基于遗传神经网络下新零售目标产品的销量预测研究

魏芳怡 李尽法 严尹彤 张嘉欣

摘 要：产品的短期销售需求预测对减少零售企业的库存管理压力，节约运营成本具有重要意义。利用某零售企业生产的 N 款产品在华东区内的相关数据，运用统计回归方程模型得出目标SKC（单款单色产品）在节假日的销售量。基于此，使用遗传-神经网络算法对10个目标小类在12周内对每周的周销量进行预测，求出各周的MAPE，并预测目标小类内所有SKC在12周内每周的销量。对于目标小类内的SKC，根据销售量变化趋势与所属目标小类变化趋势进行对比，对于差异较大的SKC，用折线图表现其与所属目标小类变化趋势的差异，实现对目标产品短期销量的精准预测。

关键词：新零售目标产品;统计回归模型;遗传-神经网络算法;销量预测

本文索引：魏芳怡，李尽法，严尹彤，张嘉欣.<变量 1>[J].中国商论，2021（18）：-035.

中图分类号：F724.2 文献标识码：A 文章编号：2096-0298（2021）09（b）--04

随着国内消费市场的不断发展，顾客对商品的需求越来越多样化，新零售逐渐发展起来。新零售模式的主要特点就在于更智能的数据使用，如何利用企业所有数据进行有效、准确的市场销量预测是新零售发展的一个重要课题。

1 引言

新零售是个人、企业以互联网为依托，运用大数据、人工智能等先进技术，对商品的生产、流通与销售过程进行升级改造，重塑业态结构与生态圈，并对线上服务、线下体验以及现代物流进行深度融合的零售新模式[1]。

新零售目标产品销量预测对降低供应链运营成本、加速产品推广与提高企业决策合理性[2]具有重要意义。产品销量预测研究成果已经比较丰富，多由跨学科的团队完成，研究方法迥然有别。李晓敏等[3]对44篇文献进行研究，发现在使用传统定量方法的文献中，有15.91%采用了回归分析的方法，31.82%的文献应用时间序列模型，在现代人工智能方法商务研究中，11.36%文献采用神经网络的方法，15.91%文献采用灰色系统进行研究。张敏珏等[4]基于改进的灰色模型烟草产品销量的预测分析。乐洋[5]运用多元回归分析饮料上市时间、饮料种类、含糖量等多种因素对销量的影响。武玉英等[6]对京东商城的联想笔记本进行新产品分析，引入迁移学习方法建立销量预测模型，以求提高预测精度。何喜军等[7]综合考虑在线搜索、在线评论与页面访问等影响电商销量的多维指标构建基于集成学习Xgboost的新产品销量预测模型。Yong Zhang等[8]运用单变量与多变量的时间序列模型来预测电动汽车销量。J Zhao等[9]通过对Prophet模型和季节差分自回归移动平均模型的深入研究，以及对某电商产品2015年1月至2018年3月日销量的分析，提出了一种用于销量预测的Prophet- sarima组合模型。Zhao K等[10]运用神经网络模型预测小样本电商产品销量。荣飞琼等[11]构建基于卷积神经网络的在线产品销量预测模型，评估了模型对于不同类型产品的适应情况。

以上文献研究方法各有优势，也存在自身弊端，如灰色预测适用于数据量较少的数据的短期预测;神经网络适用于处理大数据问题但在预测精度上有待提高等。基于此，本文将不同的预测方法组合，对新零售目标产品的销量进行更加精准地预测。

2 数据处理

2.1 数据预处理

基于收集到的企业数据，利用Excel筛选历史销售时间处于2019年6月1日至2019年10月1日内的SKC。依据SKC与目标小类的对应关系，求出该段时间内销售额排名前10的小类，得到目标小类每个月的平均价格、库存、价格变化、销售量变化和销售量等维度的数据，排名前10的目标小类见表1。

2.2 累计销售额排名前50的SKC

由于目标小类中的SKC过多，以累计销售额排名前50的SKC来代表目标小类中所有的SKC。分析2019年国庆节、双十一、双十二和元旦这四个节假日内各种相关因素对目标小类中SKC的销售量的影响。

计算出2019年7月1日至2019年10月1日内累计销售额排名前50的SKC，总销售额计算方式如下：

其中， E表示累计销售额， Q表示SKC的销量， a表示单个SKC的实际花费。结合实际情况，把目标小类编码作为产品的销售特征。小类编码一共有8种，没有小类编码的SKC算为一种，共9种。为了表示这9种小类，采用One-Hot编码进行数据的转化，得到转换结果即编码对应关系。One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候只有一位有效。

2.3 统计回归方程模型的建立

由于累计销售额前50的目标SKC中，大部分没有提供标价数据，無法直接通过实际花费比标价来确定商品折扣。基于现有数据，紧密结合现实生活中的销售规律，将节假日平均销售价格与节假日前两周的平均销售价格之比作为商品折扣，即

将销售特征、库存信息、节假日折扣作为回归变量。假设目标SKC的销售量为y;是否是27050401类为x1，是否属于27060804类为x2，以此类推，通过x1～x8来表示其销售特征（注：没有小类编码的0类x1～x8均为0）。库存信息为x9;节假日折扣为x10。

通过散点图分析，建立国庆节、元旦、双十一和双十二的回归模型并利用MATLAB软件对所建回归方程模型进行计算，得到四个节假日的回归结果如下：

（1）国庆节的回归模型：

（2）元旦的回归模型：

（3）双十一的回归模型：

（4）双十二的回归模型：

其中系数小于0.005的可忽略不计，Stats回归效果，即回归模型的检验统计量结果见表2。

3 预测模型的建立

3.1 遗传-神经网络模型构建

为了满足企业更加精准的营销需求，现使用遗传-神经网络算法对10个目标小类在2019年10月1日后12周内每周的周销量进行预测。

遗传算法个体基因的长度基于BP神经网络的结构来确定，种群中的每个个体都包含一个网络内所有的权值和阈值。为求出每周预测值的MAPE（平均误差），在求解过程中将预测值与实际值之差的绝对值作为适应度函数计算个体适应度值。适应度函数的计算公式：

其中，表示预测值，表示实际值。MAPE的计算

公式：

其中，表示真实值，表示预测值，表示指标集个数，表示百分比误差。遗传算法通过选择、交叉和变异操作找到最优适应度值对应的个体，并利用最优个体对BP神经网络初始权值和阈值进行赋值，神经网络经训练后进行预测输出。

基于预处理得到的数据可知，共有103个星期，即103组数据。为预测10个目标小类在2019年10月1日后12周内每周的周销量，从预处理的数据中选择前91组作为训练数据构建遗传-神经网络模型，后12组作为测试数据检验预测效果。

3.2 目标小类预测结果分析

通过调整遗传-神经网络算法中隐含层节点数来找到预测10个小类周销量的最优网络结构，求出10个小类在2019年10月1日后12周内每周的APE及预测值的MAPE，具体结果见表3。

由于预测的周销量较多，即使调整神经网络中隐含层节点数也很难保证每周的预测都比较准确，使目标小类部分周销量的APE较大，但遗传-神经算法的整体预测效果仍比较准确。由表3可知，目标小类在2019年10月1日后12周内每周的MAPE分别为：0.1552、0.1661、0.1722、0.1593、0.1651、0.1673、0.1151、0.1913、0.3023、0.2653、0.3258、0.1608。

3.3 目标小类SKC的预测

在更加精准地预测10个目标小类的MAPE基础上，对目标小类中所有的SKC进行分析预测。首先，考虑到目标小类所包含的SKC数量庞大，按销量变化特征与目标小类的销量变化特征的相似度进行分类。

关于目标小类的销量变化趋势，采取平均的方式，由于部分目标小类内的SKC在相邻两周均无交易，这些目标小类会影响平均值的反应效果。因此，剔除这些零交易的小类，将相邻两周均存在交易的目标小类作为有效SKC。目标小类销量变化趋势计算方法如下：

需要预测12周销售量，可以得到目标小类的11个销量变化趋势。目标小类内的SKC销量变化计算公式如下：

SKC销售量变化=第j周销售量-第 （j-1）周销售量

将得到的所有SKC的销量变化分别与所在目标小类销量变化趋势进行比对。设为SKC和其属于的小类之间的差值，则的计算公式：

=|SKC销售变化-所属小类销量变化|

通过SKC与其所属的小类11个数据差异的平均值，来划分差异大小，作为判断SKC与小类差异的综合标准，得出两类SKC。一类的销量变化与目标小类销量变化趋势基本吻合，另一类销量变化与目标小类销量变化趋势存在较大差异。对于与目标小类销量变化趋势相同的，可以直接以目标小类的变化趋势反映SKC销量变化趋势。对于第二类存在较大差异的情况，我们通过SKC销售曲线与小类销售曲线的差异进行分析。

用MATLAB软件对每个目标小类中与其总销售量趋势差异比较大的SKC进行分析（仅显示前三个），曲线如下：

（1）与第1个目标小类的总销售量趋势差异比较大的SKC编码及分布情况见表4和图1。

（2）与第2个目标小类的总销售量趋势差异比较大的SKC编码及分布情况见表5和图2。

（3）与第3个目标小类的总销售量趋势差异比较大的SKC编码及分布情况见表6和图3。

4 结语

本文依据新零售企业历史销售数据具有层级复杂，品种繁多，体量大的特点，利用销售特征、库存信息、节假日折扣等信息，结合多元回归来预测目标SKC的销售量。对于目标小类的预测，通过遗传算法调节初始神经网络的权值和阈值，建立预测准确度更高的遗传-神经网络模型，该方法可为零售行业销量预测提供方法和可行思路。

此外，原始数据是建立遗传-神经网络模型的基础，为能清晰、全面地构建不同产品的预测模型，企业还需要更加全面和多维的数据。在后续研究中，可以通过网络爬虫、企业数字平台、消费者行为收集等方式获取产品更加全面的销售信息，如产品价格、价格变化、商品库存、市场营销、用户数量、节假日折扣、消费场景、销量变化等。在此基础上，对产品销量进行预测，使企业能够更加准确地把握市场动向，抢占先机，获得更大的利润。

参考文献

杜睿云，蒋侃.新零售：内涵、发展动因与关键问题[J].价格理论与实践，2017（2）：139-141.

但斌，娄云，韩小鹏，等.产品销量影响服务需求的产品服务供应链定价及协调策略[J].系统管理学报，2017，26（2）：381-389.

李晓敏，李妍.我国高涉入度产品销售预测研究综述[J].上海管理科学，2018，040（6）：27-31.

张敏珏，帅小应，江保利.基于改进的灰色模型烟草产品销量的预测分析[J].池州学院学报，2014，28（3）：18-21.

乐洋.网络食品销量的预测研究——以饮料产品为例[J].经贸实践，2016（16）：135-136.

武玉英，孙平，何喜军，等.基于迁移学习的新产品销量预测模型[J].系统工程，2018，36（6）：124-132.

何喜军，马珊，武玉英，等.小样本下多维指标融合的电商產品销量预测[J].计算机工程与应用，2019，55（15）：177-184.

YongZhang， Miner Zhong， Nana Geng， etal. Forecasting electric vehicles sales with univariate and multivariate time series models： The case of China[J]. PLOS ONE，2017，12（5）.

Zhao J ， Zhang C . Research on Sales Forecast Based on Prophet-SARIMA Combination Model[J]. Journal of Physics： Conference Series， 2020， 1616（1）：012069 （6pp）.

Zhao K， Wang C. Sales forecast in e-commerce using convolutional neural network[J].arXiv：1708.07946，2017.

榮飞琼，郭梦飞.基于卷积神经网络的在线产品销量预测分析研究[J].西北民族大学学报（哲学社会科学版），2019（2）：15-26.

Research on Sales Forecast of New Retail Target Products Based on Genetic Neural Network

School of Management Engineering， Zhengzhou University

WEI Fangyi  LI Jinfa  YAN Yintong  ZHANG Jiaxin

Abstract： The short-term products sales demand forecast is of great significance to reduce the inventory management pressure of retail enterprises and save operating costs. Based on the relevant data of N products produced by a retail enterprise in East China， the sales volume of targeted SKC （stock keeping color） in holidays is obtained by using statistical regression equation model. Based on this， this paper uses genetic neural network algorithm to predict the weekly sales of 10 targeted subcategories in 12 weeks， calculates the weekly MAPE of each week， and forecasts the weekly sales of all SKCS in the target subcategories in 12 weeks. For the SKC within the targeted subcategories， according to the changing trend of its sales volume and that of its targeted subcategories， a comparison is made. For the SKC with large difference， a line chart is used to show the differences between the changing trend of its sales volume and that of its targeted subcategories， so as to realize the accurate prediction of the short-term sales volume of the targeted products.

Keywords： new retail targeted product; statistical regression model; genetic-neural network algorithm; sales forecast