梁淑玲

【摘要】對于許多電商企業(yè)來說，商品補貨的準確性直接關(guān)系到企業(yè)的利益。準確預測商品需求可以使企業(yè)快速知道各個商品的補貨數(shù)量，避免供不應求或供大于求等現(xiàn)象發(fā)生。本文以一家電商企業(yè)進行實證分析，通過建立ARIMA模型對商品銷售量進行預測，根據(jù)預測的商品銷售量進一步得出商品的補貨數(shù)量。

【關(guān)鍵詞】需求預測;補貨數(shù)量;ARIMA模型

1 引言

對于商品種類繁多的大型商場或電商企業(yè)來說，每天的銷售量非常大，而不同產(chǎn)品的銷量和庫存不同，導致補貨每天都不一樣。為了快速方便地進行自動補貨，商場可以根據(jù)庫存指標補貨，根據(jù)預計銷量補貨，根據(jù)歷史銷量補貨，根據(jù)單據(jù)補貨，根據(jù)商品補貨等多種方式進行補貨。本文將介紹依據(jù)歷史銷量運用時間序列模型進行商品需求預測，進而指導補貨的過程。

2 時間序列模型

時間序列分析主要是根據(jù)已有的歷史數(shù)據(jù)對未來進行預測。側(cè)重研究數(shù)據(jù)序列的互相依賴關(guān)系。ARIMA包含3個部分，即AR、I、MA。AR—表示auto regression，即自回歸模型;I——表示integration，即單整階數(shù)，時間序列模型必須是平穩(wěn)性序列才能建立計量模型，ARIMA模型作為時間序列模型也不例外，因此首先要對時間序列進行單位根檢驗，如果是非平穩(wěn)序列，就要通過差分來轉(zhuǎn)化為平穩(wěn)序列，經(jīng)過幾次差分轉(zhuǎn)化為平穩(wěn)序列，就稱為幾階單整;MA——表示moving average，即移動平均模型。ARIMA模型實際上是AR模型和MA模型的組合。

2.1構(gòu)建模型的步驟

（1）序列的平穩(wěn)性檢驗;

（2）如果該序列是非平穩(wěn)的，進行平穩(wěn)化的處理。通過差分運算進行平穩(wěn)化處理;

（3）建立ARIMA（p，d，q）模型;引入ACF、PACF圖進行模型階數(shù)p，q的確定，具體方法如表1。

（4）進行參數(shù)估計，一般選擇最小二乘法檢驗參數(shù)是否具有統(tǒng)計意義;

（5）進行假設(shè)檢驗，使用Q統(tǒng)計量對殘差序列進行卡方檢驗，診斷殘差序列是否為白噪聲;

（6）利用已通過檢驗的模型進行預測分析。

2.2常見模型的評估指標

常用的時間序列模型的評估指標有標準差、均方根誤差、平均絕對誤差和赤池信息量準則等。標準差（SD）是方差的算術(shù)平方根，是各數(shù)據(jù)偏離平均數(shù)的距離的平均數(shù)，反映一個數(shù)據(jù)集的離散程度。均方根誤差（RMSE）是均方誤差的算術(shù)平方根，RMSE數(shù)值越小，說明預測模型描述實驗數(shù)據(jù)具有更好的精確度。平均絕對誤差（MAE）是所有單個觀測值與算術(shù)平均值的偏差的絕對值的平均。平均絕對誤差能更好地反映預測值誤差的實際情況。赤池信息量準則（AIC）是衡量統(tǒng)計模型擬合優(yōu)良性的一種標準，可以權(quán)衡所估計模型的復雜度和此模型擬合數(shù)據(jù)的優(yōu)良性。

3 實例分析

A是一家大型電商平臺，銷售超數(shù)萬品牌、上千萬種商品，涉及家電、手機、電腦、母嬰、服裝等十多種大品類。其倉庫分布在天津、上海、廣州等地區(qū)。同時線下門店有上千家，線上線下同時賣貨。由于需求預測不準，導致倉庫庫存堆積，產(chǎn)生大量呆滯庫存的同時，還有部分品類經(jīng)常斷貨，為了優(yōu)化庫存結(jié)構(gòu)，提高補貨效率，企業(yè)需要準預測各個區(qū)域商品需求。數(shù)據(jù)涉及某國內(nèi)大型電商平臺所覆蓋全國總倉、分倉數(shù)據(jù)。時間跨度：2014年10月1日至2015年12月27日。

運用時間序列模型進行未來一周（2015-12-21至2015-12-27）商品銷售預測，進而得出商品的補貨數(shù)量。運用時間序列模型進行銷量預測的基本思路是先對歷史數(shù)據(jù)（2014-10-01至2015-12-27）觀察分析得出規(guī)律，然后通過建立ARIMA模型對未來一周的全國性商品需求量進行預測。由于數(shù)據(jù)量太大，先選取少量樣本進行數(shù)據(jù)分析。因此選擇商品id為197（共453條數(shù)據(jù)）作為研究目標進行分析。

3.1序列的平穩(wěn)性檢驗

商品id為197的需求變化除了個別異常值外總體還是穩(wěn)定的。這些異常值大部分是在雙十一、雙十二等特殊有優(yōu)惠的時間點，這些時間點商品的銷售量會突然暴增。由于預測的時間段為商品的淡季期間，故需要消除異常值對模型性能的影響。從結(jié)果中可以發(fā)現(xiàn)，異常數(shù)值主要集中在2015年4月8日等六個特殊的日期，數(shù)據(jù)范圍從2014年10月1日到2015年12月20日，最終的數(shù)據(jù)有440條。為了選擇合適的ARIMA模型參數(shù)，需要對440條數(shù)據(jù)進行具體觀察和調(diào)整，包括時間特征識別、銷售數(shù)據(jù)的季節(jié)性調(diào)整。平穩(wěn)性是時間序列的重要特征。只有平穩(wěn)的時間序列才可以進行統(tǒng)計分析，因為平穩(wěn)性保證了時間序列數(shù)據(jù)出自于同一分布，以便后續(xù)均值、方差等相關(guān)系數(shù)的計算。

3.2預測效果評價

2015-12-21至2015-12-27商品id為197的商品實際銷售量為29，對一周的預測值與實際值對比誤差為13.09。假設(shè)該商品的庫存為3，而由上文可知未來一周該商品的銷售量為42，這樣就可以快速得到該商品的補貨數(shù)量為39。本文只是以商品id為197的商品為例進行了分析預測，同理該企業(yè)其他商品的未來一周銷售量也可以通過該方法準確預測，幫助企業(yè)快速得到每個商品的補貨數(shù)量，實現(xiàn)利潤最大化。

4 結(jié)論

本文通過對商品的銷售量的歷史數(shù)據(jù)分析，運用ARIMA模型對商品未來一周的需求量進行預測，并且模型整體擬合度良好。許多企業(yè)都還存在庫存積壓造成的庫存成本增加，或是由于供不應求錯失商品的最佳銷售期等一列問題，這些問題直接影響了企業(yè)的利潤。因此，合理準確預測商品需求，為每個商品的補貨數(shù)量提供一定的指導，達到補貨及時準確的效果。筆者提出基于ARIMA模型對商品需求預測，可很好的對許多商品的需求進行預測。但在整個研究過程中是剔除了特殊的優(yōu)惠的時間點，對于這些特殊時間點商品需求預測沒有考慮進去，還存在一定的不足。

參考文獻：

[1]劉鳳春，趙亞寧，董新雁，劉源鑠，喬鵬，謝志遠，王立亞，張春英.ARMABP物流需求預測模型及應用[J].華北理工大學學報（自然科學版），2018，40（3）：120128.

[2]楊建成.ARIMASVM的物流需求預測模型[J].現(xiàn)代電子技術(shù)，2018，41（9）：182186.

[3]劉旭陽，吳龍濤，周萬里.基于ARIMA模型的裝備器材需求預測方法[J].裝甲兵工程學院學報，2016，30（6）：2125.

[4]劉信斌，沐愛琴，辛安.基于ARIMA模型的航材需求預測[J].價值工程，2016，35（24）：250251.

[5]楊蕾，張苗苗.時間序列模型在物流需求預測中的應用[J].商業(yè)時代，2013（13）：2627.

[6]倪冬梅，趙秋紅，李海濱.需求預測綜合模型及其與庫存決策的集成研究[J].管理科學學報，2013，16（9）：4452，74.

[7]湯兆平，孫劍萍，杜相，湯麗.基于ARIMA模型的N鐵路局管內(nèi)物流需求預測研究[J].經(jīng)濟問題探索，2014（7）：7681.

[8]黃虎.基于區(qū)域經(jīng)濟的區(qū)域物流需求分析及實證研究[D].西南交通大學，2008.

[9]羅曉萌，李建斌，胡鵬.基于時間序列預測的電子商務(wù)庫存優(yōu)化策略[J].系統(tǒng)工程，2014，32（6）：9198.