什么是销售预测
销售计划的中心任务之一就是销售预测,无论企业的规模大小、销售人员的多少,销售预测影响到包含计划、预算和销售额确定在内的销售经营管理的各方面工作。
销售预测是指对未来特定时间内,全部产品或特定产品的销售数量与销售金额的估计。销售预测是在充分考虑未来各种影响因素的基础上,结合本企业的销售实绩,通过一定的解析方式提出切实可行的销售目标。
销售预测的影响因素
尽管销售预测十分重要,但实行高质量的销售预测却并非易事。在实行预测和选择最合适的预测方式之前,了解对销售预测产生影响的各种因素是非常重要的。
一般来讲,在实行销售预测时考虑两大类因素:
1、外界因素
1)需求动向
需求是外界因素之中最重要的一项.如流行趋势、爱好变化、生活形态变化、人口流动等,均可成为产品(或服务)需求的质与量方面的影响因素,因此,必须加以解析与预测。企业应尽量收集有关对象的市场资料、市场调查机构资料、购买动机调查等统计资料.以掌握市场的需求动向。
2)经济变动
销售收入深受经济变动的影响,经济因素是影响商品销售的重要因素,为了提高销售预测的准确性,应特别关注商品市场中的供应和需求状况。尤其近几年来科技、信息快速进展,更带来无法预测的影响因素,导致企业销售收入波动。因此,为了正确预测,需特别注意资源问题的未来进展、政府及财经界对经济政策的见解以及基础工业、加工业出产、经济增长率等指标变动状况。尤其要关注突发事件对经济的影响。
3)同业竞争动向
销售额的高低深受同业竞争者的影响,古人云“知己知彼.百战不殆”。为了生存,必须掌握对手在市场的所有行为。例如,竞争对手的目标市场在哪里,产品价格高低,促销与服务措施等等。
4)政府、消费者团体的动向
考虑政府的各种经济政策、方案措施以及消费者团体所提出的各种要求等。
2、内部因素
1)营销策略
市场定位、产品政策、价格政策、渠道政策、广告及促销政策等变更对销售额所产生的影响。
2)销售政策
考虑变更经营管理内容、交易条件或付款条件,销售方式等对销售额所产生的影响。
3)销售人员
销售行为是一种以人为核心的行为,所以人为因素对于销售额的实现具备相当深远的影响力,这是我们不能忽略的。
4)出产状况
货源是否充足,能否保证销售需要等。
销售预测的作用
1、通过销售预测,可以调动销售人员的积极性,促使产品尽早实现销售,以完成使用价值向价值的转变。
2、企业可以以销定产,根据销售预测资料,安排出产,避免产品积压。
销售预测的程序
销售预测可以看作是一个系统,是由有关信息资料的输入、处理和预测结果的输出所组成的信息资料转换历程。对于复杂的预测对象,有时要把它实行分解,对分解后的子系统实行预测,在此基础上再对总的预测目标实行预测。
销售预测是一项很复杂的工作,要使这一复杂工作有条不紊地实行,就必须遵循一定的程序。
销售预测的基本程序如下:
1、确定预测目标
销售预测是以产品的销售为中心的,产品的销售本身就是一个复杂的系统.有关的系统变量很多,如,市场需求潜量、市场占有率、产品的售价等等。而对于这些变量实行长期预测还是短期预测,这些变量对预测资料的要求,预测方式的选择都有所区别。所以.预测目标的确定是销售预测的紧要问题。
2、收集和解析资料
在预测目标确定以后,为满足预测工作的要求,必须收集与预测目标有关的资料,所收集到的资料的充足与可靠程度对预测结果的准确度具备重要的影响。所以,对收集的资料必须实行解析,并满足这些条件:
1)资料的针对性:即所收集的资料必须与预期目标的要求相一致。
2)资料的真实性:即所收集的资料必须是从实际中得来的,并加以核实的资料。
3)资料的完整性:资料的完整性直接影响到销售预测工作的实行.所以,必须采取各种方式,以保证得到完整的资料。
4)资料的可比性:对于同一种资料,来源区别,统计口径区别,也可能差别很大。所以在收集资料时,对所得到的资料必须实行解析,如剔除一些随机事件造成的资料不真实性,对不具备可比性的资料通过解析实行调整等,以避免资料本身原因对预测结果带来误差。
销售预测的方式
(一)销售预测的定性解析法
定性预测法是在预测人员具备丰富的实践经验和广泛的专业知识的基础上,根据其对事物的解析和主观判断能力对预测对象的性质和进展趋势作出推断的预测方式,如市场调研法和判断解析法。这类方式紧要是在企业所掌握的数据资料不完备、不准确的状况下使用,以通过对经济形势、国内外科学技术进展水平、市场动态、产品特点和竞争对手状况等状况资料的解析研究,对本企业产品的未来销售状况作出质的判断。
1.市场调研法
市场调研法就是通过对某种产品在市场上的供需状况变动的详细调查,了解各因素对该产品市场销售的影响状况,并据以推测该种产品市场销售量的一种解析方式。
在这类方式下,其预测的基础是市场调查所取得的各种资料,然后根据产品销售的具体特点和调查所得资料状况,采用具体的预测方式实行预测。
2.判断解析法
判断解析法紧要是根据熟悉市场未来变化的专家的丰富实践经验和综合判断能力,在对预测期销售状况实行综合解析研究以后所做出的产品销售趋势的判断。参与判断预测的专家既可以是企业内部人员,如销售部门经理和销售人员,也可以是企业外界的人员,如有关推销商和经济解析专家等。
判断解析法的具体方式一般可分为下列三种:
(1)意见汇集法。
意见法也称主观判断法,它是由本企业熟悉销售业务、对于市场的未来进展变化的趋势比较敏感的领导人、主管人员和业务人员,根据其多年的实践经验集思广益,解析各种区别意见并对之实行综合解析评价后所实行的判断预测。这一方式产生依据是,企业内部的各有关人员由于工作岗位和业务范围及分工有所区别,尽管他们对各自的业务都比较熟悉,对市场状况及企业在竞争中的地位也比较清楚,但其对问题理解的广度和深度却往往受到一定的限制。在这种状况下就需要各有关人员既能对总的社会经济进展趋势和企业的进展战略有充分的认识,又能全面了解企业当前的销售状况,实行信息交流和互补,在此基础上经过意见汇集和解析,就能做出比较全面客观的销售判断。
1)高级经理意见法
高级经理意见法是依据销售经理(经营者与销售经营管理者为中心)或其他高级经理的经验与直觉,通过一个人或所有参与者的平均意见求出销售预测值的方式。
2)销售人员意见法
销售人员意见法是利用销售人员对未来销售实行预测。有时是由每个销售人员单独作出这些预测,有时则与销售经理共同讨论而作出这些预测。预测结果以地区或行政区划汇总,一级一级汇总,最后得出企业的销售预测结果。
3)购买者期望法
许多企业经常关注新顾客、老顾客和潜在顾客未来的购买意向状况,如果存在少数重要的顾客占据企业大部分销售量这种状况,那么购买者期望法是很实用的。
这种预测方式是通过征询顾客或客户的潜在需求或未来购买商品计划的状况,了解顾客购买商品的行为、变化及特征等.然后在收集消费者意见的基础上解析市场变化,预测未来市场需求。
(2)特尔菲法。
特尔菲法又称专家调查法,它是一种客观判断法,由美国兰德企业在本世纪四十年代首先倡导使用。它紧要是采用通讯的方式,通过向见识广、学有专长的各有关专家发出预测问题调查表的方式来搜集和征询专家们的意见,并经过多次反复,综合、整理、归纳各专家的意见以后,作出预测判断。
(3)专家小组法。
专家小组法也属于一种客观判断法,它是由企业组织各有关方面的专家组成预测小组,通过召开各种形式座谈会的方式,实行充分广泛的调查研究和讨论,然后运用专家小组的集体科研成果作出最后的预测判断。
(4)模拟顾客综合判断法。
先请各位专家模拟成各种类型的顾客,通过比较本企业和竞争对手的产品质量、售后服务和销售条件等作出购买决策,然后把这些“顾客”准备购买本企业产品的数量加以汇总,形成一个销售预测值。
(二)销售预测的定量解析法
定量预测法紧要是根据有关的历史资料,运用现代数学方式对历史资料实行解析加工处理,并通过建立预测模型来对产品的市场变动趋势实行研究并作出推测的预测方式,如趋势预测解析法和因果预测解析法。这类方式是在拥有尽可能多的数据资料的前提下运用,以便能通过对数据类型的解析,确定具体适用的预测方式对产品的市场需求作出量的估计。
1.趋势预测解析法
趋势预测解析法是应用事物进展的延续性原理来预测事物进展的趋势。首先把本企业的历年销售资料按时间的顺序排列下来,然后运用数理统计的方式来预计、推测计划期间的销售数量或销售金额,故亦称“时间序列预测解析法”。这类方式的优点是收集信息方便、迅速;缺点是对市场供需状况的变动因素未加考虑。
(1)算术平均法。
算术平均法是以过去若干期的销售量或销售额的算术平均数作为计划期的销售预测数。其计算公式如下:
(2)移动加权法。
移动加权平均法是先根据过去若干期的销售量或销售额,按其距离预测期的远近分别实行加权(近期所加权数大些,远期所加权数小些);然后计算其加权平均数,并以此作为计划期的销售预测值。所谓“移动”是指对计算平均数的时期不断向后推移。例如,预测7月份的销售量以4、5、6月份的历史资料为依据;若预测8月份的销售量,则以5、6、7月份的资料为准。一般状况下,预测数受近期实际销售的影响程度较大,因此越接近预测期的实际销售状况所加权数应越大些。
(3)指数平滑法。
指数平滑法就是遵循“重近轻远”的原则,对全部历史数据采用逐步衰减的不等加权办法实行数据处理的一种预测方式。指数平滑法通过对历史时间序列实行逐层平滑计算,从而消除随机因素的影响, 识别经济现象基本变化趋势,并以此预测未来。它短期预测中最有效的方式。使用指数平滑系数来实行预测,对近期的数据观察值赋予较大的权重,而对以前各个时期的数据观察值则顺序的赋予递减的权重。指数平滑法是同类预测法中被认为是最精确的, 因为最近的观察值已经包含了最多的未来状况的信息。
2.因果预测解析法
因果预测解析法,是利用事物进展的因果关系来推测事物进展趋势的方式。它一般是根据过去掌握的历史资料,找出预测对象的变量与其相关变量之间的依存关系,来建立相应的因果预测的数学模型。然后通过对数学模型的求解来确定对象在计划期的销售量或销售额。
因果预测所采用的具体方式较多,最常用而且最简单的是回归解析法。回归解析紧要是研究事物变化中的两个或两个以上因素之间的因果关系,并找出其变化的规律,应用回归数学模型,预测事物未来的进展趋势。由于在现实的市场条件下,企业产品的销售量往往与某些变量因素(例如,国民出产总值、个人可支配的收入、人口、相关工业的销售量、需要的价格弹性或收入弹性等等)之间存在着一定的函数关系,因此我们可以利用这种关系,选择最恰当的相关因素建立起预测销售量或销售额的数学模型,这往往会比采用趋势预测解析法获得更为理想的预测结果。例如轮胎与汽车,面料、辅料与服装,水泥与建筑之间存在着依存关系,而且都是前者的销售量取决于后者的销售量。所以,可以利用后者现成的销售预测的信息,采用回归解析的方式来推测前者的预计销售量(额)。这种方式的优点是简便易行,成本低廉。回归解析法紧要包含一元回归直线法(预测对象的相关因素有一个)与多元回归法(预测对象的相关因素有两个或两个以上)。
(1)一元回归直线法。
一元线性回归法是用途较为广泛的一种预测方式。一元线性回归法即最小二乘法,是用来处理两个变量之间具备的线性关系的一种方式。其具体做法是:
(2)多元回归法。
企业的经营行为往往受多方面因素的影响,即一个因变量和几个自变量存在依存关系。例如有的企业的产品是供应若干个其他企业出产用的零部件,因此出产零部件的企业的产品销售量受其他企业出产量的影响。在因变量同时受两个或两个以上的自变量的影响的状况下,就要用多元回归预测法实行预测。
3.时间序列解析法
时间序列解析法是利用变量与时间存在的相关关系,通过对以前数据的解析来预测将来的数据。在解析销售收入时,大家都懂得将销售收入按照年或月的次序排列下来,以观察其变化趋势。时间序列解析法现已成为销售预测中具备代表性的方式。
数据挖掘在销售预测中的应用
随着市场经济的进展和经济的全球化,企业面临着越来越残酷的市场竞争。企业要想赢得竞争、赢得客户,就必须在最快的时间内,以最低的成本将产品提给给客户,这使得实行正确及时的产品销售预测及由此产生的可靠的决策,成为现代企业成功的关键要素。由此,一些销售预测系统也应运而生。可是,随着计算机技术、网络技术、通讯技术和Intemet技术的进展和各个业务操作流程的 自动化,企业产生了数以儿十或上百GB的销售历史数据,面对这些海量数据,传统的预测系统越来越不适应新的预测要求,紧要表现在:大量的历史数据处于脱机状态,变成了“数据坟墓”。预测涉及海量数据的处理,传统的方式无法满足运行效率、计算性能、准确率及存储空间的要求。预测所需的数据含有大量不完整 (缺少属性值或仅包含聚集数据)、含噪声 (错误或存在偏离期望的孤立点值)、不一致的内容 (来源于多个数据源或编码存在差异),导致预测陷人混乱。传统的数据库技术在预测知识的表达、综合和推理方面能力比较薄弱,难以满足日益提高的预al要求。在这种状况下,一个新的研究领域— 数据挖掘(Data Mining,DM)的出现引起了学术界和产业界的广泛关注。
实行销售预测数据挖掘前的数据准备问题
数据挖掘一般包含数据准备、数据挖掘和结果的解释与评价三个阶段。数据挖掘结果的质量与被挖掘数据质量息息相关。数据准备就是对被挖掘数据实行定义、处理和表示,使它适应于特定的数据挖掘方式。数据准备是数据挖掘历程中的第一个重要步骤,在整个数据挖掘历程中起着举足轻重的作用。它包含以下几个步骤:
数据清洗 一般来说,销售历史数据来源于异质操作数据库。这些异质操作数据库中的数据并不者提 正确的,常常不可避免地存在着不完整、不一致、不精确和重复的数据,这些数据统称为 “脏数据”。脏数据能使挖掘历程陷入混乱,导致不可靠的输出。数据清洗通过填写空缺的值,平滑噪声,识别、删除点,解决不一致来 “清洗”数据。它可以在数据装人数据仓库之前实行,也可以在装人之后实行。
数据清洗技术一般可分为基于规则的方式、可视化方式和统计学法方式。基于规则的方式根据字段定义域的元知识、约束和与其它字段的关系对该字段的每一数据项实行评估;可视化方式以图形方式显示数据集的有效轮廓,从而很容易辨别脏数据;统计学法方式通过统计技术填补丢失的数据和更正错误的数据。
数据集成与数据变换 在实行销售预测数据挖掘时常常需要将多个数据存储合并,并转换成适合挖掘的形式。在销售历史数据中,我们常常会发现代表同一概念的属性在区别的数据库含有区别的名字,这将会导致不一致和冗余,而含有大量不一致和冗余数据会降低数据挖掘历程的性能或使之陷人混乱。将数据集成与变换将减少或避免这种状况,提高数据挖掘的精度与速度。
数据集成要考虑实体识别问题、相关性解析问题、数值冲突检测与处理问题等。实体识别问题即如何将来自多个信息源的实体匹配 相关解析问题即通过相关性解析来检测数据冗余 数值冲突检测与处理问题即通过对元组级冗余检测,消除数据语义上的异种性。而数据变换涉及到平滑、聚集、数据概化、规范化、属性构造等,通过这些处理将数据转换成适合于挖掘的形式。
数据归约 当选择用于数据解析的数据集过大,在海量数据上实行复杂的数据解析和挖掘将需要很长时间,使得这种数据挖掘不现实、不可行。而数据归约技术可以 “压缩”数据集,得到其 “归约”表示,它小的多,但仍接近于保持原数据的完整性,使得在归约后的数据集上实行挖掘更有效。其策略包含数据立方体聚集、维归约、数据压缩、数值压缩、离散化和概念分层等,这些涉及到了多特征方、压缩搜索空间的启发式算法、小波变换、紧要成分解析PCA、线性回归模型解析和对数线性模型、多维索引树、离散化技术等。目前这个领域仍然是一个非常活跃的研究领域。
面向销售预测的数据挖掘工具
目前可用于销售预测的数据挖掘工具紧要是一些统计解析方式,如时间序列解析、线性回归模型解析、非线性回归模型解析、灰色系统模型解析、马尔可夫解析法等,它是目前最成熟的数据挖掘技术。然而,一方面由于产品的需求往往是由许多因素综合决定的,传统的统计解析方式往往只是考虑了其中的一部分,而且影响需求的各种因素之间往往存在着各种错综复杂的相互作用,依传统方式建立的简单模型无法表达这种相互作用;另一方面,由于庞大的销售数据集的性质往往非常复杂,且非线性、持续性及噪音普遍存在,因此需要一种区别于传统的新的理论和方式去解决数据挖掘中的问题。而神经网络作为一种非线性 自适应动力学系统,具备通过自学习提取信息的内部特征的优点,非常适合解决销售数据中的数据挖掘问题。自从1987年Lapedes和Farber首先应用神经网络实行预测以来,神经网络已成为一种非常有前途的预测方式,近年来已成为经济预测、经营管理决策、数据挖掘领域研究的热点。
神经网络可很好地胜任数据挖掘技术,它通过模拟人脑反复学习技术来工作的。对给出的样本数据,神经网络通过类似人类记忆历程的方式学习数据中的统计规律,归纳出能描述样本特征的数据模型,然后用已学会的数据模型分类新给出的数据。用神经网络挖掘知识时,解析者首先找出一组变量,这些变量中需要有导致实例结果的因素。神经网络通过反复学习,找出变量与结果的函数关系,再用这一函数对新数据分类、预测、评价等处理。目前已有一些神经网络模型已很好地运用于销售预测,解析、预测销售的未来波动等,表现 出良好的运用前景 。
销售预测的数据挖掘结构框架
为克服传统预测系统的缺陷,将数据挖掘技术应用到销售预测中来。我们设计的基于数据挖掘的销售预测支持系统由人机交互系统、知识库、数据库 (或数据仓库)、数据挖掘工具、模V经营管理系统、知识库经营管理系统和解析解释系统等部分组成。其结构框架如图1所示。其中,数据挖掘工具通过数据库APT访问数据库或数据仓库,并执行销售预测的各种挖掘任务。
面向销售预测的数据挖掘历程
在利用数据挖掘技术实行销售预测时,现有的数据挖掘工具能自动完成许多工作,但挖掘历程中每一步应特别小心,否则会推导出错误的结论。数据挖掘并不一定遵循特定的历程,但一般的步骤包含以下几个方面
在实行数据挖掘工作前,要清楚地知道数据挖掘的目标。事先明确挖掘的业务目标,确定达到目标的评价方式,这将大大减少挖掘工作的难度和工作量。
选择数据。这些数据可能是数据仓库或数据集市,也可能是各个联机事务处理系统中的数据。
数据预处理。这个历程可以改进销售数据质量,从而有助于提高其后的挖掘历程的精度和性能。高质量的销售决策必然依赖于高质量的数据,检测数据异常、尽快调整数据,并归约待解析的数据,将在决策历程得到高回报。
在开始挖掘工作前,需要具体每一个细节,确定哪些想法需要验证,哪些方面需要用工具从数据中得出假设。
构造数据挖掘模型。通常,先用随机数作种子把数据分为两部分:训练集和测试集,用于构造和评估模型。用数据挖掘工具去测试数据质量,比较各种工具输出的结果,从而精确地构造出模型。
验证结论。确定结论是否正确和符合业务要求,如果挖掘的结果有错误就要寻找错误的原因,并对数据重新挖掘,重新构造 模 型 。
信息处理技术的飞速进展,加上人们孜孜不倦地对销售预测效果的追求,使得数据挖掘技术在销售预测中应用成为一个非常自然的选择。数据挖掘作为一种新的技术,它可以对销售数据实行深层次的解析,采掘到隐含在数据中的有用信息,发现和把握新的市场机会,为企业的经营管理决策提给科学的依据。数据挖掘技术对销售预测技术带来的挑战,无疑将推动销售预测的进展。