品牌服裝銷售情況的分析與研究

1、遼 東 學(xué) 院 本 科 畢 業(yè) 論 文（設(shè) 計(jì)）品牌服裝銷售情況的分析與研究學(xué) 生 姓 名：學(xué) 院： 信息技術(shù)學(xué)院 專 業(yè)： 信息管理與信息系統(tǒng) 班 級：學(xué) 號：指 導(dǎo) 教 師：審 閱 教 師：完 成 日 期：2009-5-25遼 東 學(xué) 院Eastern LiaoningUniversity獨(dú)創(chuàng)性說明作者重聲明：本畢業(yè)論文（設(shè)計(jì)）是我個(gè)人在指導(dǎo)教師指導(dǎo)下進(jìn)行的研究工作與取得研究成果。盡我所知，除了文中特別加以標(biāo)注和致的地方外，畢業(yè)論文（設(shè)計(jì)）中不包含其他人已經(jīng)發(fā)表或撰寫的研究成果，也不包含為獲得遼東學(xué)院或其他單位的學(xué)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(xiàn)均已在論文中做了

2、明確的說明并表示了意。作者簽名：_ 日期：_24 / 29摘 要關(guān)鍵詞： TitleAbstractKey Words：目 錄摘要IAbstractII一、引言1二、數(shù)據(jù)挖掘技術(shù)3（一）數(shù)據(jù)挖掘概述3（二）數(shù)據(jù)挖掘的應(yīng)用3（三）數(shù)據(jù)挖掘的常用方法與技術(shù)4（四）數(shù)據(jù)挖掘的任務(wù)5三、基于數(shù)據(jù)挖掘的服裝銷售預(yù)測模型7（一）數(shù)據(jù)挖掘中的預(yù)測模型7（二）服裝公司銷售情況7（三）基于數(shù)據(jù)挖掘的銷售預(yù)測模型的選擇8（四）基于數(shù)據(jù)挖掘的銷售預(yù)測模型的應(yīng)用81模型具體操作92具體實(shí)際應(yīng)用10四、改進(jìn)建議19結(jié)論21附錄A A款服裝2006年2008年銷售記錄表23附錄B 預(yù)測2009年銷售量回歸分析結(jié)果25參考

3、文獻(xiàn)27致28遼東學(xué)院本科畢業(yè)論文（設(shè)計(jì)）使用授權(quán)書29一、引言作為衣食住行之首，服裝行業(yè)是個(gè)永遠(yuǎn)的產(chǎn)業(yè)，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(fèi)國，同時(shí)也是世界上最大的服裝生產(chǎn)國，近年來，隨著科學(xué)技術(shù)的發(fā)展，服裝業(yè)也以前所未有的速度發(fā)展，以市的服裝業(yè)發(fā)展為例，服裝生產(chǎn)企業(yè)有500多家，2003年產(chǎn)值約48億1，2004年已增長到97億2，而市2007年服裝產(chǎn)值近千億3。隨著服裝行業(yè)發(fā)展，暴露出的產(chǎn)業(yè)問題越來越多：庫存壓力日益增大、自主設(shè)計(jì)風(fēng)格欠缺、行業(yè)專業(yè)人才匱乏、產(chǎn)業(yè)鏈不健全、品牌含金量不足4、企業(yè)品牌競爭力低等，大部分企業(yè)的技術(shù)結(jié)構(gòu)和生產(chǎn)方式落后，企業(yè)管理水平低下，許多服裝企

4、業(yè)以加工型為主，忽視自身品牌的創(chuàng)建，有自主品牌的企業(yè)對品牌宣傳投入不足，大型服裝企業(yè)少。在全球金融危機(jī)影響下，庫存壓力已成為服裝產(chǎn)業(yè)的首要問題。資料顯示：服裝行業(yè)的提前訂貨機(jī)制以與2008年宏觀經(jīng)濟(jì)的驟變導(dǎo)致2008年服裝產(chǎn)品積壓嚴(yán)重，服裝行業(yè)面臨庫存與資金回籠壓力，增加的存貨對2009年服裝業(yè)經(jīng)營將產(chǎn)生一定影響，我國2009年服裝業(yè)的增長速度放緩5。服裝受季節(jié)影響較大的產(chǎn)品，其銷售量受到多種復(fù)雜因素的影響，如季節(jié)變化、流行趨勢變化、氣候變化、廣告媒體效應(yīng)、地區(qū)消費(fèi)觀念和突發(fā)事件（如非典）等6。為解決服裝產(chǎn)業(yè)中庫存積壓問題，服裝銷售預(yù)測已成為研究熱點(diǎn)1、79。服裝銷售預(yù)測是根據(jù)服裝市場的銷售信

5、息和營銷計(jì)劃，用科學(xué)的方法進(jìn)行市場和銷售分析，確定在未來某一時(shí)間段的銷售量（額）10。準(zhǔn)確的服裝銷售預(yù)測可以使服裝公司科學(xué)合理的安排一些采購、生產(chǎn)、庫存等一些列工作流程，對服裝公司的良性營銷活動(dòng)起著非常重要的作用。本文對某品牌女裝公司的原始銷售數(shù)據(jù)和產(chǎn)品信息數(shù)據(jù)進(jìn)行分析和研究，形成產(chǎn)品銷售預(yù)測，為公司制定銷售計(jì)劃提供依據(jù)。某品牌服裝公司是集設(shè)計(jì)、生產(chǎn)、銷售為一體的品牌女裝企業(yè)，擁有較強(qiáng)的研發(fā)團(tuán)隊(duì)、先進(jìn)的生產(chǎn)設(shè)備與計(jì)算機(jī)輔助制版系統(tǒng)，有現(xiàn)代化管理軟件進(jìn)行生產(chǎn)全過程的有效控制與高速物流配送系統(tǒng)，年大約投產(chǎn)200300款女裝，年產(chǎn)10萬件左右，銷售額5000萬左右，利潤2000萬左右，員工超過三百人

6、。根據(jù)該公司的資料顯示，該公司在近幾年廠房建立完善后，生產(chǎn)能力可以持續(xù)增加。公司以特許加盟經(jīng)營的銷售形式建立了規(guī)模營銷網(wǎng)絡(luò)，以批發(fā)為主，全國有二十五家總代理商。公司分為企劃部、設(shè)計(jì)部（開發(fā)新款服裝）、技術(shù)部（打版和樣衣）、生產(chǎn)部（生產(chǎn)車間）、銷售部（和代理商溝通、售后服務(wù)和每天一份銷售報(bào)表）、采購部、物流部、財(cái)會部和人事部。公司運(yùn)行流程如圖1.1所示。圖1.1公司業(yè)務(wù)流程公司的銷售數(shù)據(jù)來源于銷售部，而銷售部的銷售數(shù)據(jù)來源于代銷商以與公司直接負(fù)責(zé)的專賣店的銷售反饋信息。公司生產(chǎn)的服裝款式分為兩種：一種是經(jīng)典款式，一種是時(shí)尚款式。對于經(jīng)典款式，雖然長期暢銷，但服裝款式與時(shí)尚密切相關(guān)，隨著銷售時(shí)間的

7、延續(xù)，銷售數(shù)量有逐年遞減的趨勢；對于時(shí)尚款式，潮流性極強(qiáng)，銷售波動(dòng)大，銷售季節(jié)較短。根據(jù)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(shù)據(jù)的匯總，并沒有形成預(yù)測信息，而公司高層也僅僅是根據(jù)匯總的銷售數(shù)據(jù)，把銷售量略微上調(diào)就作為次年的生產(chǎn)計(jì)算，對于每種設(shè)計(jì)系列產(chǎn)品缺乏銷售預(yù)測，每年生產(chǎn)的系列產(chǎn)品都有供不應(yīng)求和庫存積壓的現(xiàn)象出現(xiàn)，企業(yè)有銷售預(yù)測的迫切需求。目前，銷售預(yù)測主要應(yīng)用的技術(shù)是數(shù)據(jù)挖掘技術(shù)，應(yīng)用于服裝行業(yè)的銷售預(yù)測研究已初見成果79，本文根據(jù)公司的特點(diǎn)，運(yùn)用數(shù)據(jù)挖掘技術(shù)進(jìn)行了銷售預(yù)測分析，以提供改進(jìn)公司營銷現(xiàn)狀的策略依據(jù)。二、數(shù)據(jù)挖掘技術(shù)（一）數(shù)據(jù)挖掘概述“數(shù)

8、據(jù)挖掘（Data Mining，DM）”是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程11，它從海量數(shù)據(jù)中發(fā)現(xiàn)趨勢和模式，是一個(gè)知識“發(fā)現(xiàn)”過程。1989年8月舉行的第一屆KDD國際學(xué)術(shù)會議第一次提出了數(shù)據(jù)庫中的知識發(fā)現(xiàn)（Knowledge Discovery in Database，KDD）。數(shù)據(jù)挖掘是由數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)規(guī)則知識表達(dá)和知識應(yīng)用與服務(wù)等幾個(gè)方面組成12。數(shù)據(jù)處理是對采集到的原始數(shù)據(jù)進(jìn)行歸檔處理、更正校對、過濾清理和數(shù)據(jù)轉(zhuǎn)換、合并，采集是基礎(chǔ)，處理是關(guān)鍵。數(shù)據(jù)規(guī)則知識表達(dá)是對數(shù)據(jù)的分析與挖

9、掘，這個(gè)階段主要是對處理后的數(shù)據(jù)進(jìn)行分析、概括和挖掘，生成關(guān)聯(lián)的規(guī)則，發(fā)現(xiàn)新的數(shù)據(jù)關(guān)系等13，數(shù)據(jù)規(guī)則知識表達(dá)是數(shù)據(jù)挖掘的形式，最終目的是進(jìn)行知識應(yīng)用和服務(wù)。企業(yè)數(shù)據(jù)量非常大，但是其中真正有價(jià)值的信息卻很少，因此要從大量的數(shù)據(jù)中經(jīng)過各種分析，揭示隱藏的、未知的或驗(yàn)證已知的規(guī)律性，并進(jìn)一步將其模型化，獲得有利干商業(yè)運(yùn)作、提高競爭力的信息。在實(shí)際應(yīng)用中，通過使用數(shù)據(jù)挖掘技術(shù)，可以產(chǎn)生巨大的商業(yè)機(jī)會14。（二）數(shù)據(jù)挖掘的應(yīng)用數(shù)據(jù)挖掘的目的是知識應(yīng)用和服務(wù)，數(shù)據(jù)挖掘就是要在龐大的數(shù)據(jù)庫中尋找有價(jià)值的潛在信息，并且對這些信息加以分析處理，得到有意義的信息來指導(dǎo)企業(yè)決策。數(shù)據(jù)挖掘在現(xiàn)今的信息社會有很廣泛的

10、應(yīng)用，在零售、金融、電信、醫(yī)療、科研等行業(yè)領(lǐng)域發(fā)揮了巨大的作用15。1在零售業(yè)中的應(yīng)用。數(shù)據(jù)挖掘在零售業(yè)中的應(yīng)用主要涉與客戶細(xì)分和交叉銷售等方面，利用數(shù)據(jù)挖掘技術(shù)可以識別客戶購買行為，發(fā)現(xiàn)客戶購買模式和趨勢，進(jìn)而預(yù)測銷售量、預(yù)測顧客的購買行為。啤酒與尿布的銷售案例，是數(shù)據(jù)挖掘在零售業(yè)中典型應(yīng)用16。2在金融領(lǐng)域中的應(yīng)用。在股票、稅收、保險(xiǎn)等金融領(lǐng)域，數(shù)據(jù)挖掘主要應(yīng)用在信用評估和防止欺詐等方面。如，可以根據(jù)對偷稅漏稅者以與對各行各業(yè)的納稅人進(jìn)行描述分析，找出普遍規(guī)律，為稅務(wù)征稽提供決策依據(jù)17；利用保險(xiǎn)業(yè)務(wù)和保險(xiǎn)市場等有效數(shù)據(jù)來預(yù)測保險(xiǎn)業(yè)的發(fā)展趨勢，預(yù)測顧客保險(xiǎn)的模式18。3在電子商務(wù)中的應(yīng)用。

11、數(shù)據(jù)挖掘技術(shù)在基于Web模式的電子商務(wù)領(lǐng)域也得到廣泛應(yīng)用，運(yùn)用知識發(fā)現(xiàn)技術(shù)把訪問者、網(wǎng)上購買者的訪問數(shù)據(jù)從潛在的、隱含的、事先不知的狀態(tài)，經(jīng)過提取、洗滌、加工變?yōu)閮r(jià)值信息，實(shí)現(xiàn)高效率的網(wǎng)絡(luò)營銷。數(shù)據(jù)挖掘技術(shù)在電子商務(wù)領(lǐng)域的基本應(yīng)用是通過數(shù)據(jù)挖掘來分析客戶，識別用戶的行為模式，為客戶提供個(gè)性化服務(wù)19。數(shù)據(jù)挖掘在各商業(yè)領(lǐng)域的應(yīng)用中，預(yù)測，尤其是銷售預(yù)測有著廣闊的應(yīng)用前景。服裝銷售預(yù)測要達(dá)到高準(zhǔn)確度，需要有科學(xué)、有效的預(yù)測方法。（三）數(shù)據(jù)挖掘的常用方法與技術(shù)目前，數(shù)據(jù)挖掘理論框架已基本形成，常用的數(shù)據(jù)挖掘方法和技術(shù)分為6類20。1歸納學(xué)習(xí)方法。歸納學(xué)習(xí)方法分為信息論法和集合論法。信息論方法是利用信

12、息論的原理建立決策樹，也稱為決策樹方法，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別。這種方法一般用于分類任務(wù)。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(guān)聯(lián)規(guī)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尋找規(guī)則。概念樹方法是對數(shù)據(jù)庫中記錄屬性的歸類合并，它可以濃縮數(shù)據(jù)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(shù)學(xué)工具，它把客觀世界抽象為一個(gè)信息系統(tǒng)，通過下近似和上近似概念來描述不精確概念。關(guān)聯(lián)規(guī)則挖掘法是在交易事務(wù)數(shù)據(jù)庫中挖掘出不同項(xiàng)集的關(guān)聯(lián)關(guān)系，即哪些商品頻繁地被顧客同時(shí)購買。2統(tǒng)計(jì)分析方法。統(tǒng)計(jì)分析方法包括相關(guān)分析

13、、回歸分析與因子分析等。一般先由用戶提供假設(shè)，再由系統(tǒng)利用數(shù)據(jù)進(jìn)行驗(yàn)證。目前，已有許多商品化的分析工具，包括SAS，SPSS和Stargraphis等。統(tǒng)計(jì)分析方法可以通過對大量數(shù)據(jù)分析形成行為預(yù)測，對生產(chǎn)管理、銷售和企業(yè)決策有著重要的意義。3仿生物技術(shù)的神經(jīng)網(wǎng)絡(luò)方法。1943年，芝加哥大學(xué)首次提出了人工神經(jīng)網(wǎng)絡(luò)（ANN）的概念21。神經(jīng)元網(wǎng)絡(luò)方法可以模擬人腦，是一種向訓(xùn)練數(shù)據(jù)集學(xué)習(xí)并應(yīng)用所學(xué)知識來生成分類和預(yù)測的模式，神經(jīng)網(wǎng)絡(luò)由許多基本單元構(gòu)成，這些基本單元模仿人腦的神經(jīng)元，將多個(gè)基本單元連接起來，就構(gòu)成了神經(jīng)網(wǎng)絡(luò)。基本單元之間的連接相當(dāng)于人腦中神經(jīng)元的連接，連接方式有多種，從而形成了多種神

14、經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)22。4仿生物技術(shù)的遺傳算法。遺傳算法（GA：GeneticAlgorithms）也是基于生物學(xué)理論的，是從達(dá)爾文的自然選擇和適者生存的進(jìn)化論中獲得其理論根源的。它基于一系列的自適應(yīng)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(wǎng)絡(luò)的預(yù)測結(jié)果和期望狀態(tài)之間的差異做出響應(yīng)，它的最強(qiáng)大功能在于它將種群成員進(jìn)行交配然后產(chǎn)生新的子代，這樣的子代中就很可能繼承了父代中較好的特征，甚至有可能結(jié)合了父代雙方的最優(yōu)特征21。5數(shù)值數(shù)據(jù)的公式發(fā)現(xiàn)。數(shù)值數(shù)據(jù)的公式發(fā)現(xiàn)是對數(shù)據(jù)庫中若干數(shù)據(jù)項(xiàng)目進(jìn)行一定的數(shù)學(xué)運(yùn)算，推算出相應(yīng)的數(shù)學(xué)公式的方法。目前有物理定律發(fā)現(xiàn)系統(tǒng)BACON、經(jīng)驗(yàn)公式發(fā)現(xiàn)系統(tǒng)F

15、DD等。物理定律發(fā)現(xiàn)系統(tǒng)是運(yùn)用人工智能技術(shù)從實(shí)驗(yàn)數(shù)據(jù)中尋找其規(guī)律性比較成功的一個(gè)系統(tǒng)。經(jīng)驗(yàn)公式發(fā)現(xiàn)系統(tǒng)是從大量實(shí)驗(yàn)數(shù)據(jù)中發(fā)現(xiàn)的經(jīng)驗(yàn)公式，逐步完成任意函數(shù)的任意組合（線性組合、初等運(yùn)算組合、復(fù)合函數(shù)運(yùn)算組合等）對自然規(guī)律和經(jīng)驗(yàn)規(guī)律的發(fā)現(xiàn)。6可視化技術(shù)。可視化技術(shù)是一種圖形顯示技術(shù)，它創(chuàng)建二維或三維業(yè)務(wù)數(shù)據(jù)集的圖表，使得用戶更好地理解業(yè)務(wù)數(shù)據(jù)，從而提升知識和洞察力?？梢暬瘮?shù)據(jù)挖掘技術(shù)創(chuàng)建了可視化的數(shù)據(jù)挖掘模型，利用這些模型發(fā)現(xiàn)業(yè)務(wù)數(shù)據(jù)集中存在的模式，從而輔助決策支持并預(yù)測新的商機(jī)。（四）數(shù)據(jù)挖掘的任務(wù)數(shù)據(jù)挖掘的目標(biāo)是預(yù)測和描述23。預(yù)測是指從一些變量或者海量數(shù)據(jù)庫中的已知字段中預(yù)測感興趣的有意義的

16、未知變量或字段。描述是指找到描述字段的可理解模式。根據(jù)發(fā)現(xiàn)知識的不同，我們可以將數(shù)據(jù)挖掘任務(wù)歸納為五類：提取特征、分類、關(guān)聯(lián)性、聚類和預(yù)測24。1提取特征。從與學(xué)習(xí)任務(wù)相關(guān)的一組數(shù)據(jù)中提取出關(guān)于這些數(shù)據(jù)的特征式，這些特征式表達(dá)了該數(shù)據(jù)集的總體特征。例如可以從某種疾病的癥狀中提取關(guān)于該疾病的特征規(guī)則。2分類。分類是用一個(gè)函數(shù)把各個(gè)數(shù)據(jù)項(xiàng)映射到某個(gè)預(yù)定義的類，或者說是開采出關(guān)于該類數(shù)據(jù)的描述或模型。數(shù)據(jù)分類方法有決策樹分類方法、統(tǒng)計(jì)方法、粗集方法等。3關(guān)聯(lián)性。關(guān)聯(lián)性用來發(fā)現(xiàn)一組項(xiàng)目之間的關(guān)聯(lián)關(guān)系和相關(guān)關(guān)系，它們經(jīng)常被表達(dá)為規(guī)則形式。一條形如XY 的關(guān)聯(lián)規(guī)則可以解釋為：滿足X 的數(shù)據(jù)庫元組也很可能會

17、滿足Y。關(guān)聯(lián)性分析廣泛應(yīng)用于交易數(shù)據(jù)分析，通過分析結(jié)果來指導(dǎo)銷售、目錄設(shè)計(jì)與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，搜索并識別一個(gè)有限的種類集合或簇集合，從而描述數(shù)據(jù)。簡單地說，就是識別出一組聚類規(guī)則，將數(shù)據(jù)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(dá)形式25。5預(yù)測。預(yù)測是利用歷史數(shù)據(jù)找出變化規(guī)律，建立模型，并用此模型來預(yù)測未來數(shù)據(jù)的種類、特征等。在預(yù)測中，歷史數(shù)據(jù)可以用來建立模型，以檢查幾年來觀測值的變化。若運(yùn)用最新數(shù)據(jù)作為輸入值，可以獲得未來變化的預(yù)測值。典型的方法是回歸分析，即利用大量的歷史數(shù)據(jù)，以時(shí)間為變量，建立線性或非線性回

18、歸方程。預(yù)測時(shí)，只要輸入任意的時(shí)間值，通過回歸方程就可求出該時(shí)間的預(yù)測值20。三、基于數(shù)據(jù)挖掘的服裝銷售預(yù)測模型服裝產(chǎn)品分為基本款和時(shí)尚款?；究钣邢鄬Ψ€(wěn)定的需求和較長的生命周期，通常應(yīng)用基于銷售歷史數(shù)據(jù)的常規(guī)方法就可以進(jìn)行有效的定量預(yù)測；對時(shí)尚產(chǎn)品，由于它們的銷售情況存在高度不確定性，再加上產(chǎn)品生命周期相對較短，零售商很難準(zhǔn)確地把握訂貨量和庫存量，這導(dǎo)致了其在銷售過程中常出現(xiàn)缺貨，而在季末又可能導(dǎo)致庫存積壓，因此，更需要利用數(shù)據(jù)挖掘技術(shù)進(jìn)行服裝銷售預(yù)測，以便服裝生產(chǎn)商和銷售商能制定良好的生產(chǎn)、銷售方案。（一）數(shù)據(jù)挖掘中的預(yù)測模型預(yù)測方法主要有定性判斷技術(shù)、統(tǒng)計(jì)時(shí)間序列模型、因果模型26。定性

19、判斷技術(shù)依賴于經(jīng)驗(yàn)和直覺，主要適用于歷史數(shù)據(jù)不可得或需長期預(yù)測的情況。判斷技術(shù)適用圍很廣，從單一管理者的觀點(diǎn)或高級主管評判委會的觀點(diǎn)到更復(fù)雜的歷史類推和Delphi法。統(tǒng)計(jì)時(shí)間序列模型適用于短期預(yù)測。許多預(yù)測是建立在對很多歷史時(shí)間序列數(shù)據(jù)分析上的，并假設(shè)未來可以由過去外推而得來。時(shí)間序列也展示了短期季節(jié)影響（一年、一個(gè)月、一周甚至一日）和長期周期性影響或非線性趨勢。一系列在對時(shí)間序列的統(tǒng)計(jì)學(xué)角度上的預(yù)測方法運(yùn)用很普遍，如移動(dòng)平均模型、指數(shù)平滑和回歸分析。移動(dòng)平均、指數(shù)平滑模型對于穩(wěn)定時(shí)間序列最有效。對于涉與趨勢和季節(jié)性因素的時(shí)間序列，雙移動(dòng)平均和指數(shù)平滑模型，季節(jié)性加法和季節(jié)性乘法，Holt-

20、Winter加法模型和Holt-Winter乘法模型比較適用。因果模型是從統(tǒng)計(jì)學(xué)上尋找和識別因素解釋等待預(yù)測的變量所存在的模式，它假定數(shù)據(jù)遵從于過去某種不變的模式，在預(yù)測的信息和其他因素之間存在著穩(wěn)定的關(guān)系。從簡單的回歸分析（它是預(yù)測所基于的根本技術(shù)），到計(jì)量經(jīng)濟(jì)模型（它使用一系列方程組），這些都屬于因果模型。時(shí)間序列模型只用時(shí)間作為獨(dú)立變量，而因果模型通常還包括其他因素。近年來學(xué)業(yè)界提出很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(yù)測模型27、基于CURE算法和C4_5決策樹的服裝銷售預(yù)測模型9和基于時(shí)間序列和PERT的服裝銷售預(yù)測方法28。（二）服裝公司銷售情況本文研究的品牌服裝

21、公司，其銷售主要情況如下：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(chǎn)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(chǎn)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(chǎn)14500件，銷售12959件?？梢?，以A款服裝為例，該品牌服裝公司的年總利潤很高，但

22、是因?yàn)殇N售預(yù)測并沒有達(dá)到高準(zhǔn)確度，所以生產(chǎn)量遠(yuǎn)遠(yuǎn)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(dǎo)致成本增高，利潤降低。（三）基于數(shù)據(jù)挖掘的銷售預(yù)測模型的選擇本文根據(jù)該品牌服裝公司銷售情況，選擇因果模型中的回歸預(yù)測來對銷售數(shù)據(jù)進(jìn)行分析?；貧w預(yù)測是一種比較傳統(tǒng)的預(yù)測方法，是根據(jù)歷史記錄分析得出的總體趨勢，并將這種趨勢用某種數(shù)學(xué)方程式表示，利用這個(gè)方程式，就可以輸入未來的一個(gè)或多個(gè)變量計(jì)算出預(yù)測結(jié)果，它是用于構(gòu)建統(tǒng)計(jì)模型的一種工具，刻畫因變量和一個(gè)或一個(gè)以上自變量的相互關(guān)系，要求所有的變量是數(shù)值型的。在商業(yè)決策中有兩種廣泛應(yīng)用的回歸模型：橫截面數(shù)據(jù)的回歸模型和時(shí)間序列數(shù)據(jù)的回歸模型22。橫截

23、面數(shù)據(jù)是隨機(jī)抽取的平行關(guān)系或者并列關(guān)系的數(shù)據(jù)，如某個(gè)時(shí)間抽取三十一個(gè)省的某項(xiàng)數(shù)據(jù)（每個(gè)省都要抽取）。時(shí)間序列數(shù)據(jù)的回歸模型是指自變量是時(shí)間或時(shí)間的函數(shù)，主要用于預(yù)測：時(shí)間序列是一系列歷史數(shù)據(jù)，如月銷量。時(shí)間序列模型假設(shè)現(xiàn)在影響銷售的一切因素都將一直持續(xù)下去，因此，預(yù)測只是將現(xiàn)有的數(shù)據(jù)推斷將來?；谝粋€(gè)自變量的回歸模型稱為簡單回歸。有兩個(gè)或兩個(gè)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(jié)性的，并且是在以年為基礎(chǔ)的情況下，因此本文借用回歸模型可用于季節(jié)性的時(shí)間序列，用定序變量作為季節(jié)性部分，建立一個(gè)多元線性模型?；跁r(shí)間序列的多元線性回歸模型能根據(jù)銷售歷史數(shù)據(jù)，對未來的服裝銷售走勢作有效的

24、客觀分析，避免銷售預(yù)測中對歷史數(shù)據(jù)的主觀判斷。（四）基于數(shù)據(jù)挖掘的銷售預(yù)測模型的應(yīng)用近2年各月份的銷售數(shù)據(jù)建立回歸模型建立回歸分析矩陣用回歸分析工具進(jìn)行分析建立回歸方程計(jì)算預(yù)測銷售量圖3.1 預(yù)測模型1模型具體操作（1）收集近兩年（2）的銷售數(shù)據(jù)對抽出的銷售數(shù)據(jù)進(jìn)行整合，得到需要的兩年（2）每個(gè)月的銷售量。（2）建立回歸模型用定序變量作為季節(jié)性部分，對于月份性的數(shù)據(jù)而言，有12個(gè)季節(jié)性組成部分，則定義12個(gè)定序變量，其他月份的變量令其觀測值為0，與實(shí)際相符的那個(gè)月的值令其為1。但是如果將12個(gè)月的季節(jié)性變化量都納入回歸模型中，將會遇到一個(gè)變量獨(dú)立性的問題，因?yàn)闀r(shí)間序列可以被解釋稱是其余獨(dú)立變量

25、的加權(quán)和，這就違反了回歸模型的一個(gè)重要理論假設(shè)每個(gè)自變量的殘差應(yīng)該是相互獨(dú)立的。因?yàn)殡S著時(shí)間的增大或呈現(xiàn)出循環(huán)的模式表示連續(xù)的觀察是相關(guān)的，也就是自相關(guān)，而它是背離這個(gè)假設(shè)的26。因此只用前11個(gè)定序變量。模型為：（3.1）（3）建立回歸分析矩陣根據(jù)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(shí)際相符的那個(gè)月的值令其為1。（4）對回歸分析矩陣進(jìn)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(jìn)行分析，得到回歸統(tǒng)計(jì)表、方差分析表以與回歸參數(shù)表。根據(jù)回歸統(tǒng)計(jì)表中的判定系數(shù)R2（coefficient of determination）來判斷擬合的效果，R2的值在01之間，1.0

26、意味著完美的擬合，而0意味著沒有關(guān)系的存在26。（5）建立回歸方程根據(jù)回歸矩陣分析結(jié)果中的回歸參數(shù)表，賦予，的值，得出回歸方程。（6）計(jì)算預(yù)測銷售量根據(jù)回歸模型計(jì)算出下一個(gè)周期（既年度中每個(gè)月份）的預(yù)測銷售量。對于第一年的12月的預(yù)測為，其他的11個(gè)月的每月變量系數(shù)顯示出的是對于12月份的數(shù)值。例如，1月份預(yù)測（時(shí)間序列為1）是；下一個(gè)1月份（時(shí)間序列是13）的預(yù)測是。2具體實(shí)際應(yīng)用本文以公司的主要產(chǎn)品毛呢大衣為研究對象。公司的毛呢大衣分為經(jīng)典款式和時(shí)尚款式。時(shí)尚款式于每年的九月份上市，直至次年的一月份。如果有庫存，會在二月份開始打折銷售。經(jīng)典款式全年都在銷售，只是從每年的九月份和時(shí)尚款式一起

27、正式上市，而次年的一月份到八月份都是以一定的折扣出售。本文選擇經(jīng)典款式作為分析對象。該公司的經(jīng)典款式不是一成不變的款，公司會在不固定的時(shí)間對原款注入新的流行元素，包括顏色、細(xì)節(jié)等容的調(diào)整，不改變整體的效果，成本浮動(dòng)很小。本文選擇的經(jīng)典款式A款作為研究對象，該款式選用優(yōu)質(zhì)羊駝面料，簡潔款式，亞克力裝飾腰帶，進(jìn)口狐貍毛領(lǐng)，主要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(shù)據(jù)庫中抽取出A款從2006年到2007年的月份銷售數(shù)據(jù)。因?yàn)榉b銷售數(shù)據(jù)庫中的服裝銷售數(shù)據(jù)就是以月和年為單位的數(shù)據(jù)表，所以不需整合，可以直接使用。如表3.1所示。表3.1 A款服裝2006

28、年、2007年銷售數(shù)據(jù)表年份月份銷售量（件）價(jià)格（元）成本（元）批發(fā)折扣率實(shí)際價(jià)格利潤2006186985016035%298138285685016035%298138353085016035%298138448685016035%298138559085016035%298138656785016035%298138760985016035%298138880585016035%2981389118989017540%35618110150889017540%35618111186689017540%3561811289089017540%3561812007188789017535%31

29、2137286989017535%312137360189017535%312137451589017535%312137553289017535%312137659889017535%312137766389017535%312137889089017535%31213791201118018040%472292102098118018040%472292112230118018040%472292121034118018040%472292（2）建立回歸模型。模型為：（3.1）（3）根據(jù)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量TimeJanFebMarAp

30、rMayJunJulAugSepOctNovJan869110000000000Feb856201000000000Mar530300100000000Apr486400010000000May590500001000000Jun567600000100000Jul609700000010000Aug805800000001000Sep1189900000000100Oct15081000000000010Nov18661100000000001Dec8901200000000000Jan8871310000000000Feb8691401000000000Mar601150010000000

31、0Apr5151600010000000May5321700001000000Jun5981800000100000Jul6631900000010000Aug8902000000001000Sep12012100000000100Oct20982200000000010Nov22302300000000001Dec10342400000000000（4）利用多元線性回歸工具對回歸分析矩陣進(jìn)行分析，分析結(jié)果如表3.3表3.6所示。根據(jù)回歸矩陣分析結(jié)果中的回歸統(tǒng)計(jì)表（表3.3）所示，此模型的R2 = 0.968（四舍五入，保留三位小數(shù)），效果很好。表3.3 回歸矩陣分析結(jié)果回歸統(tǒng)計(jì)表回歸統(tǒng)計(jì)Mu

32、ltiple R0.983831704R Square0.967924821Adjusted R Square0.932933717標(biāo)準(zhǔn)誤差129.6439617觀測值24表3.4 回歸矩陣分析結(jié)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(jì)235764055.958表3.5 回歸矩陣分析結(jié)果回歸參數(shù)表（1）Coefficients標(biāo)準(zhǔn)誤差t StatP-valueIntercept792.875121.27082186.538052

33、5044.20338E-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-335.2291667133.2695133-2.5154227580.0287082

34、83Jun-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3.6 回歸矩陣分析結(jié)果回歸參數(shù)表（

35、2）觀測值預(yù)測 銷售量殘差1821.62547.3752806.12549.8753509.12520.8754444.12541.8755504.62585.3756526.12540.8757579.62529.3758791.12513.87591138.62550.375101746.625-238.625111991.625-125.62512905.625-15.62513934.375-47.37514918.875-49.87515621.875-20.87516556.875-41.87517617.375-85.37518638.875-40.87519692.375-29

36、.37520903.875-13.875211251.375-50.375221859.375238.625232104.375125.625241018.37515.625（5）根據(jù)回歸分析矩陣分析結(jié)果中的回歸參數(shù)表，賦予，的值，得出的回歸模型為：（四舍五入，保留三位小數(shù)）（6）根據(jù)回歸模型計(jì)算出2008年12個(gè)月份的銷售量預(yù)測值（四舍五入，取整數(shù)）。表3.7既2008年預(yù)測銷售量以與從服裝銷售數(shù)據(jù)庫里抽取出的實(shí)際銷售量的對比。圖3.2是預(yù)測銷售量與實(shí)際銷售量的對比曲線。表3.7 2008年預(yù)測銷售量與實(shí)際銷售量對比月份預(yù)測銷售量（件）Time實(shí)際銷售量（件）Jan104625905Feb1

37、03026690Mar73327623Apr66828602May72829599Jun76030675Jul80331712Aug101532750Sep1362331360Oct1470341987Nov2215352165Dec1129361232圖3.2 預(yù)測銷售量與實(shí)際銷售量的對比根據(jù)預(yù)測結(jié)果做出2006年到2008年中的各個(gè)月份的預(yù)測銷售量和實(shí)際銷售量的對比表格以與曲線，如表3.8與圖3.3所示。表3.82006年到2008年各月預(yù)測銷售量與實(shí)際銷售量年份月份時(shí)間預(yù)測銷售量銷售量2006118228692280685633509530444444865550559066526567

38、775806098879180599113911891010174715081111199218661212906890200711393488721491986931562260141655751551761753261863959871969266382090489092112511201102218592098112321042230122410181034200812510469052261030690327733623428668602529728599630760675731803712832101575093313621360103414701987113522152165123

39、611291232圖3.32006年到2008年各月預(yù)測銷售量于實(shí)際銷售量曲線圖根據(jù)表3.8與圖3.3可知：（1）根據(jù)模擬曲線可以看出：預(yù)測銷售值與實(shí)際銷售值非常接近，說明了本文提出的模型對該品牌服裝公司的銷售進(jìn)行的模擬預(yù)測很有效，該模型在該品牌服裝公司的銷售預(yù)測中具有一定的可行性。（2）由模擬曲線和對比表可以看出：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，并且在每年的11月份達(dá)到一個(gè)高峰，則服裝銷售具有季節(jié)性的特點(diǎn)；隨著時(shí)間的推移，A款服裝因?yàn)椴粩嘧⑷胄碌脑?，所以銷售量以年為周期呈上升趨勢，則服裝銷售也具有趨勢性和周期性的特點(diǎn)；銷售預(yù)測還有不準(zhǔn)

40、確的地方，08年的1月9月份，實(shí)際銷售量略低于預(yù)測銷售量，而10月份與11月份的實(shí)際銷售量卻略高于預(yù)測銷售量，原因在于回歸預(yù)測是基于時(shí)間序列基礎(chǔ)上的，而時(shí)間預(yù)測是純理性的數(shù)值預(yù)測，不能對市場環(huán)境等服裝銷售的影響因素的突變作出與時(shí)有效地反應(yīng)，所以服裝銷售還具有隨機(jī)性的特點(diǎn)。四、改進(jìn)建議根據(jù)2008年實(shí)際銷售量，可以看出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(shí)際銷售量增長率根據(jù)服裝銷售的特點(diǎn)以與價(jià)格優(yōu)勢（8月份毛呢類服裝打折），假設(shè)提前A款服裝正式上市時(shí)間，可以增加利潤。根據(jù)圖4.2，如使銷售增長率平滑增長，既8月9月份增長率處于7月8

41、月份的增長率以與9月10月份的增長率之間，取中間值，8月9月份增長率為，則可根據(jù)9月份銷售量算出提前上市后的8月份銷售量為件，8月份新款未正式上市時(shí)平均每天的銷售量為件，新款上市后的銷售量可以約等于9月份每天的平均銷售量件（如果新款在8月份上市價(jià)格比9月份低，但是根據(jù)表3.1，新款上市的價(jià)格定位會高于以前款式的價(jià)格定位，所以A款服裝8月份上市的價(jià)格會高于正常8月份A款服裝的價(jià)格；而銷售量是受價(jià)格影響的，則可以認(rèn)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(jì)算出提前上市時(shí)間為天，而此時(shí)8月份利潤為元，比8月份的實(shí)際利潤高出元，即可在09年把毛呢大衣的正式上市時(shí)間提前16

42、天，到8月中旬上市。結(jié) 論本文對某品牌服裝公司的銷售情況進(jìn)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(shù)據(jù)，本文根據(jù)服裝銷售的特點(diǎn)，利用數(shù)據(jù)挖掘技術(shù)，建立因果模型，對銷售數(shù)據(jù)進(jìn)行回歸分析，形成銷售預(yù)測。分析結(jié)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(jìn)行了有效的模擬，則該模型在該公司的服裝銷售預(yù)測上有一定的可行性。根據(jù)2006年2008年各月的實(shí)際銷售量和預(yù)測銷售量的對比表和模擬曲線，顯示出服裝銷售有季節(jié)性、周期性、趨勢性和隨機(jī)性的特點(diǎn)。根據(jù)2007年2008年的銷售數(shù)據(jù)，可以預(yù)測出2009年中各月份A款服裝的銷售量，如表5.1與圖5.1，則可以分析出A

43、款服裝2009年的銷售情況：從1月份開始，銷售量不斷下降，并且在4月份達(dá)到一個(gè)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，并且在11月份會達(dá)到一個(gè)高峰；3月7月份銷售量波動(dòng)較小，但是8月份銷售量會明顯增高，則本文根據(jù)對2008年實(shí)際銷售記錄的分析，建議該品牌服裝公司在2009年提前毛呢大衣正式上市的時(shí)間到8月中旬。根據(jù)圖5.1與圖3.3對比，可以發(fā)現(xiàn)，2009年預(yù)測銷售量略為低于08年的預(yù)測銷售量以與實(shí)際銷售量，則影響服裝銷售的因素還包括很多不可控因素，例如金融危機(jī)等。表5.1 2009年預(yù)測銷售量月份預(yù)測銷售量Jan873Feb757Mar589Apr536May543

44、Jun614Jul665Aug797Sep1258Oct2020Nov2175Dec1110圖5.1 2009年預(yù)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(jià)格成本批發(fā)折扣率實(shí)際價(jià)格利潤總利潤2006186985016035%298138119922285685016035%298138118128353085016035%29813873140448685016035%29813867068559085016035%29813881420656785016035%29813878246760985016035%29813884042880585016035%2

45、981381110909118989017540%35618121520910150889017540%35618127294811186689017540%3561813377461289089017540%3561811610902007188789017535%312137121519286989017535%312137119053360189017535%31213782337451589017535%31213770555553289017535%31213772884659889017535%31213781926766389017535%31213790831889089017

46、535%31213712193091201118018040%472292350692102098118018040%472292612616112230118018040%472292651160121034118018040%472292301928續(xù)表年份月份銷售量價(jià)格成本批發(fā)折扣率實(shí)際價(jià)格利潤總利潤20081905118018035%4132332108652690118018035%4132331607703623118018035%4132331451594602118018035%4132331402665599118018035%413233139567667511801803

47、5%4132331572757712118018035%4132331658968750118018035%41323317475091360138019540%552357485520101987138019540%552357709359112165138019540%552357772905121232138019540%552357439824附錄B 預(yù)測2009年銷售量回歸分析結(jié)果回歸統(tǒng)計(jì)Multiple R0.99460086R Square0.989230872Adjusted R Square0.977482732標(biāo)準(zhǔn)誤差82.87659684觀測值24dfSSMSFSigni

48、ficance F回歸分析126940226578352.166784.203190664.94594E-09殘差1175553.833336868.530303總計(jì)237015779.833Coefficients標(biāo)準(zhǔn)誤差t StatP-valueLower 95%Upper 95%Intercept1155.7577.5239576914.90829461.21563E-08985.12091971326.37908Time-1.263888892.819519081-0.4482639960.662663623-7.4696085424.941830764Jan-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-