[发明专利]基于产品固有生命周期特征的销售预测模型

说明书

技术领域

本发明涉及一种基于产品固有生命周期发展特征的组合型动态销售需求预测模型。

背景技术

预测分析是结合数理统计和运筹学的一项交叉学科技术。该技术被广泛应用在自然科学、工程技术、企业运营等各个领域。在企业运营中最常见的应用是对产品销售需求的预测。随着市场竞争的日趋激烈，产品需求预测的难度不断地提高，过去能够有效预测销售的传统数理模型逐渐无法适应环境的变化和有限的数据。此现象在高新技术行业最为显著，一方面新旧产品的更新换代频繁、生命周期短暂，另一方面品牌和产品的多样性和流行性导致消费者的购买行为多变。由于依赖历史数据的充足性和规律性，传统预测模型的适用性和准确性逐渐降低。在该现象的影响下，对现有预测技术的改进和创新受到了越来越多的重视。

理论界和工业界均认可并普遍采用的预测数学模型主要有以下几种：回归模型、时间序列模型和概率模型。回归模型是一种寻求自变量和应变值之间函数关系的分析方法，对函数形态清晰明显的数据形式较为适用，但在现实应用中，具有如此理想特征的数据非常少见，带有伴随有噪声和不规则性的数据难以用具体函数描述。时间序列需求预测模型是依据从历史数据组成的时间序列中找出预测对象的发展变化规律作为预测依据，常用时间序列预测模型有指数平滑法、随机时间序列模型。指数平滑法是通过对历史数据赋予随着时间的远离逐渐按指数函数收敛为零的权重系数并进行平滑处理，用以预测未来需求。随机时间序列模型是以统计学的原理寻找时间序列的变化特征、发展趋势与规律，然后未来需求的序列状态做出估计。实践证明随机时间序列模型在一定的条件下比指数平滑模型更为优越。然而，它对数据本身具备的统计性质要求较高，同时建模过程复杂。因此，指数平滑模型在数据质量欠佳的情形下仍然是更理想的预测方法。两种模型皆依赖于充足的数据用于对模型参数的拟合，在缺乏充足数据的情况下模型准的确度较低。概率预测模型不同于上述两类模型的确定性预测，而是以概率分布的形式描述需求作为一个随机变量发生的各种可能性及其概率值。这种方法的突出之处在于能够利用需求的概率分布进行决策和风险分析，最常见的应用范例是报童模型(Newsvendor Model)。由于运用的随机性的原理，概率预测模型用于预测生命周期短，不确定性强的产品时具有明显优于其它方法的效果。然而在产品需求呈现趋势性发展或历史数据不充足等情形下，该模型则难以适用。鉴于预测的复杂性和数学模型的局限性，目前常见的解决办法是通过采纳各方经验的会议方式达成对需求预测的共识，但因缺乏理论基础和数据分析，其准确度同样无法达到理想的水平。

发明内容

本发明所要解决的技术问题是提供一种基于产品固有生命周期特征的销售预测模型，可用于提高对销售数量的预测精确度，克服现有预测模型的不足。

根据发明人的研究发现，一种新产品自推出市场到完全退市的过程中，其固有的生命周期特征具有明显的阶段性特征，具体表现为：第一，在新产品进入市场阶段，因为销售量具有很大的波动性，且缺乏与此新产品相关的历史数据，市场对这种新产品的销售预测的准确度较低；第二，在稳定销售阶段，新产品的销量经过一段时间的调整和震荡后会呈现明显的趋势性：仍在上升期的新产品会持续以逐渐减缓的增率上升直至达到销量的最大值；销售的最大值已过的新产品将以类似于原子半衰期的指数衰减形式逐渐进入生命周期的尾声，企业能够利用数据和模型在一定程度上对新产品在未来某一时刻的销售进行预测；第三，在降价清理阶段，市场倾向于采用降价促销策略在短时间内清理剩余库存，这种降价促销的策略可能创造新一轮的新增需求，亦可能加快产品的消亡；另一方面，旧一代产品的尾声往往伴随的是新一代的产品的启动，新旧产品交替也会加剧产品销量的剧烈波动和不稳定性。因此，在产品的降价清理阶段对产品的销售预测的准确度会再次降低。

综上所述，在新产品的进入市场阶段，产品的销售需求的波动性很大，由于缺乏足够的与产品销售相关的历史数据，而导致基本的和常用的统计模型和预测方法并不适用。在产品的稳定销售阶段，销量的趋势性逐渐增强，企业能够利用新产品在进入市场阶段所收集的新产品销量相关的历史数据建立模型，预测新产品在未来时刻的销量，产品的销量预测有所增强。在产品的降价清理阶段，虽然有该产品销售相关的历史数据，但是市场的清仓行为和新旧产品的更替导致产品销售在这个阶段剧烈波动，也使得产品的需求难以通过一般的模型进行准确的预测。因此，我们发现现存的几种预测模型方法在具有各自优点的同时，也存在着明显的局限性：它们虽然能够在一定程度上对新产品在稳定销售阶段的销量进行预测，但是预测准确度有限；此外，这些模型在对新产品在进入市场阶段和降价清理阶段的销量进行预测时的准确度则明显下降。