把握消费趋势,完善预测体系

自从国家局推行订单供货以来，如何准确有效地把握本地市场的真实需求成了企业研究的重要课题。因此需求预测当前面对的主要任务是：建立有效的市场预测体系和积极的货源组织保障机制。对于如何建立有效的市场预测体系，我们借鉴数据挖掘技术，以及基于这个平台展开数据挖掘的过程，思考出一套针对吴忠市场卷烟需求的预测体系。

　　一、数据挖掘技术运用的原因

　　卷烟需求预测体系建设是“订单供货”得以顺利开展的前提和基础，需求预测的准确程度是有效组织货源、最大限度满足消费者需求的关键环节，因此，随着计算机技术、网络技术、通讯技术的发展以及B6系统的应用，企业内产生了上百GB计的大量业务数据，这些数据和由此产生的信息是企业的财富，它如实地记录着企业运作的本质状况。但是面对如此海量的数据，迫使我们不断寻找新的“工具”，来对企业的运营规律进行探索，为领导决策提供有价值的知识，使企业获得利润。能满足企业这一迫切需求的强有力的工具就是数据挖掘（Data Mining，DM）。

　　二、数据挖掘技术概述

　　数据挖掘是一种知识发现的过程，它主要基于统计学、人工智能、计算机等技术，高度自动化地分析数据，做出归纳性的推理，从中挖掘出潜在的模式，并对未来情况进行预测，以辅助决策者评估风险，做出正确的决策。下面就是数据到知识的演化过程图数据→数据库管理→数据库→数据挖掘→数据分析解决方案

　　对于公司而言，数据挖掘有助于发现卷烟需求预测的趋势，揭示已知的事实，预测未知的结果。从这个意义上讲，知识是力量，数据挖掘是财富。在实际应用中，数据挖掘主要采用以下几种方法进行模式的发现。

　　（1）相关分析和回归分析。相关分析主要分析变量之间联系的密切程度，而回归分析主要基于观测数据建立变量之间适当的依赖关系，相关分析是回归分析的基础。

　　（2）时间序列分析。与相关分析类似，目的也是为了挖掘出数据之间的联系，但时间序列分析更加侧重于数据在时间先后上的因果关系。

　　（3）分类分析。分类分析首先为每一个观测赋予一个标记，然后检查这些被标记的观测，描述出这些观测的特征。这种描述可以是一个数学公式或者模型，利用它可以分类新的观测。常用的几种典型的分类模型有线性回归模型、决策树模型、基于规则模型和神经网络模型等。

　　（4）聚类分析。与分类分析不同，聚类分析的输入是一组未标定的记录，目的是根据一定的规则，合理地划分记录集合。聚类分析和分类分析是一组互逆的过程，因此在很多分类分析中适用的算法也同样适用于聚类分析。

　　三、数据挖掘在需求预测工作中的应用

　　在需求预测工作中，数据挖掘的前提是必须建立各分公司的数据库，能够把各类别、各规格的卷烟销售数据聚集在一起，提供一个正确、完整和单一的数据环境。

　　1.数据库的建立

　　数据库作为数据挖掘的基础，不同于86系统，它具有面向需求预测工作的、集成的、不可更新以及随时间变化的特性，数据库通过ETL过程（抽取、转换和加载）处理这些接四文件，并且按不同的预测模型组织、存储和管理这些历史数据，通过数据库接口，对数据库中的数据进行联机分析和数据挖掘。数据库的体系结构主要由数据库、分公司级数据库和预测模型3个部分组成。

　　2.数据挖掘的运用

　　在建立完成分公司的数据库之后，可以基于这个数据库平台进行数据挖掘工作，应用到以需求预测为中心的预测分析工作中：

　　（1）卷烟分类分析。我们将所有在吴忠市场投放的卷烟，选取占市场份额80%的卷烟晶牌作为我们的研究对象，这些品牌占据了吴忠烟草大部分市场，以08年的市场为例，占市场份额80%的卷烟品牌有15种，我们将其作为重点预测牌号；剩余的43种规格由于销量只占20%左右，因此，按照80、20法则，对于他们的需求预测，我们根据经验和简单的公式得出。通过数据挖掘技术的应用节省预测人员的时间，提升预测效率。

　　（2）卷烟订单满足率分析。我们利用分类分析法和聚类分析法对卷烟订单满足率进行分析，将所有预测卷烟的订单满足率计算出来，并以80%和60%为界限进行归类，订单满足率高于80%的品牌作为“高满足率品牌”，订单满足率介于80%和60%之间的品牌作为“稍紧类品牌”，订单满足率低于60%的作为“偏紧类品牌”。

　　（3）“订单稳定性”分析

　　对于“高满足率品牌”，客户的需求基本上能反映市场需求，可以直接选取客户最近3个月的预测量，充分考虑到客户红、白喜事，节日等的因素，配置相应的权数，得到月度平均订单的需求预测数。

　　通过对订单数据的多维分析、聚类分析和孤立点分析可以建立预测模型。在实际工作中，我们是如何运用的？预测高满足率品牌壹枝笔（华贵）6月份的需求量，我们运用08年三月的销量183.4件，四月销量128.7件，五月销量137.4件，根据客户的习惯，五月初的节日会在四月后期备库存，而三月和五月比较稳定，我们设置四月的权数为0.2，三月和五月的权数各为0.4，则根据三四五连续三个月的销量，可以预测六月份壹枝笔（华贵）的销量为183.4*0.4+128.7*0.2+137.4*0.4=154.1件，这与六月的实际销量135.6件相近。

　　对于“稍紧类品牌”，客户的需求可能有些放大的成分，对于规范经营的客户，其预测量等于市场真实需求量加上库存量，即客户预测量=市场真实需求量+客户库存量，在一段时期内，客户对某种烟的库存量相对来说是稳定的，基_于回归分析理论，我们可以通过市场调查计算出客户的平均库存倍数，还原出市场真实需求量。下面我通过一个客户经理预测10户客户红塔山（硬经典）1周的销量过程给大家介绍：零售客户红塔山（硬经典）的真实需求量分别为：10，5，8，20，30，2，15，25，40，10；而按客户的习惯，会给自己备有库存，他们提报的需求量分别为：14，8，12，30，60，5，25，40，50，15，则此客户经理的客户平均库存倍数为：（14/10+8/5+12/8+30/20+60/30+5/2+25/15+40/25+50/40+15/10）/10=1.65，一旦了解客户的平均库存倍数，我们通过客户的预测量可以算出市场真实需求量（其实际的算法就是14，8，12，30，60，5，25，40，50，15等零售客户提报量累计相加然后除以1.65得出片区实际需求。

　　对于“偏紧类品牌”，我们参照客户的需求、级别、贡献度、忠诚度等因素，对于规范经营的客户，我们可以参照“稍紧类品牌”的算法，所不同的只是客户的平均库存倍数，同样可以通过市场调查计算出，从而还原出“偏紧类品牌”的市场真实需求量。

　　（4）订单关联分析

　　卷烟需求的预测是以订单为基础，通过一套模式得出的，因此订单的有效性十分重要，订单的有效来自客户的规范经营，因此对于“订单稳定性”低的前20%的客户名单，主要分析变量之间联系的密切程度，我们的客户经理运用相关分析法，在综合考虑客户的周边环境、消费群体等客观变化因素后并排除客观变化因素的客户名单移交给专卖，建议专卖集中80%的专卖执法力量监管扰乱烟草市场20%的违法经营户和不稳定因素经营户，利用20%的专卖执法力量监管80%的合法经营户，对守法户采取减少走访检查，对另外重点的20%经营户则实行动态管理。此举对维护烟草市场必有针对和指导作用。

　　（5）滚动预测。预测值是一个相对准确值，我们目前能做的就要尽力使预测值相对准确，预测体系趋于完善。一般来说可以通过年度、半年度预测值将月度预测值作为数据库，建立模型实施滚动预测；滚动预测的好处在于，对于原有月度预测值，我们可以比较容易地得到关于零售客户、市场卷烟需求等比较丰富的信息，大量的数据对于数据挖掘的准确性来说是有很大帮助的，在大多数情况下月度预测中，包含着市场需求、消费者购买行为等关键因素甚至决定因素，这个时候数据挖掘的作用就会体现出来，它可以帮助企业寻找到这些影响因素。

　　3.数据挖掘的过程

　　在数据挖掘目标明确的前提下，可以基于已经建成的企业级客户信息数据库进行数据挖掘工作。数据挖掘遵循以下步骤：问题定义、数据准备、数据探索、建立模型、模型检验、模型应用以及回报分析。

　　在问题定义之后，需要创建一个数据集市作为数据挖掘和分析的对象，一般抽取数据库中与问题相关的数据子集作为数据集市，在创建集市过程中可以使用随机抽样、等距抽样、分层抽样和分类抽样等抽样技术来减少数据集市的数据量，通过对数据的删选和对小概率事件的放大，使得数据集市中数据的特征和规律性更加显著。

　　在数据探索过程中，通过多维分析和可视化展现探索数据的特征，对数据进行增删操作或者根据现有变量重新组合生成一些新的变量来更加有效地描述数据特征，其中，对数据统计特性的分析在数据探索过程中起着十分重要的作用。建立数学模型是数据挖掘工作的核心环节，目前比较常用的建模方法有季节指数模型和回归模型。数据挖掘中具体使用哪一种方法，取决于数据集合的特征和需要实现的目标，在实际应用中，往往是对多种建模方法的比较和综合。在建模过程中，把数据分层为训练数据和校验数据，训练数据主要使用于建模过程中求解模型参数，而校验数据主要用于模型检验。因此模型检验阶段的主要工作是把检验数据代入已经建立的模型中，观察模型的响应，通过比较模型的响应和真实的数据，从而评估模型的准确程度，如果模型的准确性比较差，就需要重新进行数据探索、建立新的模型，直至新模型检验。因此，在实际应用中，数据探索、建立模型、模型检验是反复迭代的过程，如图2。

　　数据挖掘的过程就是一个不断探索数据特征、建立和检验模型、发现客户消费行为特征的过程，企业只有把模型的结果应用到市场营销和客户服务过程中，才能真正发挥数据挖掘的作用。

　　四、运用数据挖掘过程中的难点：

　　1.如何得到客户的平均库存倍数

　　现在普通存在一种现象，对于紧俏品牌，商业企业的货源不能完全满足客户需求，于是客户经理在与客户做计划时，往往会忽略客户对紧俏品牌的预测量，给客户造成“紧俏烟的预测量自己写的不算，准不准确无所谓”的误解，这对我们采集真实的客户平均库存倍数带来很大的困难

　　思考解决方法：使客户经理重视客户对卷烟的预测量，尤其是紧俏品牌，在与客户做计划的时候可以告知客户，预测只是客户自己对市场销量的一种估计，与货源无关，让客户了解紧俏品牌预测量的重要性，其次，通过问卷或询问的方式统计出各个客户的库存倍数，为计算客户的平均库存倍数做好数据准备。

　　2.客户对“偏紧类品牌”的市场销量预测可能会失真

　　对于“偏紧类品牌”，比如中华系列，由予长期处于紧俏状态，使得客户对其在市场的销量预测可靠性降低，导致计算出的预测量与市场真实需求有较大出入。

　　思考解决方法：根据我们对市场的经验、历史销量以及算出的客户对“稍紧类品牌”客户平均库存倍数推算出“偏紧类品牌”客户平均库存倍数。

　　为了使预测量更加准确，我们可以站在不同的角度预测，不同层次的不同角度预测，用数据验证数据，使预测量尽可能接近市场真实需求量。
从微观到宏观，从县级分公司到整个市区，共设置三个预测层：客户经理层，市场经理层，整体层。

　　客户经理层：从微观层面人手，重点把握每个客户的需求。

　　市场经理层：结合当地的消费结构特征、发展趋势等因素，重点研究货源供应与当地消费需求之问匹配程度的问题，计算出对客户经理预测数修正调整后的辖区预测数。

　　整体层：站在宏观角度，立足整个吴忠市场，重点把握市场需求总量和消费引导方向，综合考虑需求影响因素的变化、品牌培育的方向，并结合历史销量、区域间的供求矛盾等，综合平衡和修正县公司提出的需求预测数，提出全市总量以及各品牌的需求量。

　　在年度和月度需求量的预测上，我们可以运用历史销售数据，分析“每年同月”和“同年各月”的销售相关性，了解销售变化趋势，预测出未来的年度需求和月度需求。

　　这套模式是在没有实践支持的情况下，根据客户的习惯、订单数据、数学模型以及站在三员协同的角度上思考的，由于没有实践的支持，加上许多细节没有考虑周全，根据此套模式预测出的结果可能与市场真实需求存在一定差异，模式正在进一步的优化和改进。

　　五、结语

　　运用了数据挖掘技术后，我们充分利用企业的信息资源，分析公司卷烟销售的特征，探索了企业和所对应市场的运营规律，预测吻合度始终保持在90%以上，超过了国家局要求80%的吻合度指标。

　　当然，数据挖掘技术应用非常广泛，不仅可以运用在卷烟品牌管理工作上，还可以应用到以客户为中心的客户关系管理（CRM）中。

推荐访问:把握 完善 趋势 体系 预测