服装销售数据的时间序列分析.docx
- 文档编号:29630931
- 上传时间:2023-07-25
- 格式:DOCX
- 页数:29
- 大小:259.08KB
服装销售数据的时间序列分析.docx
《服装销售数据的时间序列分析.docx》由会员分享,可在线阅读,更多相关《服装销售数据的时间序列分析.docx(29页珍藏版)》请在冰豆网上搜索。
服装销售数据的时间序列分析
第十章服装销售数据的时间序列分析
第一节服装销售周期与波动分析
一、时间序列涵义
二、服装销售数据趋势变化观察
三、服装销售数据季节性、循环性波动观察
四、时间序列图观察
第二节时间序列预测-指数平滑法
一、时间序列预测的特点
二、指数平滑法的含义
三、指数平滑法的模型
四、SPSS的实现过程
第三节时间序列预测-直线趋势法
一、时间序列直线趋势的含义
二、直线趋势预测模型
三、SPSS的实现过程
第四节时间序列预测-季节分解法
一、销售数据四种波动形式的分解
二、季节分解的思想
三、季节分解过程
四、季节分解的SPSS实现过程
五、销售数据的预测
第一十章服装销售数据的时间序列分析
服装销售数据的时间序列分析的目的是揭示服装销售数据在时间轴上的趋势变化与波动变化规律,为企业制定产品上市计划、进行产品销售预测、制定市场服务策略等提供分析模型或决策依据。
第一节服装销售周期与波动分析
服装市场是典型的季节性销售市场,各种款式的服装都有其特定的销售周期,分析各类产品的销售周期,有利于企业制定正确的产品上市计划。
此外服装零售作为服务性行业,其零售过程也具有周期性波动的特点,通过对销售波动规律的分析,有利于零售企业制定日程工作计划,提高服务质量。
一、时间序列涵义
销售数据的周期与波动分析实际上是将销售数据按照时间先后顺序,构造一个销售数据的时间序列,分析销售数据在时间轴上的变化规律。
1、服装销售数据时间序列
服装销售数据时间序列指将服装销售的每一笔业务按照时间顺序,以流水方式记录下来所形成的数据系列。
时间序列经过数据整理之后可形成以下三种时间序列:
1)截面数据,如某一天的全部数据,表示一个基本时间单元上的数据,可反映基本时间单元上的销售变化规律。
2)时段数据,如一个月每天的销售数据,表示一段时期的数据,通常可以反映数据在特定时段上的变化趋势。
3)平行数据,如各个年度年指定月份的销售额,表示不同年份同一月份的销售额,是一组月份同比数据,可以过滤非趋势因素的影响,可比性较强。
2、销售数据时间序列构成
时间序列反映了销售数据随时间推移而呈现的变动,影响这种变动的因素很多,但只有哪些典型的、持续的影响因素对数据的变化会产生决定性的影响,并决定数据的变化规律。
通常将这些因素引起的数据变化分为以下四种形式:
1)长期趋势T,指数据呈现的增长、平稳、下降的趋势。
销售数据的长期趋势是销售数据时间序列的主要构成项目,长期趋势是由企业市场竞争素质决定的。
长期趋势按照销售数据与时间的函数关系可分为直线趋势和曲线趋势两种。
2)季节变动S,指数据在一定时期(通常是一年)具有周期性的、重复性的波动。
三是循环波动C,指数据围绕长期趋势出现的周期性的波动。
3)不规则波动I,指由突发因素或随机事件引起的波动,不具有规律性或可预见性。
以上四种形式的变化是销售数据时间序列变动的一般形式,在进行销售数据的预测时,一般要先将原时间序列的四种变动分解出来,趋势变动可用回归模型进行定量预测,通过预测模型得到的预测值时间序列只有趋势变动,而季节波动、循环波动、不规则波动则是通过计算季节系数、循环波动系数及不规则波动系数,对趋势预测值进行修正还原,成为包含四种变化的预测值,这一值与实际值比较,其总方差或均方差的大小可反应预测值的准确程度。
3、销售数据时间序列的波动模型
应用时间序列分析法对销售数据的变化规律进行销售预测时,有以下两种基本的模型:
1)加法模型
加法模型是将时间序列的观测值分解为趋势值、季节变动、循环波动、不规则波动四个项目,四个项目之和就等于观测值。
用公式表示为:
Y=T+S+C+I
显然,这一模型假定四个波动项目是独立的,且具有与观察值相同的量纲。
2)乘法模型
乘法模型是将时间序列的观测值分解为趋势值、季节变动、循环波动、不规则波动四个项目,四个项目之积就等于观测值。
用公式表示为:
Y=T*S*C*I
在这一模型中,假定四个波动项目是独立的,趋势值T与观察值且具有相同的量纲,其余三个项目则是从观察值中分离出来的百分比系数,其中S称为季节系数或指数,C称为循环波动系数,I称为不规则变动系数。
二、服装销售数据趋势变化观察
销售数据的趋势变化分析旨在了解销售市场的景气与企业发展战略是否配合。
趋势变化通常有三种基本的表现形式:
上升趋势、平稳趋势和下降趋势。
在进行销售数据的趋势分析时,首先要确定销售数据分析的最小周期,由于趋势分析的目的是了解销售数据中长期趋势变化规律,因此销售数据趋势分析的周期一般选择为一个月、一个季度或一个年度。
对销售趋势变化的观察一般采用图形观察比较直观,绘制销售数据趋势变化图,有以下两种方法:
1、时距扩大法
该方法是:
在制图时,将销售额的汇总时段加大,从而消除短期波动,有利于观察长期的趋势。
在SPSS中,具体的做法是改变时间分类轴的周期。
例:
打开练习库中的数据文件\practice\汇总销售数据库.sav,利用绘图graphs中的线图line功能,分别绘制年销售线与月销售线,操作过程如下:
1)打开“汇总销售数据库.sav”,按年度及月份排序。
2)点击“graphs→line”,显示linecharts对话框,选择单线图(simpleline),点击【define】,在线图纵轴指标(linerepresents)选项中选择计算综述值(othersummaryfunction),在综述变量(variable)中输入变量“sale”,指定统计参数为汇总(sum),在分类轴横轴(categoryaxis)中输入分类变量:
year,其他均采用系统默认值。
确认【ok】,生成年线图,输出结果如图10-1(a)所示。
3)重复第2步,选择单线图(simpleline)及个案值线图(valuesofindividualcases),在分类轴横轴(categoryaxis)中输入分类变量“order”,其他同上。
4)确认【ok】,生成月线图,输出结果如图10-1(b)所示。
图10-1(a)销售年线图图10-1(b)销售月线图
从图中可以看出,年线图的长期上升趋势明显,而月线图的波动趋势比上升趋势更明显。
2、移动平均法
1)移动平均法的含义
移动平均法MA(Movingaverage)是指对时间序列观察值,由远向近按一定的跨越期(Span)计算平均值的一种预测方法,简记为MA(n)。
移动平均法具有以下几个特点:
首先,通过移动平均,能消除随机因素引起的不规则变动,能敏感反映市场现象的周期性波动规律。
其次,通过移动平均,可减少观察值的历史数据贮存量,即理论上只需要跨越期个数的数据,但要保留两个时间序列数据:
观察值时间序列及其移动平均值序列。
其三,在选择跨越期的大小时,要考虑时间序列的波动规律,如果时间序列波动有规律,跨越期取得小一些或采用其波动周期。
在观察长期趋势时,如果时间序列无规则变动,跨越期取得大一些。
2)移动平均法的类型
移动平均法按照计算平均值的方法不同,可分为一次移动平均法、二次移动平均法、加权移动平均法。
按照移动平均值与原时间序列在时间位置上的对应关系不同,移动平均法可分为前移动平均(Priormovingaverage)和中心移动平均(Centeredmovingaverage)。
前者是指计算当前值以前若干期的平均值,后者是指以当前值为中心,计算前后若干期的平均值。
3)前移动平均法模型
Mt+1=(Yt+Yt-1+…+Yt-n+1)/n或Mt+1=Mt+(Yt-Yt-n)/n
其中:
n=t-(t-n+1)+1,为跨越期数或选择用于计算移动平均值的观察值个数。
该模型有以下几个方面的特点:
一是每个新的移动平均值是对前一个移动平均值的调整。
二是当n越大时,移动平均值序列表现得越平滑,调整量也越小。
三是只能预测下一期,预测值滞后。
四是该模型一般适用于基本水平型变动,又有些波动的时间序列,不适合明显趋势变化的时间序列。
通常平均移动法是进行时间序列数据整理的基本方法,其目的是消除不规则变动或季节性波动,很少被单独用来预测趋势值。
4)SPSS的实现过程
移动平均法实际上是在分析数据库中按照移动计算规则,建立一个新的时间序列,该功能在SPSS的Transform中的子菜单CreateTimeSeries的计算移动平均值功能PriorMovingaverage中实现。
例:
打开练习库中的数据文件\practice\汇总销售数据库.sav,利用Transform中的子菜单CreateTimeSeries,生成3个月或12个月的移动平均序列,分别计为s3、s12,并利用绘图(graphs)中的线图(line)功能,绘制原销售数据时间序列、二个移动平均时间序列的多线图,操作过程如下:
5)打开“汇总销售数据库.sav”,按年度及月份排序。
6)点击“Transform→CreateTimeSeries→PriorMovingaverage”,选择需要计算移动平均值的变量“sale”、生成新变量的名称“s12”、移动期Span:
12。
7)确认【ok】,生成新的变量“s12”。
8)重复第2步,选择需要计算移动平均值的变量“sale”、生成新变量的名称“s3”、移动期Span:
3。
9)确认【ok】,生成新的变量“s3”。
10)点击“graphs→line”,显示linecharts对话框,选择多线图(multipleline),数据来源(datainchartare)选项中,选择平行变量综述(summariesforseparatevariables),点击【define】→在线图纵轴指标(linerepresents)选项中选择计算综述值(othersummaryfunction),在综述变量(variable)中输入变量“sale、s12、s3”(分别代表原始数据、12期移动、3期移动数据),指定统计参数为汇总(sum),在分类轴横轴(categoryaxis)中输入分类变量“order”,其他均采用系统默认值.
11)确认【ok】,生成多线图,输出结果如图10-2所示。
从图中可以看出,移动周期为12时,上升趋势更加明显,移动周期为3时,循环波动明显。
因此,为了消除不规则变动或季节性变动因素,移动期数通常选择为12个月。
如果想观察季节波动,移动周期以3个周期为好。
图10-212个月和3个月的移动平均前后销售数据的对比图
三、服装销售数据季节性、循环性波动观察
季节波动是服装产品季节性消费的典型特征,服装销售的循环波动主要研究短周期的,一般以星期为单位波动,不规则波动通常是由营销环境出现突发事件引起的波动。
销售数据的波动规律通过波动图能很直观地反映出来,通过分析波动图,能够了解服装销售的一些波动规律,为企业进行销售预测、制定短期销售计划、店铺销售管理等提供依据。
此外,以周为单位的销售波动规律,为店铺制定销售计划及工作日程安排提供依据。
对服装销售数据的季节性、循环性、不规则性的波动分析有以下几种分析方法:
1、N阶差分法(Difference)▽n与n阶季节差分法▽ns(seasonaldifference)
这分析方法主要是利用差分的原理,消除时间序列中的趋势变化,保留数据中的季节性、循环性、不规则性的波动。
1)差分法的含义
差分法是将一个时间序列Yt后移一个时间周期成为另一个时间序列Yt-1(该序列又称为后移算子),然后计算这两个时间序列的差,生成新的时间序列Yt-Yt-1,记为▽Yt,称为时间序列Yt的一阶差分,如果进步对一阶差分计算差分,所得的时间序列称为二阶差分,依此类推,可计算时间序列的n阶差分▽n。
在数据分析中,差分计算的目的是过滤原始时间序列中的趋势变动,一阶差分过滤线性趋势,二阶差分过滤二次函数趋势,依此类推。
2)季节差分
其计算原理与一般差分的计算原理是相同的,但后移算子不是向后移一个周期,而是移若干周期,通常是移四个周期,生成的一阶季节差分时间序列▽4,这样,可以消除各年度同季度销售数据中的线性趋势变化。
通过差分法生成的新的时间序列没有趋势变动,它是观察销售数据时间序列中季节波动、循环波动、不规则波动的依据。
由于服装销售数据具有季节性,为了获得较好的观测效果,在选择差分法时,通常选用季节差分法,差分的阶数视具体情况而定。
由于n阶差分法会减少n个数据,而且数据还原难度加大,因此差分的阶数不要太高。
3)SPSS中的实现过程
差分法实际上是在分析数据库中按照差分计算规则,建立一个新的时间序列,该功能在SPSS的Transform中的子菜单CreateTimeSeries的计算差分功能Difference中实现。
例:
打开练习库中的数据文件\practice\汇总销售数据库.sav,利用Transform中的子菜单CreateTimeSeries,生成12个月的移动平均序列,计为“s12”,再利用Transform中的子菜单CreateTimeSeries,计算“s12”的一阶差分,生成时间序列“ss12”,利用绘图(graphs)中的线图(line)功能,绘制“s12、ss12”两个时间序列的多线图,操作过程如下:
4)打开“汇总销售数据库.sav”,按年度及月份排序。
5)点击“Transform→CreateTimeSeries→PriorMovingaverage”,选择需要计算移动平均值的变量“sale”、生成新变量的名称“s12”、移动期Span:
12。
6)确认【ok】,生成新的变量“s12”。
7)点击“Transform→CreateTimeSeries→Difference”,选择需要计算差分的变量“s12”、生成新变量的名称“ss12”、阶数(order)为1,生成新的变量“ss12”。
8)点击“graphs→line”,显示linecharts对话框,选择多线图(multipleline),数据来源(datainchartare)选项中,选择平行变量综述(summariesforseparatevariables),点击【define】,在线图纵轴指标(linerepresents)选项中选择计算综述值(othersummaryfunction),在综述变量(variable)中输入变量“s12、ss12”(分别代表差分前、一阶差分后的数据),指定统计参数为汇总(sum),在分类轴横轴(categoryaxis)中输入分类变量“order”,其他均采用系统默认值.
9)确认【ok】,生成多线图,输出结果如图10-3所示。
从图中可以看出,经过一阶差分后的数据围绕为0线上下波动,趋势变化被消除,可以判断一阶差分能较好地过滤原销售数据时间序列中的长期趋势。
本例采用的是一阶差分,如果想使用季节差分seasonaldifference,生成新的时间序列,需要另外定义日期变量,在SPSS中,这一定义过程只能由SPSS中的Data菜单中的definedates功能完成,自定义和输入的日期原始数据是无效的。
为了分析方便,对日期的定义选用年、季、月的格式,通过定义,可生成三个变量“quarter_、month_、date_”,其中季和月为周期性变量,又称季节变量(SeasonalFactors),而日期变量为字符变量。
在后面的所有分析中,只要涉及到季节性分析项目,必须在数据库中建立一个日期变量。
生成日期变量之后,季节差分的分析过程与一阶差的分析过程是相同的,不再重述。
图10-3一阶差分数据分析图
2、每周的循环波动
每周的循环波动以周为波动单位,对销售数据的波动进行分析。
周循环波动产生的原因是消费者的工作时间与购物时间的周期性决定的,对周循环波动分析有以下两种方法:
1)绘制一条若干周按星期顺序累计的销售额图,这是一条单线图。
通过累计销售额曲线坡度及高度,可以看出各周的波动规律的相似性及销售金额的增长趋势。
2)绘制若干条连续周每天的销售额对比图,这是一种多线图。
通过同比每周各天的销售额的变化情况,可以了解一些突变的因素。
例:
打开练习库中的数据文件\practice\明细销售数据库.sav,利用Transform中的子菜单CreateTimeSeries,生成按店铺、按周的累计销售金额,绘制8月份4周的日销售金额多线图与每周累计销售额单线图,观察8月份各周内每天销售情况及8月份各周累计销售的变化规律。
操作过程如下:
3)打开“明细销售数据库.sav”,按流水号排序之后,再按店铺代码“store”、周数“nweek”两个变量切分文件(splitfile)。
4)点击“Transform→CreateTimeSeries中的→cumulative”,选择需要计算累计值的变量“sale”、生成新变量的名称“s1”。
5)确认【ok】,生成新的变量s1。
6)恢复文件切分,应用筛选功能,指定8月份数据。
7)点击“graphs→line”→显示linecharts对话框,选择多线图(multipleline),数据来源(datainchartare)选项中,选择组特征值(summariesforgroupsofcases),点击【define】,在线图纵轴指标(linerepresents)选项中选择计算综述值(othersummaryfunction),在综述变量(variable)中输入变量“sale”,指定统计参数为汇总(sum),在分类轴横轴(categoryaxis)中输入分类变量“day”,分线变量输入“nweek”,其他均采用系统默认值。
8)确认【ok】,生成8月份四个星期各天销售额对比的多线图,输出结果如图10-4(a)所示。
9)点击“graphs→line”→显示linecharts对话框,选择单线图(simpleline),数据来源(datainchartare)选项中,选择组特征值(summariesforgroupsofcases),点击【define】,在线图纵轴指标(linerepresents)选项中选择计算综述值(othersummaryfunction),在综述变量(variable)中输入变量“sale”,指定统计参数为汇总(sum),在分类轴横轴(categoryaxis)中输入分类变量“date”,其他均采用系统默认值。
10)确认【ok】,生成8月份四个星期各周的累计曲线图,输出结果如图10-4(b)所示。
(a)一个月四周各天销售对比图(b)一个月四周各周累计销售曲线图
图10-4周循环波动图
从图中可以看出,最近几周的销售额呈现波动上升趋势,且每周销售的波动呈现相似的规律,销售额最高的在星期六和星期天两天,最低的在星期四和星期五。
四、时间序列图观察
时间序列图观察法是根据原时间序列数据,通过转换,绘制相应的时间序列图,来观测数据的变化规律。
在SPSS中,提供了时间序列图(Sequence)、自相关图(Autocorrelationchart)两种对时间序列图形观察的方法。
1、时间序列图(Sequence)
时间序列图在SPSS的Graph菜单中的子菜单Sequence功能实现。
该功能可对原始数据进行数据变换Transform,包括自然对数变换(将原时间序列变换为对数值)、差分变换、季节变换三种形式,最后给出变换后的时间序列图。
与上面内容相比,在应用差分法时,不需要计算中间变量,而直接利用SPSS中的绘图计算功能完成。
2、自相关图(Autocorrelationchart)
自相关图用来计算自相关系数表ACF、偏相关系数表PACF,这两个参数在建立模型方面是非常有用的,它用来判断构建回归模型的效果及回归模型中变量个数(实际上是差分的阶数)的合理水平。
ACF表示相邻数据的相关性的强弱,其值越大,构建回归预测模型的效果就越好,PACF用来判断自回归模型阶数大小的合理性,通常取比较大的PACF所对应的阶数作为回归模型的阶数。
自相关图在SPSS的Graph菜单中的子菜单Timeseries中自相关图(Autocorrelationchart)功能实现。
该功能可对原始数据进行数据变换(Transform),包括自然对数变换(将原时间序列变换为对数值)、差分变换、季节变换三种形式,最后给出变换后的自相关系数表ACF、偏相关系数表PACF及相应的图。
例:
打开练习库中的数据文件\practice\汇总销售数据库.sav,调用时间序列分析图Sequence功能,观察销售数据的规律,操作过程如下:
1)打开“汇总销售数据库.sav”,按年度及月份排序。
2)点击“graphs→Sequence”,显示输入对话框,输入变量“sale”,输入时间轴变量“order”,选择差分法,阶数为1,在format选项中要求显示均值线,其他均采用系统默认值。
3)确认【ok】,生成时间序列分析图,如图10-5所示。
从图中可以看出,通过差分变换之后消除了该地区销售数据时间序列中的趋势变动。
如果要使用季节差分,需要事先定义日期变量。
图10-5一阶差分时间序列图
第二节时间序列预测-指数平滑法
销售预测是制定企业年度预算的基础,也是企业调整销售计划的依据。
服装销售预测是在分析企业销售时间序列数据的基础上,运用科学的预测模型,对服装未来销售量或发展趋势做出估计和判断的过程。
因此进行销售预测,首先要有完整的销售数据库。
一、时间序列预测的特点
服装销售预测的基本方法是时间序列分析方法,该方法的基本思想是任何时期,不管什么因素对企业销售产生影响,最后都是通过销售额反映出来的,销售额的变化综合反映了所有影响销售因素的共同作用,为了简化分析过程,假定所有影响销售额的因素所发生的作用是连续的,因此销售额的变化过程也具有时间上的连续性,因此只要将时间后延,便可按数据历史的演变规律来推断时间后延后的销售额。
由于这一分析过程抛开了影响销售额的具体因素,而用时间因素来记录因多种因素对销售产生的影响及销售数据的变化规律,并将这种规律在时间轴上演绎,因此这种分析方法具有高度的概括性,大大简化了销售预测模型。
时间序列预测具有以下几个方面的特点:
1)该模型假设一切事物都是发展变化的,在时间上具有连续性。
2)影响市场现象变化的因素很多,有确定的,有不确定的,但最终都表现为市场现象随时间的延续而变化。
因此时间序列预测法考虑了所有影响因素的综合影响,而不象回归分析只考虑已知的、可量化的相关影响因素。
3)时间序列选择时间作为变量,不象相关回归分析以影响市场现象的因素为自变量,因此以时间和时间序列为变量建立的预测模型Yt=f(t)称为自相关模型Autoregressivemodel。
实际上该模型假定时间序列中的某一个值Yt总是与其前面的一个值Yt-1或几个值具有相关性,记为AR
(1)或AR(n),表示n阶自回归模型。
4)时间序列分析中,通常需要定义时间变量(definedates),它是确定时间序列季节性波动或循环波动周期的前提。
此外,时间序列模型要求在分析周期内的原始数据是完整的,如果有数据缺失,应将缺失值用SPSS的transform中的ReplaceMissingValue功能填补。
5)由于数据波动存在四种形式,时间序列分析时,通常要经过一些特殊的数据整理方法,使时间序列的各种波动规律能单独统计出来,如平均移动法MA(n)、指数平滑法(ExponentialSmoothi
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 服装 销售 数据 时间 序列 分析