基于遺傳神經(jīng)網(wǎng)絡(luò)下新零售目標(biāo)產(chǎn)品的銷量預(yù)測(cè)研究

魏芳怡 李盡法 嚴(yán)尹彤 張嘉欣

摘 要：產(chǎn)品的短期銷售需求預(yù)測(cè)對(duì)減少零售企業(yè)的庫(kù)存管理壓力，節(jié)約運(yùn)營(yíng)成本具有重要意義。利用某零售企業(yè)生產(chǎn)的 N 款產(chǎn)品在華東區(qū)內(nèi)的相關(guān)數(shù)據(jù)，運(yùn)用統(tǒng)計(jì)回歸方程模型得出目標(biāo)SKC（單款單色產(chǎn)品）在節(jié)假日的銷售量?；诖?，使用遺傳-神經(jīng)網(wǎng)絡(luò)算法對(duì)10個(gè)目標(biāo)小類在12周內(nèi)對(duì)每周的周銷量進(jìn)行預(yù)測(cè)，求出各周的MAPE，并預(yù)測(cè)目標(biāo)小類內(nèi)所有SKC在12周內(nèi)每周的銷量。對(duì)于目標(biāo)小類內(nèi)的SKC，根據(jù)銷售量變化趨勢(shì)與所屬目標(biāo)小類變化趨勢(shì)進(jìn)行對(duì)比，對(duì)于差異較大的SKC，用折線圖表現(xiàn)其與所屬目標(biāo)小類變化趨勢(shì)的差異，實(shí)現(xiàn)對(duì)目標(biāo)產(chǎn)品短期銷量的精準(zhǔn)預(yù)測(cè)。

關(guān)鍵詞：新零售目標(biāo)產(chǎn)品;統(tǒng)計(jì)回歸模型;遺傳-神經(jīng)網(wǎng)絡(luò)算法;銷量預(yù)測(cè)

本文索引：魏芳怡，李盡法，嚴(yán)尹彤，張嘉欣.<變量 1>[J].中國(guó)商論，2021（18）：-035.

中圖分類號(hào)：F724.2 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2021）09（b）--04

隨著國(guó)內(nèi)消費(fèi)市場(chǎng)的不斷發(fā)展，顧客對(duì)商品的需求越來(lái)越多樣化，新零售逐漸發(fā)展起來(lái)。新零售模式的主要特點(diǎn)就在于更智能的數(shù)據(jù)使用，如何利用企業(yè)所有數(shù)據(jù)進(jìn)行有效、準(zhǔn)確的市場(chǎng)銷量預(yù)測(cè)是新零售發(fā)展的一個(gè)重要課題。

1 引言

新零售是個(gè)人、企業(yè)以互聯(lián)網(wǎng)為依托，運(yùn)用大數(shù)據(jù)、人工智能等先進(jìn)技術(shù)，對(duì)商品的生產(chǎn)、流通與銷售過(guò)程進(jìn)行升級(jí)改造，重塑業(yè)態(tài)結(jié)構(gòu)與生態(tài)圈，并對(duì)線上服務(wù)、線下體驗(yàn)以及現(xiàn)代物流進(jìn)行深度融合的零售新模式[1]。

新零售目標(biāo)產(chǎn)品銷量預(yù)測(cè)對(duì)降低供應(yīng)鏈運(yùn)營(yíng)成本、加速產(chǎn)品推廣與提高企業(yè)決策合理性[2]具有重要意義。產(chǎn)品銷量預(yù)測(cè)研究成果已經(jīng)比較豐富，多由跨學(xué)科的團(tuán)隊(duì)完成，研究方法迥然有別。李曉敏等[3]對(duì)44篇文獻(xiàn)進(jìn)行研究，發(fā)現(xiàn)在使用傳統(tǒng)定量方法的文獻(xiàn)中，有15.91%采用了回歸分析的方法，31.82%的文獻(xiàn)應(yīng)用時(shí)間序列模型，在現(xiàn)代人工智能方法商務(wù)研究中，11.36%文獻(xiàn)采用神經(jīng)網(wǎng)絡(luò)的方法，15.91%文獻(xiàn)采用灰色系統(tǒng)進(jìn)行研究。張敏玨等[4]基于改進(jìn)的灰色模型煙草產(chǎn)品銷量的預(yù)測(cè)分析。樂洋[5]運(yùn)用多元回歸分析飲料上市時(shí)間、飲料種類、含糖量等多種因素對(duì)銷量的影響。武玉英等[6]對(duì)京東商城的聯(lián)想筆記本進(jìn)行新產(chǎn)品分析，引入遷移學(xué)習(xí)方法建立銷量預(yù)測(cè)模型，以求提高預(yù)測(cè)精度。何喜軍等[7]綜合考慮在線搜索、在線評(píng)論與頁(yè)面訪問等影響電商銷量的多維指標(biāo)構(gòu)建基于集成學(xué)習(xí)Xgboost的新產(chǎn)品銷量預(yù)測(cè)模型。Yong Zhang等[8]運(yùn)用單變量與多變量的時(shí)間序列模型來(lái)預(yù)測(cè)電動(dòng)汽車銷量。J Zhao等[9]通過(guò)對(duì)Prophet模型和季節(jié)差分自回歸移動(dòng)平均模型的深入研究，以及對(duì)某電商產(chǎn)品2015年1月至2018年3月日銷量的分析，提出了一種用于銷量預(yù)測(cè)的Prophet- sarima組合模型。Zhao K等[10]運(yùn)用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)小樣本電商產(chǎn)品銷量。榮飛瓊等[11]構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的在線產(chǎn)品銷量預(yù)測(cè)模型，評(píng)估了模型對(duì)于不同類型產(chǎn)品的適應(yīng)情況。

以上文獻(xiàn)研究方法各有優(yōu)勢(shì)，也存在自身弊端，如灰色預(yù)測(cè)適用于數(shù)據(jù)量較少的數(shù)據(jù)的短期預(yù)測(cè);神經(jīng)網(wǎng)絡(luò)適用于處理大數(shù)據(jù)問題但在預(yù)測(cè)精度上有待提高等。基于此，本文將不同的預(yù)測(cè)方法組合，對(duì)新零售目標(biāo)產(chǎn)品的銷量進(jìn)行更加精準(zhǔn)地預(yù)測(cè)。

2 數(shù)據(jù)處理

2.1 數(shù)據(jù)預(yù)處理

基于收集到的企業(yè)數(shù)據(jù)，利用Excel篩選歷史銷售時(shí)間處于2019年6月1日至2019年10月1日內(nèi)的SKC。依據(jù)SKC與目標(biāo)小類的對(duì)應(yīng)關(guān)系，求出該段時(shí)間內(nèi)銷售額排名前10的小類，得到目標(biāo)小類每個(gè)月的平均價(jià)格、庫(kù)存、價(jià)格變化、銷售量變化和銷售量等維度的數(shù)據(jù)，排名前10的目標(biāo)小類見表1。

2.2 累計(jì)銷售額排名前50的SKC

由于目標(biāo)小類中的SKC過(guò)多，以累計(jì)銷售額排名前50的SKC來(lái)代表目標(biāo)小類中所有的SKC。分析2019年國(guó)慶節(jié)、雙十一、雙十二和元旦這四個(gè)節(jié)假日內(nèi)各種相關(guān)因素對(duì)目標(biāo)小類中SKC的銷售量的影響。

計(jì)算出2019年7月1日至2019年10月1日內(nèi)累計(jì)銷售額排名前50的SKC，總銷售額計(jì)算方式如下：

其中， E表示累計(jì)銷售額， Q表示SKC的銷量， a表示單個(gè)SKC的實(shí)際花費(fèi)。結(jié)合實(shí)際情況，把目標(biāo)小類編碼作為產(chǎn)品的銷售特征。小類編碼一共有8種，沒有小類編碼的SKC算為一種，共9種。為了表示這9種小類，采用One-Hot編碼進(jìn)行數(shù)據(jù)的轉(zhuǎn)化，得到轉(zhuǎn)換結(jié)果即編碼對(duì)應(yīng)關(guān)系。One-Hot編碼，又稱為一位有效編碼，主要是采用N位狀態(tài)寄存器來(lái)對(duì)N個(gè)狀態(tài)進(jìn)行編碼，每個(gè)狀態(tài)都有獨(dú)立的寄存器位，并且在任意時(shí)候只有一位有效。

2.3 統(tǒng)計(jì)回歸方程模型的建立

由于累計(jì)銷售額前50的目標(biāo)SKC中，大部分沒有提供標(biāo)價(jià)數(shù)據(jù)，無(wú)法直接通過(guò)實(shí)際花費(fèi)比標(biāo)價(jià)來(lái)確定商品折扣?；诂F(xiàn)有數(shù)據(jù)，緊密結(jié)合現(xiàn)實(shí)生活中的銷售規(guī)律，將節(jié)假日平均銷售價(jià)格與節(jié)假日前兩周的平均銷售價(jià)格之比作為商品折扣，即

將銷售特征、庫(kù)存信息、節(jié)假日折扣作為回歸變量。假設(shè)目標(biāo)SKC的銷售量為y;是否是27050401類為x1，是否屬于27060804類為x2，以此類推，通過(guò)x1～x8來(lái)表示其銷售特征（注：沒有小類編碼的0類x1～x8均為0）。庫(kù)存信息為x9;節(jié)假日折扣為x10。

通過(guò)散點(diǎn)圖分析，建立國(guó)慶節(jié)、元旦、雙十一和雙十二的回歸模型并利用MATLAB軟件對(duì)所建回歸方程模型進(jìn)行計(jì)算，得到四個(gè)節(jié)假日的回歸結(jié)果如下：

（1）國(guó)慶節(jié)的回歸模型：

（2）元旦的回歸模型：

（3）雙十一的回歸模型：

（4）雙十二的回歸模型：

其中系數(shù)小于0.005的可忽略不計(jì)，Stats回歸效果，即回歸模型的檢驗(yàn)統(tǒng)計(jì)量結(jié)果見表2。

3 預(yù)測(cè)模型的建立

3.1 遺傳-神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

為了滿足企業(yè)更加精準(zhǔn)的營(yíng)銷需求，現(xiàn)使用遺傳-神經(jīng)網(wǎng)絡(luò)算法對(duì)10個(gè)目標(biāo)小類在2019年10月1日后12周內(nèi)每周的周銷量進(jìn)行預(yù)測(cè)。

遺傳算法個(gè)體基因的長(zhǎng)度基于BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)來(lái)確定，種群中的每個(gè)個(gè)體都包含一個(gè)網(wǎng)絡(luò)內(nèi)所有的權(quán)值和閾值。為求出每周預(yù)測(cè)值的MAPE（平均誤差），在求解過(guò)程中將預(yù)測(cè)值與實(shí)際值之差的絕對(duì)值作為適應(yīng)度函數(shù)計(jì)算個(gè)體適應(yīng)度值。適應(yīng)度函數(shù)的計(jì)算公式：

其中，表示預(yù)測(cè)值，表示實(shí)際值。MAPE的計(jì)算

公式：

其中，表示真實(shí)值，表示預(yù)測(cè)值，表示指標(biāo)集個(gè)數(shù)，表示百分比誤差。遺傳算法通過(guò)選擇、交叉和變異操作找到最優(yōu)適應(yīng)度值對(duì)應(yīng)的個(gè)體，并利用最優(yōu)個(gè)體對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值進(jìn)行賦值，神經(jīng)網(wǎng)絡(luò)經(jīng)訓(xùn)練后進(jìn)行預(yù)測(cè)輸出。

基于預(yù)處理得到的數(shù)據(jù)可知，共有103個(gè)星期，即103組數(shù)據(jù)。為預(yù)測(cè)10個(gè)目標(biāo)小類在2019年10月1日后12周內(nèi)每周的周銷量，從預(yù)處理的數(shù)據(jù)中選擇前91組作為訓(xùn)練數(shù)據(jù)構(gòu)建遺傳-神經(jīng)網(wǎng)絡(luò)模型，后12組作為測(cè)試數(shù)據(jù)檢驗(yàn)預(yù)測(cè)效果。

3.2 目標(biāo)小類預(yù)測(cè)結(jié)果分析

通過(guò)調(diào)整遺傳-神經(jīng)網(wǎng)絡(luò)算法中隱含層節(jié)點(diǎn)數(shù)來(lái)找到預(yù)測(cè)10個(gè)小類周銷量的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)，求出10個(gè)小類在2019年10月1日后12周內(nèi)每周的APE及預(yù)測(cè)值的MAPE，具體結(jié)果見表3。

由于預(yù)測(cè)的周銷量較多，即使調(diào)整神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)數(shù)也很難保證每周的預(yù)測(cè)都比較準(zhǔn)確，使目標(biāo)小類部分周銷量的APE較大，但遺傳-神經(jīng)算法的整體預(yù)測(cè)效果仍比較準(zhǔn)確。由表3可知，目標(biāo)小類在2019年10月1日后12周內(nèi)每周的MAPE分別為：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 目標(biāo)小類SKC的預(yù)測(cè)

在更加精準(zhǔn)地預(yù)測(cè)10個(gè)目標(biāo)小類的MAPE基礎(chǔ)上，對(duì)目標(biāo)小類中所有的SKC進(jìn)行分析預(yù)測(cè)。首先，考慮到目標(biāo)小類所包含的SKC數(shù)量龐大，按銷量變化特征與目標(biāo)小類的銷量變化特征的相似度進(jìn)行分類。

關(guān)于目標(biāo)小類的銷量變化趨勢(shì)，采取平均的方式，由于部分目標(biāo)小類內(nèi)的SKC在相鄰兩周均無(wú)交易，這些目標(biāo)小類會(huì)影響平均值的反應(yīng)效果。因此，剔除這些零交易的小類，將相鄰兩周均存在交易的目標(biāo)小類作為有效SKC。目標(biāo)小類銷量變化趨勢(shì)計(jì)算方法如下：

需要預(yù)測(cè)12周銷售量，可以得到目標(biāo)小類的11個(gè)銷量變化趨勢(shì)。目標(biāo)小類內(nèi)的SKC銷量變化計(jì)算公式如下：

SKC銷售量變化=第j周銷售量-第 （j-1）周銷售量

將得到的所有SKC的銷量變化分別與所在目標(biāo)小類銷量變化趨勢(shì)進(jìn)行比對(duì)。設(shè)為SKC和其屬于的小類之間的差值，則的計(jì)算公式：

=|SKC銷售變化-所屬小類銷量變化|

通過(guò)SKC與其所屬的小類11個(gè)數(shù)據(jù)差異的平均值，來(lái)劃分差異大小，作為判斷SKC與小類差異的綜合標(biāo)準(zhǔn)，得出兩類SKC。一類的銷量變化與目標(biāo)小類銷量變化趨勢(shì)基本吻合，另一類銷量變化與目標(biāo)小類銷量變化趨勢(shì)存在較大差異。對(duì)于與目標(biāo)小類銷量變化趨勢(shì)相同的，可以直接以目標(biāo)小類的變化趨勢(shì)反映SKC銷量變化趨勢(shì)。對(duì)于第二類存在較大差異的情況，我們通過(guò)SKC銷售曲線與小類銷售曲線的差異進(jìn)行分析。

用MATLAB軟件對(duì)每個(gè)目標(biāo)小類中與其總銷售量趨勢(shì)差異比較大的SKC進(jìn)行分析（僅顯示前三個(gè)），曲線如下：

（1）與第1個(gè)目標(biāo)小類的總銷售量趨勢(shì)差異比較大的SKC編碼及分布情況見表4和圖1。

（2）與第2個(gè)目標(biāo)小類的總銷售量趨勢(shì)差異比較大的SKC編碼及分布情況見表5和圖2。

（3）與第3個(gè)目標(biāo)小類的總銷售量趨勢(shì)差異比較大的SKC編碼及分布情況見表6和圖3。

4 結(jié)語(yǔ)

本文依據(jù)新零售企業(yè)歷史銷售數(shù)據(jù)具有層級(jí)復(fù)雜，品種繁多，體量大的特點(diǎn)，利用銷售特征、庫(kù)存信息、節(jié)假日折扣等信息，結(jié)合多元回歸來(lái)預(yù)測(cè)目標(biāo)SKC的銷售量。對(duì)于目標(biāo)小類的預(yù)測(cè)，通過(guò)遺傳算法調(diào)節(jié)初始神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，建立預(yù)測(cè)準(zhǔn)確度更高的遺傳-神經(jīng)網(wǎng)絡(luò)模型，該方法可為零售行業(yè)銷量預(yù)測(cè)提供方法和可行思路。

此外，原始數(shù)據(jù)是建立遺傳-神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)，為能清晰、全面地構(gòu)建不同產(chǎn)品的預(yù)測(cè)模型，企業(yè)還需要更加全面和多維的數(shù)據(jù)。在后續(xù)研究中，可以通過(guò)網(wǎng)絡(luò)爬蟲、企業(yè)數(shù)字平臺(tái)、消費(fèi)者行為收集等方式獲取產(chǎn)品更加全面的銷售信息，如產(chǎn)品價(jià)格、價(jià)格變化、商品庫(kù)存、市場(chǎng)營(yíng)銷、用戶數(shù)量、節(jié)假日折扣、消費(fèi)場(chǎng)景、銷量變化等。在此基礎(chǔ)上，對(duì)產(chǎn)品銷量進(jìn)行預(yù)測(cè)，使企業(yè)能夠更加準(zhǔn)確地把握市場(chǎng)動(dòng)向，搶占先機(jī)，獲得更大的利潤(rùn)。

參考文獻(xiàn)

杜睿云，蔣侃.新零售：內(nèi)涵、發(fā)展動(dòng)因與關(guān)鍵問題[J].價(jià)格理論與實(shí)踐，2017（2）：139-141.

但斌，婁云，韓小鵬，等.產(chǎn)品銷量影響服務(wù)需求的產(chǎn)品服務(wù)供應(yīng)鏈定價(jià)及協(xié)調(diào)策略[J].系統(tǒng)管理學(xué)報(bào)，2017，26（2）：381-389.

李曉敏，李妍.我國(guó)高涉入度產(chǎn)品銷售預(yù)測(cè)研究綜述[J].上海管理科學(xué)，2018，040（6）：27-31.

張敏玨，帥小應(yīng)，江保利.基于改進(jìn)的灰色模型煙草產(chǎn)品銷量的預(yù)測(cè)分析[J].池州學(xué)院學(xué)報(bào)，2014，28（3）：18-21.

樂洋.網(wǎng)絡(luò)食品銷量的預(yù)測(cè)研究——以飲料產(chǎn)品為例[J].經(jīng)貿(mào)實(shí)踐，2016（16）：135-136.

武玉英，孫平，何喜軍，等.基于遷移學(xué)習(xí)的新產(chǎn)品銷量預(yù)測(cè)模型[J].系統(tǒng)工程，2018，36（6）：124-132.

何喜軍，馬珊，武玉英，等.小樣本下多維指標(biāo)融合的電商產(chǎn)品銷量預(yù)測(cè)[J].計(jì)算機(jī)工程與應(yīng)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.

榮飛瓊，郭夢(mèng)飛.基于卷積神經(jīng)網(wǎng)絡(luò)的在線產(chǎn)品銷量預(yù)測(cè)分析研究[J].西北民族大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)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