3跨境电商供应链需求预测（课件）《跨境电商供应链》（对外贸易经济大学出版社）

跨境电商供应链管理 跨境电商供应链需求预测 03 3.1 跨境电商供应链需求预测的概念及作用 3.1.1 供应链需求预测的概念 对最终顾客的产品需求进行预测是所有供应链规划和运作管理基础。 （1）需求的时间特性和空间特性 （2）需求的系统性与随机性 观察到的需求（O）=系统成分（S）+ 随机成分（R） （3）需求的派生性与独立性 3.1.2 供应链需求预测的作用 （1）为供应链战略决策提供参考 （2）为供应链运作计划提供依据 （3）提高供应链供需平衡匹配度 （4）为库存管理和控制提供重要信息 3.2 跨境电商供应链需求预测的影响因素及其特点 3.2.1 供应链需求预测的影响因素 （1）过去的需求数据 （2）产品的补货提前期 （3）竞争对手采取的行动以及流行趋势 （4）产品组合特征 3.2.2供应链需求预测的特点 （1）预测通常是不准确的，因此应当同时兼顾预测值和预测误差的度量。 （2）长期预测的精度往往比短期预测低。 （3）综合预测往往比分解预测更精确。 （4）供应链上游企业对市场需求预测的误差要高于下游企业对市场需求预测的误差。 3.3 供应链需求预测的基本过程 （1）识别预测目标。 （2）整合需求计划和预测 （3）明确预测范围 （4）选择合适的预测方法、精度及模型 （5）执行预测 （6）制定预测绩效标准 3.4定性预测方法 3.4.1 一般预测方法 3.4.2 市场调研 3.4.3 小组共识 3.4.4 德尔菲法 3.5 时间序列定量预测方法 3.5.1 时间序列预测方法概述 （1）时间序列预测方法的优缺点 （2）时间序列预测方法分类：移动平均法、指数平滑法、ARIMA模型 （3）时间序列预测成分 乘法型：需求的系统成分=需求水平×需求趋势×季节性因素 加法型：需求的系统成分=需求水平＋需求趋势＋季节性因素 混合型：需求的系统成分=（需求水平+需求趋势）×季节性因素 3.5.2 不考虑趋势和季节性因素的时间序列预测方法 （1）简单移动平均法。 简单移动平均法的计算公式为： 3.5.2 不考虑趋势和季节性因素的时间序列预测方法 （2）加权移动平均法 3.5.2 不考虑趋势和季节性因素的时间序列预测方法 （3）一次指数平滑法 3.5.3 考虑趋势和季节性因素的时间序列预测方法 （1）趋势和季节性因素不随时间改变而改变的模型—静态时间序列预测方法 A 估计需求水平和需求趋势 B 估计季节性因素 （2）仅有趋势随时间改变而改变的指数平滑法—Holt模型 （2）仅有趋势随时间改变而改变的指数平滑法—Holt模型 （3）趋势和季节因素均随时间改变而改变的指数平滑法—Winter模型 （3）趋势和季节因素均随时间改变而改变的指数平滑法—Winter模型 3.5.4 ARIMA模型 ARMA模型，全称为自回归移动平均模型 如果将时间序列经过差分变换，则该模型通常被称为ARIMA模型。 差分自回归移动平均模型ARIMA（p,d,q）中的AR表示“自回归”，p为回归项，MA表示“移动平均”，q为移动平均数，d为将时间序列变平稳时所做的差分次数。 （1）ARIMA模型的建立 （2）ARIMA模型的步骤 模型的识别：通过对相关图的分析，初步确定适合于给定样本的ARIMA模型形式，即确定d、p、q的取值。 模型参数的估计就是待初步确定模型形式后对模型参数进行估计。 诊断与检验就是以样本为基础检验拟合的模型，以求发现某些不妥之处。如果模型的某些参数估计值不能通过显著性检验，应返回第一步再次对模型进行识别。如果上述两个问题都不存在，就可接受所建立的模型。 3.6 因果分析法 因果分析法的基本前提是：某个特定产品未来的销售要与一些其他变量的变化密切关联。例如，销售的变化可能与价格、广告、促销和商品供应计划的变化有关系，也可能与其他商品的销量之间保持高度的相关性。因此，一旦可以量化这种相关性，就可以将其用于预测销售。 3.6.1 历史类比法 类似法适用于很多产品类型，比如互补产品、替代产品、竞争性产品或随收入而变的产品等。 利用历史类比法可以获得各相关因素对销售的影响，不需要准备历史的数据。因此，在历史数据没有或者很少的情况下，用历史类比法是很好的方法。 但是，由于相关因素本身存在不确定性，并且是随机的、动态的，往往难以保证预测的准确性，需要一定的经验来判断相关系数及其权重，故这种预测方法对预测人员的要求比较高。 3.6.2 线性回归法 3.6.2 线性回归法 3.7 大数据与因果分析法的结合 由于大数据技术的不断发展，我们现在很容易在海外电子商务平台论坛、社区网站等获取各种信息，通过对计算机技术的应用来进行国外用户数据的收集与分析，以因果分析方法为基础进行数据的解读并提出商业化建议，为我国跨境电商在产品策略制定及其他相关领域提供一定的理论指导，具有很强的现实意义。 3.7.1 基本情况统计 （1）产品基本特征分析 （2）价格构成分析 （3）星级分布分析 （4）评论量分布 3.7.2 变量选取及模型设计 3.7.3 样本数据的采集与分析 3.7.4 结果检验及分析 3.7.4 结果检验及分析 以评论量REV为被解释变量的实证分析中，评论时间跨度（DAY）与评论量（REV）呈正相关，说明评论时间跨度越长，评论量越高；便携性积极评论率（POR）与评论量（REV）呈正相关，说明消费者对产品便携性的认可程度越高，商品产生的评论越多；价格积极评论率（PRI）与评论量（REV）呈正相关，说明消费者对价格的评论认可程度越高，商品的产生的评论越多；适配性积极评论率（SUIT）与评论量（REV）呈正相关，说明消费者对商品适配性认可程度越高，商品产生的评论量越高；功能性积极评论率（FUN）与评论量（REV）呈正相关，说明消费者对产品功能性的认可程度越高，商品产生的评论越多。 $$