服装行业的需求分类与预测方法5954.pptx

《服装行业的需求分类与预测方法5954.pptx》由会员分享，可在线阅读，更多相关《服装行业的需求分类与预测方法5954.pptx（43页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、2.Demand forecasting内容需求的分类预测方法移动平均法指数平滑法ARIMA模型BASS模型其他方法需求的分类需求的含意对某一商品有需求消費者有购买欲望而且能够购买需求的例子衣,食,住,行需求的特征需求的相关性第1产业,第2产业,第3产业之间(投入产出)产品的生产需要人,财,物气温上升导致空调需求增加需求的不确定性个人的需求变化需求的相关关系的変化订货生産需求的连续性時序列分析将来需求的预测可能性需求的种类及其关系显在需求已决定购买的到期更新的设备已支付货款潜在需要不满足需求的实现条件(资金、空间等)零需求没有购买欲望的潜在需求创出需求经过企业的努力、顾客产生了购买欲望的需求?

2、有欲望、有条件、但还没有购买的需求?没有欲望、有条件的需求需求变动的分类确定、动态稳定不确定、动态不稳定确定、动态稳定不确定、动态不稳定例1汽车组装厂与零部件供应商每月供应坐位10万空调组装与压缩机供应4月6月:每月供应1万台其他时间每月供应2千台例2汽车的月生产量1月、2月、3月、4月、5月100、100、100、100、1001月份的销售量第1週、第2週、第3週、第4週20、30、25、25vv汽车销售商的月销售量1 1月、月、2 2月、月、3 3月、月、4 4月、月、5 5月月100100、200200、300300、400400、500500vv2月份的每周销售量1 1週、週、2 2週

3、、週、3 3週、週、4 4週週4040、50 50、80 80、30 30需求4种变动曲线的示意图 需求時間需求時間需求時間需求時間预测方法预测种类需求预测经济预测销售预测生产预测价格预测其他（赛马、垒球、足球）彩票?需求预测的实用条件预测精度预测方法的评价标准精度(Accuracy)柔性(Bending)合理性(Convincing)持续性(Durability)简便性(Easiness)需求预测与销售预测社会总需求与市场占有率销售预测与销售计划供不应求(能力限制对销售计划起主导作用)供过于求(潜在需求的开发、积极竞争的销售计划)需求预测的数学模型移动平均法指数平滑法ARIMA模型BASS模

4、型移动平均法实测值：x1,x2,x3,x4,xn预测值：y1,y2,y3,y4,ynyt+1=(xk+xk+1+xk+2+xk+H)/Hk=t-Hk=t-H/2原系列移動平均k=t-H/2指数平滑法指数平滑法的思路好的预测方法的条件去除不规则变动对趋势变化敏感误差的方差小实用方便预测逻辑明了误差范围明确指数平滑法的计算方法实质上是加权移动平均法Brown式平滑法简单平滑法2次平滑法y(t+1)=x(t)+(1-)y(t)z(t+1)=y(t)+(1-)z(t)u=2y-zb(t+1)=(y(t+1)-y(t)+(1-)b(t)z(t+1)=y(t)+(1/)b(t+1)vv3次平滑法y(t+1

5、)=y(t+1)=x(t)+(1-)y(t)x(t)+(1-)y(t)z(t+1)=y(t)+(1-)z(t)z(t+1)=y(t)+(1-)z(t)u(t+1)=z(t)+(1-)u(t)u(t+1)=z(t)+(1-)u(t)v=3y-3z+uv=3y-3z+uWinter式平滑法Complete exponential modelNave modelSimple forecasting modelBasic ValueTrend factorSeasonal factorBasic ValueBeta:seasonal factorGamma:trend factorTrend fact

6、orSeasonal factor预测方法Basic valueSeasonal factortrend factorARIMA模型自回归模型(AR:auto regression)AR(1)AR(2)自回归演算Z(t-1)a(t)Z(t)AR的性质协方差与相关系数(p)=Cov(z(t),z(t-p)=E(z(t)z(t-p)(1)=E(1)z(t-1)+a(t)z(t-1)）=(1)(0)+E(z(t-1)E(a(t)=(1)(0)(p)=(1)(0)(p)=(p)/(0)=(1)pp记忆函数z(t)=(1)z(t-1)+a(t)z(t)=a(t)+(1)a(t-1)+(1)a(t-1)+

7、Stationary condition(定常性条件)Var(z(t)=Var(z(t-1)E(z(t)z(t)=Var(z(t-1)+0+2移动平均模型(MA)MA(1)移動平均演算子a(t-1),a(t)Z(t)自回归移动平均模型ARMA(1，1)ARMA(p,q)Non-stationary modelRandom walkingz(t)=z(t-1)+a(t)股票价格在时间轴上独立记忆函数z(t)=a(t)+a(t-1)+a(t-2)+例股票价格的变动自回归差分移动平均模型ARIMA利用差分把时序列变成Stationary的序列w(t)=z(t)-z(t-1)w(t)=(1)w(t-1)+a(t)-(1)a(t-1)ARIMA(1,1,1)普遍地写成,ARIMA(p,d,q)差分与和分：z(t)=w(t)+w(t-1)+w(t-2)Bass模型成长曲线潜在市场规模为m,革新系数为p,模仿系数为q已经购买的人数：y(t)p(t):时间t上的购买概率p(t)=p+qy(t)/mx(t):时间t上的购买人数x(t)=p(t)未购买者人数 =p(t)(m-y(t)x(t)=p(m-y(t)+qy(t)(m-y(t)/ml 革新者 模仿者p=0.008,q=0.08,m=2700020090p=0.09,q=0.08,m=270002602000演讲完毕，谢谢观看！