雙十一的單你曬了嗎？
非常理解你沒單可曬的心情。
但曬單的最想聽到的話就是：
“u need cry dear”
因為你在雙十一下的單子不知哪天會送到。。。
11月11日，不只是“單身節(jié)”，實則為中國一年一度的消費“盛典”，加之電商平臺開通的海淘板塊，也是全球網(wǎng)絡購物的年度盛會。
“曬單”就是一種時尚，無論你是不是雙十一守夜人、購物車清空小能手，都無法忽視一年又一年被刷新的數(shù)字。
去年雙十一（2015年），阿里巴巴創(chuàng)造了912.17億元的消費需求。比起2014年雙十一的571.12億，今年淘寶和天貓912.17億元的交易額幾乎翻了一倍。
2015年阿里巴巴全球購物狂歡節(jié)銷售來自超過4萬家商鋪的超過600萬種商品，2014年大約僅有2萬7000家商戶參與購物節(jié)。
雖然有十幾分鐘送到貨的，甚至28分鐘海淘到貨的，但不是每個人都是lucky dog。
當然，面對堆積成山的包裹，快遞哥哥姐姐們的內(nèi)心是崩潰的，而對于每個電腦屏幕前的你我他來說，誰知道光棍節(jié)的包裹會不會等圣誕節(jié)才能收到？
影響銷量預測模型因素
無論是線上還是線下，非常規(guī)的銷售活動都會帶來流量的集聚增長，鋪貨、人員、物流等環(huán)節(jié)，配合不好就會帶來負面效應。怎么解決？
其實，電商早已開始應用銷量預測技術。預測銷量也是一種風險控制，在損失出現(xiàn)前做好準備。
國內(nèi)電商的體量和技術在國際上已經(jīng)占據(jù)舉足輕重的地位，成為全球關注點。
在建模之前，先要考慮影響因素。那么，哪些因素會影響單品銷量預測呢？
影響單品銷量預測的因素與諸多因素，相關一般電商有如下六大維度的相關因素：營銷推廣、商品質量、商品信息、節(jié)假日等時間特征、價格變化和用戶行為、競爭價格、電商口碑、新聞熱點等因素。
我們根據(jù)多年服務電商平臺的經(jīng)驗，發(fā)現(xiàn)大多數(shù)電商預測模型，一般采用縱向\相關分析，主要是對歷史產(chǎn)品銷量自身內(nèi)部因素信息進行挖掘：
比如，某個商品去年銷售了100萬的份額，今年就會根據(jù)市場形勢進行10%的上浮調(diào)整。
但橫向\關聯(lián)分析對結果同樣重要，包括營銷推廣、其他電商平臺的商品價格變化帶來的影響等外部因素。
我們盤點銷量預測中業(yè)界最主流的方法是：多元回歸與時間序列分析。由于預測需求的需要，往往是綜合運用這兩種預測方法，即多元回歸與時間序列融合法。
從模型的方程可以看出，銷量值Y主要跟兩部分相關：
一是歷史銷量，即內(nèi)部數(shù)據(jù)，如Yt-1,Yt-2,…Yt-n等數(shù)據(jù)；
二是影響銷量的外部數(shù)據(jù)，如X1，…，Xn。
方法一：時間序列預測法
時間序列：系統(tǒng)中某一變量或指標的數(shù)值或統(tǒng)計觀測值，按時間順序排列成一個數(shù)值序列，就稱為時間序列(Time Series)，又稱動態(tài)數(shù)據(jù)。
時間序列Yt取自某一個隨機過程，如果此隨機過程的隨機特征不隨時間變化，則稱過程是平穩(wěn)的；假如該隨機過程的隨機特征隨時間變化，則稱過程是非平穩(wěn)的。
時間序列特征：
趨勢性T：總體上持續(xù)上升或下降的總變化趨勢，其間的變動幅度可能有時不等。
季節(jié)性S：以一年為周期，四個季節(jié)呈某種周期性，各季節(jié)出現(xiàn)波峰和波谷的規(guī)律類似。
周期性C：決定于系統(tǒng)內(nèi)部因素的周期性變化規(guī)律，又分短周期、中周期、長周期等幾種。
不規(guī)則性I：包括突然性和隨機性變動兩種。
時間序列分析預測法包含多種，主要是季節(jié)變動指數(shù)法、移動平均法和指數(shù)平滑法、ARIMA。
方法二：移動平均法
時間序列預測法中的移動平均法是利用移動平均值，將周期變動的影響去除。所謂“移動”是指對計算平均數(shù)的時期不斷向后推移。例如，預測7月份的銷售量以4、5、6月份的歷史數(shù)據(jù)為依據(jù)；若預測8月份的銷售量，則以5、6、7月份的數(shù)據(jù)為準。
簡單移動平均法的原理非常簡單，即預測值選定的跨越期數(shù)內(nèi)所有實際觀測銷量的平均值。
加權移動平均法與簡單移動平均法類似，是先根據(jù)最近個月的銷售量，按其距離預測期的遠近分別進行加權（距離預測時間越近的月份權重越大）；然后計算其加權平均數(shù)，并以此作為計劃期的銷售預測值。權重的確定是個難點，一般根據(jù)業(yè)務經(jīng)驗確定。一般情況下，預測值受近期實際銷售的影響程度較大，因此越接近預測期的實際銷售情況所加權數(shù)應越大些。
缺點：移動平均的期數(shù)對原序列的修勻效果影響很大，而且對樣本趨勢反映近期敏感程度較高，一般只適用于短期預測。
方法三：自回歸移動平均模型ARIMA(p,d,q)
ARIMA是時間序列的最主要方法。所謂ARIMA模型，是指將非平穩(wěn)時間序列轉化為平穩(wěn)時間序列，然后將因變量僅對它的滯后值以及隨機誤差項的現(xiàn)值和滯后值進行回歸所建立的模型。利用擬合的數(shù)學模型給出時間序列的預測值，并給出預測結果的精度分析。ARIMA模型根據(jù)原序列是否平穩(wěn)以及回歸中所含部分的不同，包括移動平均過程（MA）、自回歸過程（AR）、自回歸移動平均過程（ARMA）以及ARIMA過程。其中，p為自回歸項數(shù)，q為移動平均項數(shù)，d為時間序列成為平穩(wěn)時所做的差分次數(shù)。
缺點：預測結果無解釋性，且只適用于有一定規(guī)律性的數(shù)據(jù)集
方法四：回歸分析法
這個方法目前有專業(yè)的統(tǒng)計軟件SPSS/SAS 支持。因為相對專業(yè)和復雜，需要的自變量及因變量數(shù)據(jù)要多而且精確?；貧w分析是很早以前生物課上教的,生物學家通過研究隔代遺傳及返祖現(xiàn)象 。
回歸分析是研究變量之間相關關系的一種統(tǒng)計方法，它要解決如下問題：
確定變量之間是否存在相關關系，如果存在的話，找出他們之間合適的數(shù)學表達式
從共同影響變量的若干自變量中，判斷自變量的影響顯著效果
利用所找到的數(shù)學表達式對變量進行預測。
優(yōu)點：廣泛使用的預測方法、準確率高
缺點：需要使用較多的樣本
近期精彩活動（直接點擊查看）：
福利 · 閱讀 | 免費申請讀大數(shù)據(jù)新書 第13期
投稿和反饋請發(fā)郵件至holly0801@163.com，謝謝！
為大家提供與大數(shù)據(jù)相關的最新技術和資訊。
聯(lián)系客服
