吳琳潔，鄭鈺潔，范云飛

新零售目標(biāo)產(chǎn)品的精準(zhǔn)需求分析與預(yù)測(cè)

吳琳潔1，鄭鈺潔2，范云飛2

（1.暨南大學(xué)數(shù)學(xué)系，廣東 廣州 510632；2.暨南大學(xué)伯明翰大學(xué)聯(lián)合學(xué)院，廣東 廣州 510632）

在中國(guó)商品社會(huì)逐步發(fā)展，消費(fèi)需求不斷升級(jí)的今天，產(chǎn)品多樣化、個(gè)性化需求使得相應(yīng)銷(xiāo)售數(shù)據(jù)層級(jí)復(fù)雜，品類(lèi)繁多，因此建立一個(gè)對(duì)區(qū)域?qū)蛹?jí)、小類(lèi)層級(jí)消費(fèi)分析和需求預(yù)測(cè)模型具有重大意義。針對(duì)新零售行業(yè)精準(zhǔn)化需求進(jìn)行建模，主要分析了銷(xiāo)售特征、庫(kù)存信息、節(jié)假日折扣等因素對(duì)銷(xiāo)量的影響，通過(guò)建立主成分多元模型對(duì)未來(lái)銷(xiāo)售數(shù)據(jù)進(jìn)行預(yù)測(cè)，同時(shí)利用平均絕對(duì)百分比誤差法獲得預(yù)測(cè)數(shù)值的精準(zhǔn)度。通過(guò)繪制散點(diǎn)圖以及對(duì)平均絕對(duì)百分比誤差（MAPE公式）的分析，得到模型預(yù)測(cè)值的MAPE值在15%～35%之間，可以認(rèn)為模型靈敏度較高。因此，零售行業(yè)可選擇主成分多元模型對(duì)未來(lái)銷(xiāo)量進(jìn)行預(yù)測(cè)，從而減少缺貨、庫(kù)存成本，有利于提高經(jīng)濟(jì)收益。

需求分析；需求預(yù)測(cè)；主成分分析；多元線性回歸

1 引言

隨著中國(guó)消費(fèi)市場(chǎng)新業(yè)態(tài)繼續(xù)涌現(xiàn)并快速發(fā)展，主流消費(fèi)模式由“以物為主”逐步向“以客為主”轉(zhuǎn)變。對(duì)于零售行業(yè)，促進(jìn)消費(fèi)者需求的主要因素不再單是性價(jià)比等客觀商品特質(zhì)，以時(shí)尚性為表現(xiàn)形式的個(gè)性化、審美化、多樣化的主觀因素同樣漸成消費(fèi)主導(dǎo)需求動(dòng)力。

新零售時(shí)代，零售企業(yè)將采取多品種小批量的生產(chǎn)形式，以適應(yīng)新時(shí)代消費(fèi)需求。這將導(dǎo)致商品小類(lèi)井噴式增加，商品個(gè)性化特色強(qiáng)烈，零售行業(yè)商品分類(lèi)管理困難，面臨消費(fèi)數(shù)據(jù)層級(jí)復(fù)雜、種類(lèi)繁多等一系列新的挑戰(zhàn)。

如何為更精細(xì)化分級(jí)至SKC（單款單色）層級(jí)的商品提供精準(zhǔn)的數(shù)據(jù)分析和銷(xiāo)售預(yù)測(cè)至關(guān)重要。本文基于主觀性與客觀性兩個(gè)方面來(lái)分析影響因素，并在此基礎(chǔ)上建立基于主成分分析的預(yù)測(cè)模型，但單一的預(yù)測(cè)模型可能會(huì)給結(jié)果帶來(lái)較大的誤差，因此建立多元線性回歸模型形成復(fù)合預(yù)測(cè)模型，以提高模型的準(zhǔn)確性。

2 數(shù)據(jù)處理

2.1 數(shù)據(jù)來(lái)源

數(shù)據(jù)來(lái)源為賽氪官網(wǎng)賽題（https://www.saikr.com/c/nd/ 6456）。根據(jù)相關(guān)問(wèn)題對(duì)數(shù)據(jù)的需求和原數(shù)據(jù)的特點(diǎn)，首先使用R讀取附件數(shù)據(jù)表，按照相應(yīng)問(wèn)題所需時(shí)間篩選出對(duì)應(yīng)項(xiàng)目后對(duì)原始數(shù)據(jù)進(jìn)行相關(guān)歸類(lèi)整合，接著對(duì)存在問(wèn)題的數(shù)據(jù)進(jìn)一步進(jìn)行修正處理，過(guò)程如下。

2.2 相關(guān)數(shù)據(jù)

通過(guò)R整理，銷(xiāo)售時(shí)間處于2018-07-01—2018-10-01內(nèi)且累計(jì)銷(xiāo)售額排名前50的skc，稱為目標(biāo)skc。再找出目標(biāo)skc在對(duì)應(yīng)節(jié)假日的銷(xiāo)售額、銷(xiāo)售量、標(biāo)價(jià)、庫(kù)存平均值和計(jì)算出的每種節(jié)假日期間的折扣。

通過(guò)R整理出排名前50的skc（目標(biāo)skc）所屬的小類(lèi)在2019-07-01—10-01（即2019-10-01前后3個(gè)月）的銷(xiāo)量數(shù)據(jù)及銷(xiāo)量影響因素（折扣、庫(kù)存、銷(xiāo)售單價(jià)等）數(shù)據(jù)。

2.3 處理方法

分析整理后的數(shù)據(jù)發(fā)現(xiàn)，有部分skc沒(méi)有標(biāo)簽價(jià)格。對(duì)于這部分沒(méi)有標(biāo)簽價(jià)格的skc，本文將根據(jù)銷(xiāo)售價(jià)格相似的其他skc的折扣幅度，運(yùn)用插值的方法填充空白值。例如，雙十一期間，對(duì)于編號(hào)為602573870209的skc，它在附件2中沒(méi)有對(duì)應(yīng)標(biāo)價(jià)（tag price），因此使用與其銷(xiāo)售價(jià)格相似的596573650847（折扣為0.86）與208573761122（折扣為0.81）等，再根據(jù)銷(xiāo)量的相似程度對(duì)其進(jìn)行加權(quán)插值，得出其折扣約為0.857。

缺失庫(kù)存數(shù)據(jù)：對(duì)于沒(méi)有庫(kù)存數(shù)據(jù)的skc，首先定位其所在的小類(lèi)，然后利用小類(lèi)中其他skc的庫(kù)存對(duì)其進(jìn)行庫(kù)存估算。

3 對(duì)銷(xiāo)量的相關(guān)影響因素的分析

在研究如何對(duì)現(xiàn)代愈加精細(xì)化的小類(lèi)需求做出預(yù)測(cè)之前，面臨的實(shí)際問(wèn)題是如何衡量各種影響因素對(duì)于銷(xiāo)售量的影響程度。探討銷(xiāo)售量受銷(xiāo)售特征、庫(kù)存信息、節(jié)假日折扣等因素的影響。因此，結(jié)合基于附件1和附件4整合修正好的的數(shù)據(jù)，從主觀和客觀兩個(gè)角度分析影響銷(xiāo)售量的因素。

客觀上，在2018年國(guó)慶節(jié)、雙十一、雙十二和元旦這四個(gè)節(jié)假日內(nèi)，提取目標(biāo)skc，分析庫(kù)存信息、原價(jià)與標(biāo)簽價(jià)格等信息，再利用SPSS軟件，得出相關(guān)性矩陣，以此分析客觀上的相關(guān)性。

主觀上，構(gòu)建主成分分析法模型，根據(jù)該模型得到各種因素對(duì)目標(biāo)skc銷(xiāo)售量影響的貢獻(xiàn)程度，以此分析主觀上的相關(guān)性。

分析不同因素對(duì)目標(biāo)skc銷(xiāo)售量的影響，這些因素包括產(chǎn)品銷(xiāo)售特征、庫(kù)存信息、節(jié)假日折扣等信息，其中，將商品屬于的小類(lèi)（小類(lèi)類(lèi)別）與銷(xiāo)售時(shí)間（在哪個(gè)節(jié)假日進(jìn)行銷(xiāo)售）作為產(chǎn)品銷(xiāo)售特征；根據(jù)節(jié)假日商品的銷(xiāo)售量（s）與當(dāng)天實(shí)際花費(fèi)（real cost）得出商品當(dāng)天的銷(xiāo)售價(jià)格（selling price），并與標(biāo)簽價(jià)格（tag price）作比，得出商品在節(jié)日當(dāng)天的節(jié)假日折扣（discount）；利用附錄三提取出目標(biāo)skc的當(dāng)天庫(kù)存信息（inv）。

所統(tǒng)計(jì)的skc，=50個(gè)，相關(guān)因素共有4個(gè)，分別是折扣、庫(kù)存、銷(xiāo)售價(jià)格與小類(lèi)，將數(shù)據(jù)放入矩陣。

由于各因素的數(shù)據(jù)相差過(guò)大，為了消除不同量綱的影響，避免對(duì)結(jié)果的準(zhǔn)確性造成較大影響, 利用以下公式進(jìn)行數(shù)據(jù)歸一化：

基于歸一化后的數(shù)據(jù)，從客觀上的相關(guān)性與主觀上的相關(guān)性分別進(jìn)行相關(guān)性分析。

3.1 客觀上的相關(guān)性分析

首先進(jìn)行客觀上的相關(guān)性分析，可以用皮爾遜（pearson）相關(guān)系數(shù)和斯皮爾曼（spearman）相關(guān)系數(shù)對(duì)變量間的相關(guān)程度進(jìn)行測(cè)量，若被解釋與解釋變量之間相關(guān)性較高，則模型研究是有意義的；但是如果解釋變量之間的相關(guān)性過(guò)高，可能會(huì)引起變量之間產(chǎn)生嚴(yán)重的多重共線性，從而影響模型結(jié)果。

jk為第，列數(shù)據(jù)的方差。

=-1-1（2）

式（2）中：為觀測(cè)矩陣的Pearson相關(guān)矩陣；為樣本觀測(cè)的協(xié)方差矩陣。

利用SPSS分別得到所選節(jié)假日skc銷(xiāo)量影響因素相關(guān)性矩陣，如表1所示。

表1 國(guó)慶相關(guān)性矩陣

折扣平均庫(kù)存銷(xiāo)售價(jià)格小類(lèi)類(lèi)別銷(xiāo)售量 相關(guān)性折扣1.000-.399-.072-.183-.387 平均庫(kù)存-.3991.000-.023.116.968 銷(xiāo)售價(jià)格-.072-.0231.000.411-.170 小類(lèi)類(lèi)別-.183.116.4111.000.050 銷(xiāo)售量-.387.968-.170.0501.000 顯著性（單尾）折扣 .056.392.241.063 平均庫(kù)存.056 .465.329.000 銷(xiāo)售價(jià)格.392.465 .051.257 小類(lèi)類(lèi)別.241.329.051 .425 銷(xiāo)售量.063.000.257.425

注：絕對(duì)值越接近1，表示相關(guān)性越大。

從表1可以看出，庫(kù)存是客觀上相關(guān)性最大的因素。其次是折扣，這是可以理解的，因?yàn)閲?guó)慶的假期比較長(zhǎng)，消費(fèi)者可以有一段時(shí)間關(guān)注價(jià)格的動(dòng)態(tài)，因此折扣也是影響消費(fèi)者消費(fèi)的主要客觀因素。

雙十一期間相關(guān)性矩陣如表2所示。

表2 雙十一期間相關(guān)性矩陣

折扣庫(kù)存銷(xiāo)售價(jià)格小類(lèi)類(lèi)別銷(xiāo)售量 相關(guān)性折扣1.000.252-.006.533.109 庫(kù)存.2521.000-.065.346.536 銷(xiāo)售價(jià)格-.006-.0651.000.024.128 小類(lèi)類(lèi)別.533.346.0241.000.190 銷(xiāo)售量.109.536.128.1901.000 顯著性（單尾）折扣 .149.491.009.328 庫(kù)存.149 .395.073.009 銷(xiāo)售價(jià)格.491.395 .462.301 小類(lèi)類(lèi)別.009.073.462 .218 銷(xiāo)售量.328.009.301.218

根據(jù)表2結(jié)果，從客觀上來(lái)看，庫(kù)存與銷(xiāo)量的相關(guān)性最大，這與實(shí)際生活是符合的。因?yàn)橐话沅N(xiāo)售量較好的商品，商家會(huì)多準(zhǔn)備一些庫(kù)存，尤其是雙十一時(shí)期，商家如果根據(jù)之前的銷(xiāo)售記錄可預(yù)感到銷(xiāo)售會(huì)大幅增多，則會(huì)大大增加庫(kù)存量，保證貨源充足。其次是與小類(lèi)和出售價(jià)格相關(guān)，最不相關(guān)因素的是折扣，這是因?yàn)轭櫩驮谔暨x商品時(shí)一般很難了解到商品在一段時(shí)間前的價(jià)格，因此也無(wú)法得知折扣且通過(guò)折扣影響自己的消費(fèi)行為的可能性很小。

雙十二期間相關(guān)性矩陣如表3所示。

表3 雙十二期間相關(guān)性矩陣

折扣庫(kù)存銷(xiāo)售價(jià)格小類(lèi)類(lèi)別銷(xiāo)售量 相關(guān)性折扣1.000-.296.177-.033-.263 庫(kù)存-.2961.000-.129.069.519 銷(xiāo)售價(jià)格.177-.1291.000.442-.495 小類(lèi)類(lèi)別-.033.069.4421.000-.012 銷(xiāo)售量-.263.519-.495-.0121.000 顯著性（單尾）折扣 .109.234.447.139 庫(kù)存.109 .299.389.011 銷(xiāo)售價(jià)格.234.299 .029.016 小類(lèi)類(lèi)別.447.389.029 .481 銷(xiāo)售量.139.011.016.481

從表3可以看出，庫(kù)存依然是客觀上相關(guān)性最大的因素，總體相關(guān)性與雙十一類(lèi)似，這與兩個(gè)節(jié)日的相似性也有很大關(guān)系。

從2018年元旦（2017-12-30—2018-01-01與2018-12-30—2019-01-01）的統(tǒng)計(jì)結(jié)果發(fā)現(xiàn)，在目標(biāo)skc中只有5個(gè)skc在元旦期間有銷(xiāo)量，其中還有3個(gè)skc沒(méi)有對(duì)應(yīng)的標(biāo)簽價(jià)格與小類(lèi)分類(lèi)，而且這5個(gè)skc在這期間都沒(méi)有庫(kù)存信息，因此無(wú)法對(duì)其進(jìn)行相關(guān)性分析。但是從中可以看出單價(jià)較低的skc銷(xiāo)量略多于單價(jià)較高的skc。

元旦期間數(shù)據(jù)如表4所示。

表4 元旦期間數(shù)據(jù)表

skc日期銷(xiāo)售量實(shí)際價(jià)格原價(jià)格折扣銷(xiāo)售價(jià)格小類(lèi) 3965738706602018-01-0181 3301 5900.836 478166.2527 217 089 6025738702092018-01-013380 126.666 7 6965722249502018-01-01101 051.25 105.125 9025733202752018-01-0111723.75 65.795 45 9965738705722018-01-0147007950.880 50317527 217 089

上面三個(gè)節(jié)日中，庫(kù)存的相關(guān)性最大。但并不是說(shuō)大肆增加庫(kù)存，就會(huì)增加商品的銷(xiāo)售量，因?yàn)閹?kù)存并不能從主觀上影響商品的銷(xiāo)售量，因此稱其為客觀上的相關(guān)性。反而增加庫(kù)存后賣(mài)不出去，會(huì)增加貨物囤積成本，給商家?guī)?lái)不必要的損失。因此，有必要進(jìn)行主觀上的相關(guān)性分析，以此判定哪些因素能從主觀上影響銷(xiāo)售量的變化。

3.2 主觀上的相關(guān)性分析

通過(guò)構(gòu)建主成分分析法模型進(jìn)行主觀上的相關(guān)性分析，主要計(jì)算步驟如圖1所示。

圖1 主觀分析計(jì)算步驟

首先計(jì)算樣本標(biāo)準(zhǔn)差：

計(jì)算相關(guān)系數(shù)矩陣：

根據(jù)樣本的相關(guān)系數(shù)矩陣, 計(jì)算出相關(guān)系數(shù)矩陣的特征方程，并計(jì)算出相應(yīng)的特征值1≥2≥…≥m。根據(jù)方差特征值計(jì)算出方差貢獻(xiàn)率，則有：

根據(jù)前面確立的影響因素以及已有的數(shù)據(jù)，利用SPSS軟件對(duì)其進(jìn)行分析計(jì)算，具體計(jì)算過(guò)程如下。以雙十二為例，進(jìn)行主成分分析，具體如表5、表6所示。

根據(jù)成分得分矩陣，得出雙十二期間銷(xiāo)量相關(guān)的因子的表達(dá)式如下：

1=0.325×－0.273×+0.552×－+ 0.423×－

2=－0.487×+0.532×+0.187×－+ 0.472×－

以每個(gè)因子的方差貢獻(xiàn)率作為系數(shù)，對(duì)每個(gè)因子乘上系數(shù)后得到最終的雙十一銷(xiāo)售狀況預(yù)測(cè)模型公式：

=0.150 7×1+0.128 7×2

成分得分系數(shù)矩陣和方差貢獻(xiàn)率同樣可以反映出不同因素對(duì)因變量的貢獻(xiàn)程度，由此分析主觀上的影響因素。可以看出在第一主成分中，銷(xiāo)售價(jià)格與小類(lèi)的貢獻(xiàn)程度最高，即從主觀上來(lái)說(shuō)，商家如果在雙十二期間壓低自家商品的價(jià)格，很有可能會(huì)帶來(lái)銷(xiāo)售量的增加。也因此稱其為主觀上的相關(guān)性，即該因素的自身變化能帶來(lái)銷(xiāo)售量的變化。該公式是對(duì)雙十二期間整體銷(xiāo)售狀況的一個(gè)呈現(xiàn)，可以用于后面的銷(xiāo)量預(yù)測(cè)。

表5 雙十二主成分分析表一

總方差解釋 成分初始特征值提取載荷平方和 總計(jì)方差百分比累積/（%）總計(jì)方差百分比累積/（%） 11.50737.68437.6841.50737.68437.684 21.28732.18069.8641.28732.18069.864 3.70117.53587.399 4.50412.601100.000 提取方法：主成分分析法

表6 雙十二主成分分析表二

成分得分系數(shù)矩陣 成分 12 折扣.325-.487 庫(kù)存-.273.532 銷(xiāo)售價(jià)格.552.187 小類(lèi)類(lèi)別.423.472 提取方法：主成分分析法，組件得分

同理，可以得到國(guó)慶期間的銷(xiāo)售狀況預(yù)測(cè)模型如下：

1=－0.452×+0.361×inv+0.347×－+ 0.445×－

2=0.383×－0.498×+0.527×－+ 0.358×－

以每個(gè)因子的方差貢獻(xiàn)率作為系數(shù)，對(duì)每個(gè)因子乘上系數(shù)后得到最終的公式如下：

=0.159×1+0.124 8×2

雙十一期間的銷(xiāo)售狀況預(yù)測(cè)模型如下：

1=0.452×+0.365×－0.2×－+ 0.477×－

2=0.09×－0.199×+0.962×－+ 0.107×－

以每個(gè)因子的方差貢獻(xiàn)率作為系數(shù)，對(duì)每個(gè)因子乘上系數(shù)后得到最終的公式如下：

=0.176 8×1+0.101 6×2

4 銷(xiāo)售量的預(yù)測(cè)

零售商品種類(lèi)的繁多，使得零售行業(yè)的庫(kù)存管理有很大的難度，而銷(xiāo)量的不穩(wěn)定，更會(huì)增加庫(kù)存堆積、缺貨等現(xiàn)象，加大企業(yè)的成本。而提前進(jìn)行銷(xiāo)售預(yù)測(cè)，可以最大限度避免庫(kù)存積壓、尾單、缺貨等現(xiàn)象，減少企業(yè)的缺貨成本和庫(kù)存成本，從而提高企業(yè)利潤(rùn)。因此，根據(jù)目標(biāo)小類(lèi)的產(chǎn)品銷(xiāo)售特征、庫(kù)存信息、節(jié)假日折扣等因素，利用前面得到的模型，對(duì)10個(gè)目標(biāo)小類(lèi)進(jìn)行預(yù)測(cè)。由于單一的預(yù)測(cè)模型可能會(huì)給結(jié)果帶來(lái)較大的誤差，因此建立多元線性回歸模型，利用模糊分析法得出兩種方法的權(quán)重，得到最終的預(yù)測(cè)值，并給出每個(gè)月預(yù)測(cè)值的。

前面模型是根據(jù)三個(gè)節(jié)假日（國(guó)慶、雙十一、雙十二）進(jìn)行的分析，因此選擇與之相吻合的時(shí)期（10-01后3個(gè)月）?？梢灾苯訉?duì)前面的公式進(jìn)行整合，得到預(yù)測(cè)模型。統(tǒng)計(jì)目標(biāo)小類(lèi)在需要預(yù)測(cè)的時(shí)期的折扣、庫(kù)存、銷(xiāo)售均價(jià)（銷(xiāo)售額/銷(xiāo)售量），可以代入公式求解。對(duì)于原公式出現(xiàn)的小類(lèi)項(xiàng)，因?yàn)橐A(yù)測(cè)的項(xiàng)目即為小類(lèi)項(xiàng)，所以將原公式的小類(lèi)項(xiàng)舍棄，其他項(xiàng)不變，得到新的公式A′，B′，C′。因?yàn)殡p十一與雙十二屬于較重大的購(gòu)物節(jié)日，與平時(shí)一般時(shí)間的銷(xiāo)售狀況可能存在差距，因此給其分配較低的權(quán)重系數(shù)，為40，國(guó)慶節(jié)較為接近平時(shí)一般狀況，因此其系數(shù)為50。

可以得到加權(quán)修正后的基礎(chǔ)預(yù)測(cè)模型公式：

4.1 多元線性回歸模型

建立多元線性回歸模型，對(duì)自變量1，2，…，p與因變量進(jìn)行多元線性回歸：

=（1，2，…，p）+（3）

式（3）中：為銷(xiāo)售量；1，2，…，p為影響因素（銷(xiāo)售額、銷(xiāo)售均價(jià)、庫(kù)存、折扣）；表示誤差項(xiàng)。

利用公式=（T）-1T，得到回歸公式=+。

以12月為例，利用Python進(jìn)行計(jì)算，得到的值為[﹣2.580 3+03，8.465 2﹣03，5.795 2+00，8.456 2+03，﹣2.974 8+01]。

將值代入得到回歸公式=﹣258 0.3+0.008 465 21+ 5.795 22+845 6.23﹣29.744。

需要預(yù)測(cè)的時(shí)期的銷(xiāo)售額、銷(xiāo)售均價(jià)、庫(kù)存、折扣，這些影響因素代入公式即可得到預(yù)測(cè)值。

4.2 模型求解

通過(guò)將整合處理好的數(shù)據(jù)代入以上模型，可以得到12月份預(yù)測(cè)值的QQ圖，如圖2所示。12月份方差分析如表7所示。

圖2 12月份QQ圖

表7 12月份方差分析表

方差來(lái)源自由度平方和（SS）均方（MS）F值p值 回歸（R）42.652 8e+0866 318 937.138 2103.729 95.368 7e-05 誤差（E）53 196 711.547 1639 342.309 4 總和（T）92.684 7e+08

可以看到，點(diǎn)與直線有大致的擬合趨勢(shì)，但仍存在較大誤差，這是因?yàn)槭褂脝我坏念A(yù)測(cè)模型會(huì)給結(jié)果帶來(lái)較大的誤差，單項(xiàng)預(yù)測(cè)方法會(huì)有自身的優(yōu)點(diǎn)和限制條件。因此需要將前面的模型與多元線性回歸模型進(jìn)行整合，利用模糊分析法，得到最終的模型公式為=0.9×+0.1×。

12月份實(shí)際銷(xiāo)售量與預(yù)測(cè)銷(xiāo)售量對(duì)比如圖3所示。

如圖3可見(jiàn)，12月份預(yù)測(cè)銷(xiāo)量和實(shí)際銷(xiāo)量幾乎重疊，說(shuō)明直觀上，最終的模型預(yù)測(cè)具有一定的可信度和準(zhǔn)確性。公式如下：

最后，對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行量化評(píng)估，運(yùn)用公式計(jì)算得出，12月份預(yù)測(cè)結(jié)果的值為0.170 707，11月份的為0.355 463，10月份的值為0.289 616。

圖3 12月份實(shí)際銷(xiāo)售量與預(yù)測(cè)銷(xiāo)售量對(duì)比

5 結(jié)論

本文通過(guò)平均絕對(duì)百分比誤差法證實(shí)該主成分多元模型的可靠性，并可用于零售行業(yè)銷(xiāo)量的預(yù)測(cè)。隨著消費(fèi)市場(chǎng)的不斷發(fā)展，企業(yè)的零售產(chǎn)品越來(lái)越趨向多樣化與個(gè)性化，針對(duì)多樣化與個(gè)性化的模型將對(duì)這類(lèi)行業(yè)大有用處。

［1］何汝群.珠江-西江經(jīng)濟(jì)帶城市經(jīng)濟(jì)活力評(píng)價(jià)研究［D］.桂林：廣西師范大學(xué)，2019.

［2］梅學(xué)聃，周梅華.有限時(shí)間數(shù)據(jù)下的零售藥店藥品銷(xiāo)量預(yù)測(cè)研究［J］.中國(guó)礦業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2020，22（3）：133-144.

［3］楊維中.SPSS統(tǒng)計(jì)分析從入門(mén)到精通［M］.北京：清華大學(xué)出版社，2019.

［4］江艷婷，劉玉琬.基于IOWA算子的我國(guó)社會(huì)消費(fèi)品零售總額的組合預(yù)測(cè)［J］.價(jià)值工程，2020，39（7）：54-56.

［5］楊冰融.基于多元線性回歸與BP神經(jīng)網(wǎng)絡(luò)的乘用車(chē)市場(chǎng)預(yù)測(cè)模型［D］.武漢：華中科技大學(xué)，2017.

［6］張帆.基于商品品類(lèi)的零售供應(yīng)鏈需求預(yù)測(cè)與庫(kù)存管理模式研究［D］.成都：電子科技大學(xué)，2011.

［7］葉欣.淘寶集市店鋪手機(jī)銷(xiāo)量影響因素分析［D］.北京：中國(guó)社會(huì)科學(xué)院研究生院，2018.

［8］王正軍，劉光健，呂明，等.十堰市2000—2007年抗抑郁藥年銷(xiāo)量變化相關(guān)因素多元線性回歸分析［J］.中國(guó)醫(yī)院藥學(xué)雜志，2009，29（1）：80-83.

［9］崔田.基于網(wǎng)絡(luò)搜索數(shù)據(jù)的品牌汽車(chē)銷(xiāo)量預(yù)測(cè)研究［D］.西安：西安理工大學(xué)，2019.

［10］周潔.基于時(shí)間順序預(yù)測(cè)技術(shù)的“馬鋼”銷(xiāo)售量與配車(chē)次數(shù)分析［J］.科技經(jīng)濟(jì)市場(chǎng)，2020（3）：7-9.

［11］曹晗.基于深度學(xué)習(xí)的餐飲業(yè)菜品銷(xiāo)量預(yù)測(cè)研究［D］.西安：西安理工大學(xué)，2019.

F224

A

10.15913/j.cnki.kjycx.2020.18.013

2095－6835（2020）18－0034－05

吳琳潔（1998—），女，廣東潮州人，本科。鄭鈺潔（2000—），女，四川成都人，本科。范云飛（2000—），男，廣東廣州人，本科。

〔編輯：嚴(yán)麗琴〕