销售预测

定义

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，通过一定的分析方法提出切实可行的销售目标。

影响因素

简介

尽管销售预测十分重要，但进行高质量的销售预测却并非易事。在进行预测和选择最合适的预测方法之前，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，在进行销售预测时考虑两大类因素：

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，必须加以分析与预测。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情况。尤其近几年来科技、信息快速发展，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发展、政府及财经界对经济政策的见解以及基础工业、加工业生产、经济增长率等指标变动情况。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活动。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。

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

考虑变更管理内容、交易条件或付款条件，销售方法等对销售额所产生的影响。

3）销售人员

销售活动是一种以人为核心的活动，所以人为因素对于销售额的实现具有相当深远的影响力，这是我们不能忽略的。

4）生产状况

货源是否充足，能否保证销售需要等。

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，安排生产，避免产品积压。

3、能合理有效管理产品库存，经过预测可对产品设立库存预警，对生产进度的安排具有指导意义。

4、经过销售预测后，可对产品的补货安排进行提供参考数据。

程序

简介

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过程。对于复杂的预测对象，有时要把它进行分解，对分解后的子系统进行预测，在此基础上再对总的预测目标进行预测。

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进行，就必须遵循一定的程序。

销售预测的基本程序如下：

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。而对于这些变量进行长期预测还是短期预测，这些变量对预测资料的要求，预测方法的选择都有所不同。所以．预测目标的确定是销售预测的主要问题。

收集分析

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有重要的影响。所以，对收集的资料必须进行分析，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进行．所以，必须采取各种方法，以保证得到完整的资料。

4）资料的可比性：对于同一种资料，来源不同，统计口径不同，也可能差别很大。所以在收集资料时，对所得到的资料必须进行分析，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分析进行调整等，以避免资料本身原因对预测结果带来误差。

方法

定性预测

一般来说，在销售预测中常用的定性预测方法有四种：高级经理意见法、销售人员意见法、购买者期望法和德尔菲法。

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法。

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进行预测。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情况，如果存在少数重要的顾客占据企业大部分销售量这种情况，那么购买者期望法是很实用的。

这种预测方法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情况，了解顾客购买商品的活动、变化及特征等．然后在收集消费者意见的基础上分析市场变化，预测未来市场需求。

4）德尔菲法

德尔菲法又称专家意见法，是指以不记名方式根据专家意见作出销售预测的方法。至于谁是专家，则由企业来确定，如果对专家有一致的认同则是最好不过的。德尔菲法通常包括召开一组专家参加的会议。第一阶段得到的结果总结出来可作为第二阶段预测的基础．通过组中所有专家的判断、观察和期望来进行评价，最后得到共享具有更少偏差的预测结果。

德尔菲法的最大优点是充分民主地收集专家意见，把握市场的特征。但是，德尔菲法一般只能得到企业或行业的预测结果，用此方法所求得的地区、顾客、产品分类等预测结果就没有那么精确了。

定量预测

用来进行销售预测的定量预测方法可以按照不同类型分成两大类；时间序列分析法、回归和相关分析法。

1）时间序列分析法

时间序列分析法是利用变量与时间存在的相关关系，通过对以前数据的分析来预测将来的数据。在分析销售收入时，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。时间序列分析法现已成为销售预测中具有代表性的方法。

2）回归分析法

各种事物彼此之间都存在直接或间接的因果关系．同样的，销售量亦会随着某种变量的变化而变化。当销售与时间之外的其他事物存在相关性时，就可运用回归和相关分析法进行销售预测。

挖掘应用

随着市场经济的发展和经济的全球化，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供给客户，这使得进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技术的发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，主要表现在：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，传统的方法无法满足运行效率、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。在这种情况下，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。

挖掘准备

数据挖掘一般包括数据准备、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进行定义、处理和表示，使它适应于特定的数据挖掘方法。数据准备是数据挖掘过程中的第一个重要步骤，在整个数据挖掘过程中起着举足轻重的作用。它包括以下几个步骤:

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都是正确的，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”。脏数据能使挖掘过程陷入混乱，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。它可以在数据装入数据仓库之前进行，也可以在装入之后进行。

数据清洗技术一般可分为基于规则的方法、可视化方法和统计学法方法。基于规则的方法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进行评估；可视化方法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；统计学法方法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进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不同的数据库含有不同的名字，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过程的性能或使之陷入混乱。将数据集成与变换将减少或避免这种情况，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、相关性分析问题、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分析问题即通过相关性分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分析的数据集过大，在海量数据上进行复杂的数据分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，它小得多，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进行挖掘更有效。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、主要成分分析PCA、线性回归模型分析和对数线性模型、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。

挖掘工具

目前可用于销售预测的数据挖掘工具主要是一些统计分析方法，如时间序列分析、线性回归模型分析、非线性回归模型分析、灰色系统模型分析、马尔可夫分析法等，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，传统的统计分析方法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，依传统方法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，因此需要一种不同于传统的新的理论和方法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，具有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首先应用神经网络进行预测以来，神经网络已成为一种非常有前途的预测方法，近年来已成为经济预测、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过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，分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，分析、预测销售的未来波动等，表现 出良好的运用前景。

挖掘结构

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管理系统、知识库管理系统和分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。

销售预测的数据挖掘结构框架

挖掘过程

在利用数据挖掘技术进行销售预测时，现有的数据挖掘工具能自动完成许多工作，但挖掘过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过程，但一般的步骤包含以下几个方面

在进行数据挖掘工作前，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法，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。这个过程可以改进销售数据质量，从而有助于提高其后的挖掘过程的精度和性能。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，并归约待分析的数据，将在决策过程得到高回报。

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发展，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，它可以对销售数据进行深层次的分析，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，为企业的管理决策提供科学的依据。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发展。