随着技术、数据采集和处理技术的进步,大多数需求预测解决方案涉及的多数技术是现成的,这些解决方案作为一个部分嵌入到核心统计引擎中。然而,了解每个方法的优点和缺点是很重要。
一、各种时间序列的优缺点
移动平均法:
优点:
开发简单、可以有效的预测趋势与周期性,只需要少量数据,存储需求小,易于系统化与自动化。
缺点:
不能很好的处理季节性。只能精确预测下一期需求。,剔除了可能比较重要的需求波动,倾向于平滑化预测结果。无法对合理时间段内的需求突变进行预测。不能利用解释性变量进行需求塑造。
简单指数平滑法:
优点:
开发简单,善于预测趋势与周期性,只需少量的数据,最小的存储需求,对呈指数衰减的最近需求期赋予最大权重,能比移动平均法更好地反映需求波动,易于系统化和自动化。
缺点:
难以找到α的最优值(平滑权重),不能很好地处理季节性,只能精确预测下一期需求
无法对合理时间段内的需求突变进行预测,不能利用解释性变量进行需求塑造。
Holt双参数指数平滑法:
优点:
开发简单,善于预测趋势与周期性,只需少量数据,最小的存储需求,使用双权重方法,
通常优于移动平均法和简单指数平滑法,易于系统化或自动化。
缺点:
难以找到平滑权重的最优值,不能很好地处理季节性,只能精确预测下一期需求,无法对合理时间段内的需求突变进行预测,对应需求变化调整缓慢,不能利用解释性变量进行需求塑造。
Winter三参数指数平滑法:
优点:
善于预测趋势与周期性和季节性,只需少量数据,使用三参数(趋势与周期、季节性和不规则构成),应用最广的数学方法,易于系统化和自动化。
缺点:
难以找到平滑权重的最优值,只能精确预测后面1~3期的需求,无法对合理时间段内的需求突变进行预测,对需求变化调整缓慢,不能利用解释性变量进行需求塑造。
二、多元回归分析的优缺点
优势:
能对趋势与周期、季节性以及其他对需求造成影响的因素(解释变量)建模,能够构建滞后效果,能够涵盖干预变量,能够对需求信号进行感知,能够通过模拟What-if分析塑造未来需求,对于短中长期需求预测总体上更准确。
劣势:
需要更多数据和数据存储能力,建模更复杂,兼需统计和业务知识,较难系统化或自动化。
三、自回归综合移动平均ARIMA(Autoregressiveintegrated moving average)
优势:
能对趋势与周期、季节性以及其他影响需求的因素(解释变量)进行建模,模型倾向于在减少因果性(解释性)变量的情况下还能保持较高的拟合MAPE值(平均绝对误差百分率),能够利用模拟what-if分析进行需求塑造,对长、中、短期需求预测准确度总体上更高。
劣势:
对数据量和存储要求更高,建模更复杂,需要统计和业务知识程度更高,很难系统化或自动化,因为其复杂性,是应用最少的方法。
四、加权综合预测法的分析
当不确定哪种预测方法最准确时,可将不同预测方法进行加权合并,当不确定所预测情景会如何时,可将不同预测方法进行加权合并。
在一般情况下,加权综合预测较构成综合预测中任一种预测的准确性都要高。但是,综合预测只在预测方法不止一种的情况下才可行,当需要借助主观判断且考虑情感因素时,权重设置优先于对预测结果的考察,因为人们更倾向于将所有权重赋予符合他们理念的预测之上。
五、结构判断法(针对新产品预测)分析
新产品分改良型新产品和革命型新产品。企业推出的新产品80%-90%是改良型新产品。对改良型新产品采用结构判断法的优势可以通过历史数据自动化处理并结合统计分析方法,来对人为主观判断法进行进一步的完善。
新产品预测结构判断法,结构化分类模型,对属性特征快速抽取相似的后选产品,从候选产品移除异常产品,形成替代产品组,再从替代产品组抽取统计模型特征预测新产品并补全时间相关问题。并为新产品活动实时提供可视化呈现,这有助于建模分析人员随时掌握新产品行动的风险性、不确定性及可变性,并使得企业能够在新产品推出不确定性基础上做出较合理的决策。
当然,判断总归是新产品预测过程中的重要部分。但是,判断是基于业务知识并有助于整个过程可跟踪并尽可能的高效与客观。
核心关注:拓步ERP系统平台是覆盖了众多的业务领域、行业应用,蕴涵了丰富的ERP管理思想,集成了ERP软件业务管理理念,功能涉及供应链、成本、制造、CRM、HR等众多业务领域的管理,全面涵盖了企业关注ERP管理系统的核心领域,是众多中小企业信息化建设首选的ERP管理软件信赖品牌。
转载请注明出处:拓步ERP资讯网http://www.toberp.com/
本文标题:销售预测各种统计算法优劣分析