某电子商务企业销售业绩预测

2014-04-29李林香

企业文化·下旬刊 2014年3期

李林香

摘要：本文取某电商2012年9月13日至2014年2月28日的经营数据，应用滑动平均趋势外推预测法、随机时间序列预测等时间序列预测法及马尔科夫预测法对该企业销售额进行预测，并与实际值进行比较检验，滑动平均趋势外推预测法相对较为准确。

关键词：时间序列；马尔科夫链；电商；预测

一、引言

科技的飞速发展和个人电脑的普及使得电子商务蓬勃发展，网上C2C交易或网上拍卖这一全新的商业模式逐渐为人们所熟悉，在eBay、易趣、淘宝等网上购物也开始进入人们的生活。以阿里巴巴集团为例，2011年，天猫（原“淘宝商城”）交易额达到了1000亿元的规模，聚划算团购交易额突破100亿元，市场份额超过50%，手机淘宝全年交易额超过100亿元，支付宝总注册用户数超过6.5亿，日交易额超过40亿[1]。除购物形式外，电子商务与传统商务的一个显著区别是电子商务可留下大量的数据供管理者决策。

时间序列预测是在假设事物发展在时间上是渐进的基础上研究其发展规律的经济预测方法[2]。马尔科夫（Markov）预测方法是指利用马尔科夫链来确定状态的变化趋势，从而对未来的市场占有率或者利润变化进行预测的一种方法[3]。两种方法在预测领域均有广泛的应用，由于数据限制，传统的销售额、利润等指标的预测多用马尔科夫预测法，而电子交易可将这些指标细分到日甚至分秒，在如些丰富的样本量下，时间序列预测是否会表现的更优越？

本文以某电子商务企业为例，对其销售额以时间序列及马尔科夫法进行预测，比较几种预测方法的预测效果。

二、数据来源及处理

本文数据来自淘宝网数据魔方某电商经营业绩，该商家2012年9月13日才营业，取其2012年9月13日至2014年2月28日共计534组日交易数据，本文数据、图形均使用R软件分析得出。

三、实证分析

该电商自开业日至2013年4月，业务均处在较快的上升阶段，日均销售额从2012年9月的193.50元增至万元以上，日均成交人数也升至百人以上，老客户月成交量稳步上升，详见其日销售量图（图1）：

图1黑色曲线即为该电商每日销售额，最突出的一点即双十一狂欢购物节，其日销售额达503796元，随即销售恢复正常。下面用几种不同方法对该电商销售情况进行预测。

1、滑动平均趋势外推预测法

滑动平均趋势外推预测法分为加权滑动平均预测法和指数平滑法。

当样本序列具有非水平趋势时，可采用基于局部常数均值理论的加权滑动平均法作趋势外推预测。样本时间序列在前期有较明显的上升趋势，但逐渐趋向于稳定，故选择30项作为平移项对其进行趋势外推。图1红色曲线系为30项滑动平均预测曲线，外推一期的预测值为27797.53元。

加权滑动平均预测法受限于两个方面：一是必须有N个历史数据，二是预测值仅包含了这N个数据的信息，而不能反映更多历史数据的信息。指数平滑法克服了以上缺限，既能更多反映最新观察值的信息，又可反映大量的历史资料信息。指数平滑法中α的确定非常重要，本文采用α优选法即0.618法，外推一期的预测值为24775.07元。

2、随机时间序列预测

滑动平均趋势外推预测法适合进行长期预测，由于该电商仍属扩张期，假定期已稳定可能存在较大误差，故采用随机时间序列预测法进一步预测。

首先，对销售额时间序列进行平稳性检验，单位根检验表明该时间序列为非平稳序，一阶差分后平稳。通过模型的识别、参数估计、模型检验，拟合成ARIMA（0，1，2）模型。模型为：。

2014年3月1日的销售额预测值为24027.00元，则该月总销售额的预测值为745617.00元，详见表1。（图2）为随机时间序列预测图，可看出，随机时间序列预测法对历史数据的拟合较滑动平均趋势外推预测法更佳。

表1：2014年3月份的日销售额预测表

24027

24053

24053 24053

24053

3、馬尔科夫预测法

马尔科夫预测法是一种常用的市场状态、利润等预测方法，由于企业产品的销售与前一阶段的销售状态有关，而与早先的状况如何联系较小，因此我们可以把这一过程近似地看成一个马尔科夫过程，运用马尔科夫法来预测[4]。设畅销为1，滞销为2，则从当期到下一期有四种可能的转移状态：1至1、1至2、2至1及2至2。

设1至1（连续畅销）发生的次数为n1，1至2（畅销转滞销）发生的次数为n2，2至1（滞销转畅销）发生的次数为n3，2至2（连续滞销）发生的次数为n4由此可得各状态发生的概率，并构造一次转移概率矩阵，设该矩阵为P，则：

在求得一次转移矩阵P后，假设P0是初始分布行向量，则第n步的概率为：P（n）=P（0）Pn。同理可利用P2、P3得到P（2）、P（3）等的预测的概率。再按最大概率原则，选择最大概率者对应的状态作为预测结果。同理，可根据其销售额的变化及各状态的转移概率可得期望销售额分布矩阵，详见[2]。

1、日销售状态及销售额预测

由于春节期间未营业，至2014年2月6日销售额才趋向稳定，故取2014年2月6日至2014年2月28日的日成交量及销售额的数据，定义日成交量大于等于200件为畅销，小于200件则为滞销。

经R软件计算，状态转移概率矩阵，期望销售额分布矩阵，一步期望销售额向量（38111.91 30698.82）。由于前一期的状态为2，即滞销，根据状态转移概率矩阵，预测下一期的状态为畅销，期望销售额34533.00 元。

2、月销售状态及销售额预测

考虑到起步阶段业务量不稳定，取2013年5月至2014年2月月度数据，计算马尔科夫状态转移矩阵及期望销售额矩阵，对市场状态及销售额进行预测。定义月成交人数大于或等于4000人为畅销，小于4000人为滞销。

经R软件计算，状态转移概率矩阵，期望销售额分布矩阵，一步期望销售额向量（538641.50 684629.60）。由于前一期的状态为1，即畅销，根据状态转移概率矩阵，预测下一期的状态为滞销，期望销售额538641.50 元。故马尔科夫预测法预测3月份为滞销，期望销售额538641.50 元。

四、检验

本文运用三种不同方法，对某电商经营业绩进行预测，滑动平均趋势外推预测法取30项作为平移项外推一期（即2014年3月1日）的预测值为27797.53元，指数平滑法推一期的预测值为24775.07元；随机时间序列预测法下一期的预测值为24027.00元，2014年3月的总销售额为745617.00元；马尔科夫预测法预测2014年3月1日期望销售额34533.00 元，2014年3月的期望销售额538641.50 元。

指数平滑法与随机时间序列预测法均使用了所有的历史数据信息，二者结果较为接近，其它预测法都只使用了部分数据，到底哪种预测法能更准确预测该电商的经营情况？

该电商2014年3月1日的27046.73元，与滑动平均趋势外推预测法预测的27797.53元比较接近，指数平滑法及随机时间序列预测法低估了销售额，而马尔科夫预测法用2014年2月数据进行的日销售额预测又高估了。

由于2014年3月月度实际数据还未出来，但马尔科夫法预测2014年3月的期望销售额538641.50 元，日均销售额仅为17375.53元，预计存在较大的偏差。

由于电商经营的特殊性，引入新的推广途径或成功参加某项促销活动销售额可能有数倍之差，以上几种方法都是在原来销售额基础上进行的，并未考虑影响销售的其它因素，难免有失偏颇。

五、结论

本文用多种方法对某电商2014年3月销售情况进行预测，并与实际值进行比较检验，相对而言，滑动平均趋势外推预测法较为准确。但由于影响电子商务销售额的因素众多、影响机制复杂，可能需要引入影响因素的复杂模型才能提高预测精度。

參考文献：

[1]邹雄智；刘锦，中小企业电子商务发展策略[ J]，企业经济，2012（12）

[2]陈春晖；聂亚菲，经济预测与决策[M]，北京，2011

[3]陈玉娟；查奇芬，基于马尔科夫Markor链的企业销售利润预测与决策[J]，商场现代化，2008（2）

[4]秦立公；韦金荣；刘忠萍，基于马尔科夫链的农产品价格趋势预测及Matlab实现[J]，安徽农业科学，2013（05）