卷烟销售量预测暨目标任务分解方案

卷烟销售量预测暨目标任务分解方案1卷烟销售量预测暨目标任务分解方案一、实施本项目的背景及目的中国的烟草行业具有行政上的专卖性和生产上的计划性，是我国有别于其他行业的一类特殊行业。随着我国加入WTO后，由于外烟关税的降低和其他有关开放烟草行业条款的逐步兑现，我国烟草行业面对的竞争日益激烈。自2006年以来，我国烟草行业实行“按订单组织货源”的工作，虽取得了成效，但仍存在市场需求信息预测的不准确、考虑需求变动情况相对滞后等问题，出现所辖机构面对目标任务及分解暗自叫苦的现象。如何根据市场需求安排生产、仓储、销售等营销活动需了解卷烟市场未来的销售量，通过对卷烟销量预测模型研究有助于主管部门制定政策、合理安排生产、仓储、销售等经营活动具有指导意义和应用价值，有利于公司据此合理安排生产销售计划，提高经营效率，节约各类经济成本。在对XXX烟草公司ＸＸ年销量预测的基础上，提出科学合理的卷烟销售目标任务分解方案，供市公司将销售任务科学合理地分解到所辖分公司。二、文献综述在国内，有关卷烟销量预测模型的研究有很多，不同的研究人员提出了不同的预测模型。大量文献研究表明，卷烟销售的时间序2列具有整体趋势变动性和季节波动性的二重趋势变化特点。向美英、何利力（2010）的趋势比率模型：在基于卷烟销售时间序列特点的基础上，以湖南烟草营销系统中的2004-2009年芙蓉王（蓝）品牌销售季度数据为例，采用趋势比率模型对卷烟销售量进行预测，结果表明对既有趋势，又有季节因素及随机因素的卷烟销售时间序列，趋势比率模型能很好的对企业卷烟销量进行科学的预测，而且对于波动不大，趋势线近似直线的时间序列，预测精度比较高。但此模型是有缺点的，其一般适用于时间序列波动不大、趋势线近似直线的数据序列。罗彪、闫维维、万亮(2012)的乘法模型：以某省2004-2010年卷烟销量月度数据为例，引入虚拟变量，把对卷烟销售量有着重要影响的农历传统节日进行虚拟化，采用时间序列分解法中的乘法模型进行预测，结果表明引入虚拟变量的时间序列分解模型更能贴切地拟合卷烟月销量变化的规律和趋势,并能具体测量出传统节日对卷烟销量的影响程度，而且能够显著地提高预测的准确性。同时，在进行实际的预测时，可根据需要对虚拟变量进行设定，以对与卷烟销量有关的其他方面的预测工作起到较好的借鉴作用。蔡萍萍、吴铮、王光武、何利力（2012）的中国传统节日影响卷烟销量的预测模型：利用杭州市所有零售公司2007-2011年春节和中秋节利群（阳光）的实际销量数据（由浙江省烟草公司提供），采用灰色理论模型GM（1,1）对受传统节日影响的卷烟销量进行预测。该模型的预测精度很高，能较好地拟合时间序列的趋势性部分，但3对于周期波动性，其预测精度明显降低。席玮（2009）的灰色模型：利用安徽省2002-2008年春节卷烟销量数据，采用“求差”的思想建立灰色模型来对卷烟销量进行预测，间接预测无波动规律的销量数据的策略是可行的。得出除了卷烟销售量数据的周期性和季节性特点外，其时间序列一般是非线性的结论。席玮（2009）再使用人工神经网络模型：利用2004-2008年月销量（单位：箱）数据（由安徽省烟草公司和安徽省某地区烟草公司提供），采用聚类分析（主要是降维）、灰色关联度（主要是在上述划分的每一类中筛选出关联度最大的指标）和人工神经网络模型来对卷烟销量进行预测，结果表明基于人工神经网络的卷烟销量预测模型对非新年期间月份销量预测的效果较好。关雷（2012）的神经网络模型：以内蒙古鄂尔多斯烟草公司2008-2010年上半年的季度销售量数据为依据，先利用聚类分析对该公司的客户在经营额度和营销量上进行类别划分，针对不同类别客户分别建立不同类型的神经网络模型进行预测，结果表明预测效果比较符合客观实际。但是，聚类分析、灰色关联分析和人工神经网络模型一般适用于数据量较大的情形，而且神经网络模型常常会忽略非平稳数据并会忽视序列的整体增长趋势，使其预测结果普遍低于实际观测值。罗艳辉、吕永贵、李斌（2009）的ARMA模型：利用云南省某烟草公司某地区2004-2007年的月度卷烟销量数据，采用ARMA（自回归移动平均模型）的混合卷烟销售预测模型，该模型首先基于ARMA4建立月预测模型，再用计划评审技术PERT得到月预测经验期望值，最后在设定加权系数，综合两个预测值得到月预测销售总量，结果表明此模型能够很好的预测出规格卷烟月销售总量值变化趋势，能够实现对卷烟销售季节性、周期性和随机性特点的有效模拟。但ARMA（自回归移动平均模型）模型要求时间序列数据经过差分后具有平稳性，在做多步预测时容易偏向平均值，造成的误差一般较大。三、研究思路1、采用电话调查或电子邮件调查等方法，对XXX烟草公司下属的16个分公司的业务经理进行问卷调查，了解他们对分公司卷烟销售、库存及对市场的分析判断等情况。2、采用文案调查法收集建模指标及辅助资料。如收集各区（市）县18岁以上成年人口数，掌握销售片区常住人口，估算流动人口数量及其对卷烟需求量的影响；收集国家对卷烟销售的相关政策，分析其变化及对市场产生的影响。3、采用电话调查法对各区（市）县居民家庭户的消费者进行抽样调查（为节约费用和调研时间，建议基于2011年市民吸烟率数据做小规模的修正调查，初拟样本量600个），了解当地居民对卷烟的需求、消费习惯、消费需求变动的趋势以及对主要卷烟经营品牌的认知度等，将调查数据应用于预测模型。如有需要此项调查可定期开展，以便及时调整市场策略。采用电话调查法对零售客户的某类卷烟品牌的市场饱和度进行调查（为减少卷烟经营户的负担，建议5样本200-400个），对其市场饱和度进行测度。4、选取相应的指标体系，建立预测模型。根据预测模型所得的2014年需求量预测结果，将2014年省烟草公司下达的计划销售任务科学合理地分配到各区（市）县分公司，为XXX烟草公司在年底之前下达计划任务提供依据。四、对卷烟销量预测及分析的主要内容1、历年卷烟销量特征分析在XXX烟草公司提供最近三年的月度销量数据基础上，对数据进行趋势性、季节性等特征分析、结构分析及经营户数量、类别及其变化情况，基于现有分公司的存销比数据推算年度卷烟进货量。由以上历史数据掌握分析本公司卷烟销售现状，分析销售规律，发现营销问题，并依据数据特征选取合适的预测模型。2、市场饱和度分析运用龚伯兹曲线模型绩效市场饱和度分析，对目前XXX卷烟市场所处的发展时期进行判断，分析市场饱和度，为准确预测卷烟销售量及科学分配销售任务提供参考。某卷烟市场饱和度是指某产品目前销量与应有潜在销量之比。通过对零售客户对某品牌卷烟的市场饱和度分析，可通过对零售客户的抽样调查所得到的当前实际销售量与供货充足情况下的可能销售量的对比来进行判断。11参考探索现代卷烟零售终端在品牌培育功能发挥上的一些具体做法，2013-10-12，来源:中国经济网。6通过对饱和度的测度，可分析某品牌卷烟产品在当地市场满足需求的情况，以寻找适当的营销对策。如果饱和度过低，则表示市场需求未得到有效满足，既影响厂商利润，又会引起消费者抱怨；饱和度过高，则表示可能会引起卷烟价格下跌，影响卷烟品牌竞争力和厂商利润。通过对娇子等主要卷烟经营品牌的销售趋势判断，分析XXX烟草公司的卷烟市场销售特征及规律、分析主要经营单品的市场饱和度，为其销量的变化趋势判断提供分析参考。3、销量预测的具体内容对卷烟销量主要进行以下三个方面的预测：（1）预测所有卷烟销售量，对其进行年度、季度和月度预测；（2）重点关注娇子品牌（如数据具备，可具体到一类娇子卷烟）销量的卷烟销量，进行年度、季度和月度预测；（3）如数据具备，可对娇子卷烟的替代品牌（即XXX烟草公司主要卷烟品种）进行年度、季度和月度预测。4、16个分公司经营情况综合分析结合历史销量数据及调查问卷，对16个分公司经营情况进行分类和综合分析，了解各分公司经营状况排名及目前营销上反映相对比较集中的问题。5、根据销量预测结果，分解下达2014年市烟草公司卷烟目标任务。7五、预测方法1、季节指数预测模型季节指数预测模型又称为趋势比率预测模型,是一种利用时间序列的实际值与趋势比率来进行预测的方法,是以时间序列含有季节性周期变动的特征,计算描述该变动的季节变动指数的方法。这种方法能够体现时间序列的季节性,但要求这种季节性是比较稳定的，采用该方法进行预测的关键是计算出季节(可以是月份,也可以是季度)指数。以月份指数为例,其一般步骤是:(l)计算N年间(N为过去年度)各季度的合计值;(2)计算N年间对应各季度平均销量A;(3)计算N年间所有季度的总平均销量B;(4)计算季节指数A/B*100%;(5)利用季节指数,预测未来某个季度(或月份)的销量。2、ARMA预测模型时间序列分析就是根据已有的动态数据来揭示系统动态结构和规律。寻找系统的当前值与其过去的运行记录(观察数据)的关系，建立能够比较精确地反映时间序列中动态依存关系的数学模型，并借此对系统的未来行为进行预报。回归移动平均模型(AutoRegressiveMovingAveragemodel,ARMA）8qjjtjtpjjtjtxx11一般自回归移动平均模型ARMA（p,q）的过程的表达式为：qtqtttptptttyyyy221122110如果模型AR部分和MA部分是平稳的，则该过程就是平稳的。由此可得结论为:由于初值部分是有限阶,其本身是稳的，所以ARMA（p,q）过程的平稳性完全取决于AR部分的平稳性。只要AR部分的特根都在单位圆内,或者逆特征方程01p33221p的根都在单位圆外,ARMA（p,q）过程就是平稳的。建模的基本步骤如下：○1时间序列平稳性检验及平稳化。实际问题中,我们经常遇到的时间序列,特别是反映自然、社会、经济现象的序列,大多数并不平稳,而是具有明显的增长或减少趋势,或者含有依时间周期变化的趋势，此时如果用非平稳经济时间序列建立经济模型，就会出现虚假回归问题，转化的办法可以是将它与一个普通函数相减(时序分解)、自己与自己前后项相减(滤波或单位根过程)、自己与另外一些时序相减（协整），使其转变为平稳序列。通常用单位根法对时间序列平稳性进行检验。○2时间序列模型的识别及参数估计。根据平稳化后时序的自相关函数图与偏自相关函数图的形状，来对时序模型作最初的判断。○3时间序列模型的检验。利用残差相关性Q检验以及观察残差的自相关系数和偏自相关系数，可判断被估模型的残差序列乓是否为白噪声序列。若是白噪声，则接受选择的模型，否则，要重新进9行模型识别、定阶、估计、检验。3、引入虚拟变量的时间序列分解法预测模型在回归模型中，用人工变量将定性因素定量化，赋值0和1。0代表变量不具备某种属性，1代表变量具备某种属性，这种人工变量称为虚拟变量(dummyvariable)。将虚拟变量用来对季节调整后的序列进行回归，能反映传统的农历节日对卷烟销量的影响。时间序列分解法将时间序列的各波动因素分解开，分别分析趋势变动T、季节变动S、周期变动C和不规则变动I，以揭示时间序列的变化规律。四种变动因素与原序列的关系被概括为两种模型：加法模型(additivemodel)：tttttICSTy乘法模型(multiplicativemodel)：tttttICSTy卷烟销量受以上四种因素的交互影响,因此使用时间序列分解法中的乘法模型，具体预测过程如下：Step1：计算长期趋势T。对原数据进行步长为12个月的移动平均，再进行二次移动平均(即中心化过程)，将季节变动S和不规则变动I消除，则所得移动平均的结果只包含长期趋势T和周期变动C。按时间序列对TC进行拟合，得到卷烟销量的长期变化趋势T。Step2：剔除原始数据的长期趋势，计算季节指数。采用趋势剔除法分析，Y/TC=SI，剔除了趋势变动T和周期变动C，新的数列只包括了SI。Step3：标准化季节指数。为消除不规则变动I，对将同月SI数据平均得到iS(i=1，2