法的預測結(jié)果會受限于數(shù)據(jù)質(zhì)量和特征選擇，數(shù)據(jù)質(zhì)量的影響包括缺失值、異常值和噪聲等。此外，正確選擇和提取相關的特征也是影響預測準確性的重要因素。

綜合來說，機器學習方法在預測銷售數(shù)量方面具有較高的靈活性和準確性，但需要充分的數(shù)據(jù)支持和專業(yè)知識指導，同時也要注意數(shù)據(jù)質(zhì)量和特征選擇的問題。

參考文獻：

[1]北京博導前程信息技術股份有限公司.電子商務數(shù)據(jù)分析概論[M].北京：高等教育出版社，2020.

[2]ZHANG，J.，LI，Y.，&LIU，Y.Sales forecasting of retail stores based on ARIMA and LSTM.International Journal of Computational Intelligence Systems，2020，13（1），1745-1757.

作者簡介：段亞楠（1979— ），女，碩士，昆明工業(yè)職業(yè)技術學院，副教授，教研室主任，研究方向：計算機應用，電子商務數(shù)據(jù)分析。