使用时间序列分解模型预测商品销量——个人笔记

使用时间序列分解模型预测商品销量

1.商品销量预测：
    连贯性：把过去，现在，未来的发展联系起来，通过过去和现在的数据推导出将来的变化
    相关性：从宏观上讲，市场需求和国家经济状况，家庭收入水平，消费需求结构密切相关
            从微观上讲，市场需求和商品价格渠道，备货量，广告因素相关，相互制约相互依存
            
    混沌性：企业处于社会中，社会瞬息万变，机会和威胁（1-5年预测不太靠谱）

2.销量预测是企业战略决定，企业进入或者退出某一个细分市场区域市场的重要依据

3.企业除了应该预测自己产品的市场份额，还应该预测市场同类产品，替代产品的发展趋势，采取相应的竞争策略

4.预测不准确：
    畅销品断货&滞销品积压

5.需求价格弹性：

        需求量对价格变动的反应程度
        在一定时间内，一种商品价格发生变化时，销量或需求量变化的多少
    当价格发生变化是一定的时候：
        高弹性商品有比较大的销量变化
        低弹性商品销量变化小
    影响需求弹性因素：
        替代品数量和相近程度：矿泉水（需求价格弹性很大）
        商品的重要性：生活必需品（小量价格变动不会引起需求剧烈变动）

                                 汽油（需求价格弹性比较小）
                                 奢侈品（需求价格弹性比较大）
        时间：时间越短，商品需求价格弹性越小
              时间越长，商品需求价格弹性越大
        物品所占消费支出比例：杂志（需求价格弹性比较小）

    价格变动会引起销量变化（定价，促销手段）
6.一元线性回归：根据居民收入变化预测某种日常消耗品的需求变化
   多元线性回归：根据商品促销手段促销幅度及其他因素预测商品销量
   自回归：根据消费者目前的食品消费水平预测下一次食品消费水平
    历史数据在不同时期的取值之间的依存关系建立回归方程
7.从回归分析的角度讲，时间序列分析法是一种特殊的回归分析法，时间序列不考虑事物之间的因果关系或其他相关关系，之研究对象与时间之间的相关关系。
简单平均法：把n个历史数据作为观察值，求出算数平均数作为下一期预测值（适应于事物变化不大的趋势）
移动平均法：相继移动计算若干时期的算数平均数作为下期的预测值
指数平滑法：根据历史数据的上期实际值和预测值进行预测（优点是只需要有上期的实际值和预测值，用指数加权的办法就可以预测下期预测值，节省数据处理时间和储存量，缺点是没有包含远期数据，可能忽略信息造成预测不准确）
季节趋势法：根据每年重复出现的周期性季节变动预测未来的季节性变动趋势。（季度，月度：3年的1月份数值相加除以三）
8.时间序列受到影响：
    长期趋势T：数据在较长时间内的发展方向，表现为近似直线的向上或向下（产品生命周期，社会总体经济形势）
    季节变动S：在一年内随着季节变化而发生的有规律的周期性变动（毛衣在秋冬卖的多）
    循环变动C：受各种因素影响而形成的上下起伏不定的波动（季节变动和循环变动差异：循环变动没有固定周期）
    不规则变动R：各种偶然因素形成的
9.ARIMA（p,d,q）：稳定
  p:采用的时间序列数据滞后值
  d:时间序列变成平稳时所作的差分次数
  q:移动平均项数
  无法预测股票（常受政策影响等，不稳定）
价格弹性时间序列分解模型成立的假设是：
    需求价格弹性不因时间而波动，时间不影响需求价格弹性
10.MaxCompute适用于离线
11.跨周期调度：在DataIDE中将调度模型选择为周期性调度