CN102214338A - 销售预测系统及方法 - Google Patents
销售预测系统及方法 Download PDFInfo
- Publication number
- CN102214338A CN102214338A CN201010140696XA CN201010140696A CN102214338A CN 102214338 A CN102214338 A CN 102214338A CN 201010140696X A CN201010140696X A CN 201010140696XA CN 201010140696 A CN201010140696 A CN 201010140696A CN 102214338 A CN102214338 A CN 102214338A
- Authority
- CN
- China
- Prior art keywords
- forecast
- prediction
- unit
- setting
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明揭示了一种销售预测系统及方法,所述系统包括分类模块、历史修正模块、统计预测模块、分解模块、期间滚动模块。本发明销售预测系统通过建立基于历史数据,数据仓库技术,统计技术,分类预测技术,分解技术和期间滚动技术的滚动基准预测体系,帮助企业提升科学化预测和精细化预测的能力。
Description
技术领域
本发明属于数据处理技术领域,涉及一种数据分析系统,尤其涉及一种销售预测系统;同时,本发明还涉及一种销售预测方法。
背景技术
销售预测是企业管理决策的重要基础,是企业供应链运作和优化的起点,也是企业提升销售收入并能同时降低成本的唯一有效途径,在企业的整个管理中起到了二两拨千斤的作用。目前在国内,无论消费品生产企业,工业品生产企业或者从事零售和分销的企业,在销售预测方面的痛点和需求均非常迫切,但目前大多数企业在销售预测管理方面缺少有效的手段和平台,基本依靠EXCEL加手工的方式在维持,尽管在企业其他业务领域已经使用了先进的ERP系统。从而可见,销售预测管理的滞后性已经严重阻碍了企业管理水平和利润空间的提升;
近十年来,随着计算机和存储技术的发展以及数据可用性和质量的显著提高,基于事实和数据驱动的预测管理模式得到了广泛的应用,企业希望更快速、更紧密地结合客户信息,市场信息,历史数据和内部运作能力而制定决策的需求不断增长。在预测技术和计算机技术的支撑下,通过改善营销智能,帮助企业揭示消费者行为模式、测量营销投资策略的效果、优化财务绩效水平已经成为可能。尽管企业不断利用丰富的信息和手段提高客户服务水平和降低供应成本,但提升预测准确性仍将是从源头上平衡需求与供应,改善企业经营状况的唯一途径;
销售预测系统是近十年随着数据库和存储技术,软件开发技术以及企业管理信息化的逐渐普及而应运而生的。这是因为销售预测系统需要来自两方面的良好支撑,一个是海量数据的快速处理技术,一个是需要具有一定品质的历史数据的积累。而近几年数据库技术和软件技术的迅猛发展不仅带动了商业智能软件的发展也给预测技术的发展提供了技术支撑,而管理信息系统的普及使得很多企业得以积累了多年的高品质的历史数据。这些数据如果弃之不管,就是一堆数据垃圾,而如果能通过系统进行有效分析,则是企业最宝贵的资源之一。销售预测系统的最终目的就是通过对这些历史数据进行全面分析以及一个协同互动的应用流程,来帮助企业对未来市场需求做出科学和精确的预测。IT技术的创新发展已经将企业预测管理带入了一个新的境界;
【国外销售预测软件发展现状】
整个管理软件市场无论在软件设计和应用层面,都存在一个梯次发展的过程。基本都是先在西方工业化发达国家率先实行,然后逐步推进到中国市场。预测管理软件的研发和应用也是如此。目前销售预测系统在国外以两种方式存在着:
1、作为一个子模块集成于大型ERP系统
在此类软件中,预测功能仅仅是其模块之一,该类软件供应商是企业核心业务的集成解决方案提供者。如SAP(APO),ORCALE(Demantra),JDE,I2,IFS,Manugistics等等。该类软件大部分在国内已有十多年的应用历史和广泛的客户基础。但在国内的客户应用中,预测模块几乎少有问津,成功地应用案例更少之又少。原因主要在以下几个方面:
(1)预测模块设计过于技术导向,对用户的统计技术要求高而难以推广;
(2)用户操作界面复杂,缺乏应用流程的支持,难以适应实际应用
(3)缺乏分类预测技术和期间滚动技术,难以支持精细化,多样化的实际预测需求
(4)预测处于供应链起点,与其他模块集成要求不高,易于被放弃
(5)系统配置复杂,实施成本高,也提供了系统应用门槛
(6)从大背景而言,预测信息化是信息化管理中的高层次应用,必须基于一个成熟完善的基础管理平台之上
2、专业预测软件(驭策企业需求管理软件同属于该类)
此类软件为纯粹的销售预测软件,该类软件仅仅为企业提供销售预测编制的工具和平台。作为专业的预测软件,其技术和功能是上述两类软件所不能比拟的,但该类软件也可根据其功能深度细分为两类:一类是预测引擎,该类软件只是以提供算法为主,单机版,无数据库支持,无协同和流程导向应用模式,如ForecastPro,Vanguard,Phophecy等,该类软件未来应用前景暗淡,将逐步被替代。另一类预测软件则也是近几年发展起来的,基于数据仓库和B/S架构,提供基于应用流程支持的协同预测模式,如Smart forecast,Demand Foresight,JDA等等。也许由于东西方文化差异,即使该类预测软件有个很大改善,但大部分仍以统计技术应用为导向,比较技术化,而工作流,互动性和界面友好性均较弱。
同时我们也可以看到,在未来的应用中,基于完整应用流程,基于强大数据库支持,基于网络版的协同模式,基于成熟的统计应用技术的需求管理软件将会主导这一领域的发展方向。
【国内研究开发现状】
专业销售预测类管理软件在国内的研发仍处于空白阶段,目前在市场上还没有一个国内自主研发的商业化专业预测软件,国内两大ERP供应厂商,金蝶和用友也尚未涉足该领域。目前仅有一些国外ERP系统提供此类功能,但应用面仅限于一些跨国公司在华子公司。国内有部分软件服务供应商应用户要求提供该类功能的定制开发,但此类开发以客户为主导,难以形成一个产品化的专业软件,无法进行市场化推广。
在国内,不仅软件研发处于空白,理论研究也相当落后。由于国情所限,国人普遍缺乏质量意识和理性的决策模式,统计技术或者预测理论仅仅限于教科书或学院课堂,殊不知,统计技术在现实中有着极大的应用价值,特别是在质量管理和决策管理领域。国内不仅没有专业预测软件,甚至没有一个专业的预测研究协会,预测无论在理论还是实践均处于萌芽阶段。
但同时,企业信息化建设在国内已经从启蒙进入了高速发展,无数多的企业借助ERP系统形成了一套以供应链计划为核心的集成,高效,透明的运作体系。但目前整个信息化视角还仅仅关注于企业内部供应链的优化,而将驱动供应链的源头,销售预测仍交给手工处理或EXCEL表格,但我们完全可以相信在不久的将来,这个左右着企业整个供应链效率的业务将得到越来越多的管理者的关注,也得到越来越多的管理信息化专业人士的关注。
销售预测管理水平的提升将从源头上帮助企业真正实现从生产导向向市场导向的转变,帮助企业建立市场预警机制,降低经营风险。
发明内容
本发明所要解决的技术问题是:提供一种销售预测系统,可帮助企业提升科学化预测和精细化预测的能力。
此外,本发明还提供一种销售预测方法,可帮助企业提升科学化预测和精细化预测的能力。
为解决上述技术问题,本发明采用如下技术方案:
一种销售预测系统,所述系统包括:
分类模块,用以通过关键预测指标的设定对所需要预测的产品进行分类,以便根据其特有的属性和需求进行个性化和精细化的预测策略配置;所述分类模块包括基本参数设置单元、预测范围设置单元、预测模型设置单元;基本参数设置单元用于设置分类模块所涉及的期间类参数、模型运行层次类参数和统计误差判断标准,具体包括预测期间设置、屏蔽期间设置、最终预测设置、预测运行层次-产品层次设置、预测运行层次-组织层次设置、预警容差阈值设置以及类别是否有效设置;预测范围设置单元用于定义分类模块所覆盖产品范围和销售组织范围,参数设置包括产品范围设置以及销售组织范围设置;预测模型设置单元用于定义分类模块所选择的预测模型以及相关的参数配置,该部分参数设置包括公共参数类设置和模型参数类设置,其中公共参数类设置包括模型选择设置、历史数据类别设置、历史数据是否自动调整设置、容差因子设置、容差分析期间设置、历史数据权重设置、预测权重设置;模型参数类设置则依据所选择的模型设置;
历史修正模块,用以调整受异常因素影响的销售数据;所述历史修正模块包括人工修正单元和自动修正单元;人工修正单元为用户提供一个基于经验判断而进行手工修正的平台,用户基于不同层次进行修正并可记录修正说明;如果数据修正在非明细层次,系统将根据同期历史数据比例和产品组织架构自动进行分解;原始历史数据和人工修正后的历史数据将被独立保存;自动修正单元内嵌在统计模型中,当统计模型运行时同时进行历史数据修正;修正步骤如下:(1)计算容差期间预测值post forecast,在预设容差期间,根据前期历史值和所选择的统计模型计算出容差期间的预测值;(2)容差允许范围计算,预设容差修正因子σ,σ小于等于2,标准差异=1.25*MAD,容差允许范围ep=σ*1.25*MAD;(3)修正非正常历史值,如果‖history-post forecast‖>ep,则执行历史修正:adhistory=α*history+β*post forecast;其中,adhistory为修正后的历史值,history为原始历史值,α为预设定的历史权重因子,β为预设定的预测权重因子;通过比较预测值和实际历史值的差异是否超过允许容差范围,如果超过,则对历史值进行修正,但不永久保存,系统将采用修正后的历史值对未来期间进行预测,以消除了异常历史值对基准预测的影响;
统计预测模块,与所述分类模块、历史修正模块联合应用,用以根据所述分类模块的设定及所述历史修正模块的修正数据同时基于所选择的统计模型生成预测数据;所述统计预测模块包括水平模型预测单元、趋势模型预测单元、季节模型预测单元、趋势季节模型预测单元、因果模型预测单元、新产品模型预测单元;水平模型预测单元包括加权移动平均预测子单元、指数平滑预测子单元、自适应指数平滑预测子单元;趋势模型预测单元包括去年相比百分比法预测子单元、已计去年百分比法预测子单元、趋势指数平滑预测子单元、自适应趋势指数平滑法预测子单元、线性逼近预测子单元、一元线性回归预测子单元、二次逼近预测子单元;季节模型预测单元包括季节性加权移动平均预测子单元、季节性指数平滑预测子单元、自适应季节指数平滑法预测子单元;趋势季节模型预测单元包括季节去年百分比法预测子单元、季节已计去年百分比法预测子单元、季节线性逼近预测子单元、季节一元线性回归预测子单元、相乘法季节趋势指数平滑预测子单元、相乘法自适应季节趋势指数平滑预测子单元、叠加法季节趋势指数平滑预测子单元、叠加法自适应季节趋势指数平滑预测子单元;因果模型预测单元包括多元线性回归预测子单元;新产品模型预测单元包括类比模型预测子单元;
分解模块,用以根据人工选择的分解标准或系统预定义的分解标准,同时根据产品架构和组织架构进行分解,层层分解至最明细层次,并按产品架构和组织架构再自动进行聚合,确保所有层次数据的一致性;
期间滚动模块,用以支持用户实现滚动预测的业务需求,通过执行期间滚动,系统将自动将最近的一个预测期间转换成历史期间,并同时增加一个新的预测期间以支持用户实现滚动预测的需求。
一种销售预测系统,所述系统包括:
分类模块,用以通过关键预测指标的设定对所需要预测的产品进行分类,以便根据其特有的属性和需求进行个性化和精细化的预测策略配置;
历史修正模块,用以调整受异常因素影响的销售数据;所述历史修正模块包括人工修正单元和自动修正单元;
统计预测模块,与所述分类模块、历史修正模块联合应用,用以根据所述分类模块的设定及所述历史修正模块的修正数据同时基于所选择的统计模型生成预测数据;
分解模块,用以根据人工选择的分解标准或系统预定义的分解标准,同时根据产品架构和组织架构进行分解,层层分解至最明细层次,并按产品架构和组织架构再自动进行聚合,确保所有层次数据的一致性;
期间滚动模块,用以支持用户实现滚动预测的业务需求,通过执行期间滚动,系统将自动将最近的一个预测期间转换成历史期间,并同时增加一个新的预测期间以支持用户实现滚动预测的需求。
作为本发明的一种优选方案,所述人工修正单元为用户提供一个基于经验判断而进行手工修正的平台,用户基于不同层次进行修正并可记录修正说明;如果数据修正在非明细层次,系统将根据同期历史数据比例和产品组织架构自动进行分解;原始历史数据和人工修正后的历史数据将被独立保存。
作为本发明的一种优选方案,所述自动修正单元内嵌在统计模型中,当统计模型运行时同时进行历史数据修正;修正步骤如下:
(1)计算容差期间预测值post forecast,在预设容差期间,根据前期历史值和所选择的统计模型计算出容差期间的预测值;
(2)容差允许范围计算,预设容差修正因子σ,σ小于等于2,标准差异=1.25*MAD,容差允许范围ep=σ*1.25*MAD;
(3)修正非正常历史值,如果‖history-post forecast‖>ep,则执行历史修正:adhistory=α*history+β*post forecast;其中,adhistory为修正后的历史值,history为原始历史值,α为预设定的历史权重因子,β为预设定的预测权重因子;通过比较预测值和实际历史值的差异是否超过允许容差范围,如果超过,则对历史值进行修正,但不永久保存,系统将采用修正后的历史值对未来期间进行预测,以消除了异常历史值对基准预测的影响。
一种销售预测方法,所述方法包括如下步骤:
分类步骤,通过关键预测指标的设定对所需要预测的产品进行分类,以便根据其特有的属性和需求进行个性化和精细化的预测策略配置;所述分类模块包括基本参数设置单元、预测范围设置单元、预测模型设置单元;基本参数设置单元用于设置分类模块所涉及的期间类参数、模型运行层次类参数和统计误差判断标准,具体包括预测期间设置、屏蔽期间设置、最终预测设置、预测运行层次-产品层次设置、预测运行层次-组织层次设置、预警容差阈值设置以及类别是否有效设置;预测范围设置单元用于定义分类模块所覆盖产品范围和销售组织范围,参数设置包括产品范围设置以及销售组织范围设置;预测模型设置单元用于定义分类模块所选择的预测模型以及相关的参数配置,该部分参数设置包括公共参数类设置和模型参数类设置,其中公共参数类设置包括模型选择设置、历史数据类别设置、历史数据是否自动调整设置、容差因子设置、容差分析期间设置、历史数据权重设置、预测权重设置;模型参数类设置则依据所选择的模型分别设置;
历史修正步骤,调整受异常因素影响的销售数据;所述历史修正步骤包括人工修正步骤和自动修正步骤;人工修正步骤为用户提供一个基于经验判断而进行手工修正的平台,用户基于不同层次进行修正并可记录修正说明;如果数据修正在非明细层次,系统将根据同期历史数据比例和产品组织架构自动进行分解;原始历史数据和人工修正后的历史数据将被独立保存;自动修正步骤:自动修正单元内嵌在统计模型中,当统计模型运行时同时进行历史数据修正;自动修正的具体步骤如下:(1)计算容差期间预测值post forecast,在预设容差期间,根据前期历史值和所选择的统计模型计算出容差期间的预测值;(2)容差允许范围计算,预设容差修正因子σ,σ小于等于2,标准差异=1.25*MAD,容差允许范围ep=σ*1.25*MAD;(3)修正非正常历史值,如果‖history-postforecast‖>ep,则执行历史修正:adhistory=α*history+β*post forecast;其中,adhistory为修正后的历史值,history为原始历史值,α为预设定的历史权重因子,β为预设定的预测权重因子;通过比较预测值和实际历史值的差异是否超过允许容差范围,如果超过,则对历史值进行修正,但不永久保存,系统将采用修正后的历史值对未来期间进行预测,以消除了异常历史值对基准预测的影响;
统计预测步骤,根据所述分类模块的设定及所述历史修正模块的修正数据生成预测销售数据;
分解步骤,根据人工选择的分解标准或系统预定义的分解标准,同时根据产品架构和组织架构进行分解,层层分解至最明细层次,并按产品架构和组织架构再自动进行聚合,确保所有层次数据的一致性;
期间滚动步骤,支持用户实现滚动预测的业务需求,通过执行期间滚动,系统将自动将最近的一个预测期间转换成历史期间,并同时增加一个新的预测期间以支持用户实现滚动预测的需求。
作为本发明的一种优选方案,统计预测步骤中统计预测计算过程包括:
步骤C1、修正非正常历史值;包括
步骤C11、计算容差期间预测值;根据历史值计算出容差期间的预测值;在对容差期间逐一计算新预测值时,使用前期历史值和预测值的平均值;
步骤C12、修正非正常历史值;比较预测值和实际历史值的差异是否超过允许差异范围,如果超过,则对历史值进行调整,但不是永久保存,用于计算统计误差和对未来期间的预测;如无历史修正要求,则不运行该步骤;
步骤C2、计算统计误差;包括
步骤C21、根据调整后的历史值第二次计算容差期间的预测值;
步骤C22、计算统计误差;将该次预测值与调整后的历史值进行比较,计算出需要的统计误差;
步骤C23、统计误差预警;MAPE将被作为预警误差与系统中预设定地“容差阈值”进行比较,如果超过系统则自动进行预警和记录;
步骤C3、计算未来预测值;使用调整后的历史值计算出未来期间的预测值。
一种上述销售预测系统的销售预测方法,所述方法包括如下步骤:
步骤0、滚动基准预测开始准备;
步骤1、维护预测相关主数据视图,包括产品、销售组织、业务数据、预测模型;
步骤2、进行历史数据的清洗和导入;
步骤3、判断是否要求人工修正历史数据;若是,转步骤4,否则转至步骤5;
步骤4、对历史数据进行人工修正;人工修正步骤为用户提供一个基于经验判断而进行手工修正的平台,用户基于不同层次进行修正并可记录修正说明;如果数据修正在非明细层次,系统将根据同期历史数据比例和产品组织架构自动进行分解;原始历史数据和人工修正后的历史数据将被独立保存;
步骤5、运用预测分类技术建立预测类别,并确定是否需要运用历史数据自动修正功能;若是,则对历史数据进行自动修正,修正完毕之后进入步骤6;否则直接进入步骤6;
步骤6、选择预测类别运行基准预测;
步骤7、判断统计误差是否超过预先设定的容差阈值;
步骤8、判断:当统计误差超过容差阈值时,是否接受?;
步骤9、不接受,返回预测类别管理,修正预测参数或者通过模拟重新选择预测模型;
步骤10、忽略统计误差超出警告继续运行;
步骤11、判断:统计预测是否运行在明细层,最明细产品和最明细组织;
步骤12、否,则执行预测数据分解;
步骤13、基准预测运行完成;
步骤14、执行期间滚动进入下一预测周期;
步骤15、结束。
本发明的有益效果在于:本发明最重要的意义是通过建立基于历史数据,数据仓库技术,统计技术,分类预测技术,分解技术和期间滚动技术的滚动基准预测体系,帮助企业提升科学化预测和精细化预测的能力。本发明中所引入的分类预测技术将完全改变企业目前粗放式的预测编制现状,使基于个性化预测策略的科学预测成为可能,而多达23种的统计预测技术则将预测的科学性提升到一个前所未有的高度,分解技术则帮助企业实现了基于不同层次预测数据的互动融合,为企业数据分析提供了完美的信息展示平台,而期间滚动技术则是滚动基准预测实现的基础。滚动基准预测技术为企业实现基于数据导向的科学决策提供了强大的技术支撑。
附图说明
图1为本发明销售预测系统的组成示意图。
图2为本发明销售预测方法的流程图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例一
本发明揭示了一种销售预测系统,该系统通过建立基于历史数据,数据仓库技术,统计技术,分类预测技术,分解技术和期间滚动技术的滚动基准预测体系,帮助企业提升科学化预测和精细化预测的能力。
请参阅图1,所述系统包括分类模块1、历史修正模块2、统计预测模块3、分解模块4、期间滚动模块5。
【分类模块】
分类模块1用以通过关键预测指标的设定对所需要预测的产品进行分类,以便根据其特有的属性和需求进行个性化和精细化的预测策略配置;所述分类模块包括基本参数设置单元、预测范围设置单元、预测模型设置单元。
基本参数设置单元用于设置分类模块所涉及的期间类参数、模型运行层次类参数和统计误差判断标准,具体包括预测期间设置、屏蔽期间设置、最终预测设置、预测运行层次-产品层次设置、预测运行层次-组织层次设置、预警容差阈值设置以及类别是否有效设置。
预测范围设置单元用于定义分类模块所覆盖产品范围和销售组织范围,参数设置包括产品范围设置以及销售组织范围设置。
预测模型设置单元用于定义分类模块所选择的预测模型以及相关的参数配置,该部分参数设置包括公共参数类设置和模型参数类设置,其中公共参数类设置包括模型选择设置、历史数据类别设置、历史数据是否自动调整设置、容差因子设置、容差分析期间设置、历史数据权重设置、预测权重设置;模型参数类设置则依据所选择的模型设置。
【历史修正模块】
历史修正模块2用以调整受异常因素影响的销售数据;所述历史修正模块包括人工修正单元和自动修正单元。
人工修正单元为用户提供一个基于经验判断而进行手工修正的平台,用户基于不同层次进行修正并可记录修正说明;如果数据修正在非明细层次,系统将根据同期历史数据比例和产品组织架构自动进行分解;原始历史数据和人工修正后的历史数据将被独立保存。
自动修正单元内嵌在统计模型中,当统计模型运行时同时进行历史数据修正;修正步骤如下:
(1)计算容差期间预测值post forecast,在预设容差期间,根据前期历史值和所选择的统计模型计算出容差期间的预测值;
(2)容差允许范围计算,预设容差修正因子σ,σ小于等于2,标准差异=1.25*MAD,容差允许范围ep=σ*1.25*MAD;
(3)修正非正常历史值,如果‖history-post forecast‖>ep,则执行历史修正:adhistory=α*history+β*post forecast;其中,adhistory为修正后的历史值,history为原始历史值,α为预设定的历史权重因子,β为预设定的预测权重因子;通过比较预测值和实际历史值的差异是否超过允许容差范围,如果超过,则对历史值进行修正,但不永久保存,系统将采用修正后的历史值对未来期间进行预测,以消除了异常历史值对基准预测的影响。
【统计预测模块】
统计预测模块3与所述分类模块、历史修正模块联合应用,用以根据所述分类模块的设定及所述历史修正模块的修正数据同时基于所选择的统计模型生成预测数据。
所述统计预测模块包括水平模型预测单元、趋势模型预测单元、季节模型预测单元、趋势季节模型预测单元、因果模型预测单元、新产品模型预测单元。
其中,水平模型预测单元包括加权移动平均预测子单元、指数平滑预测子单元、自适应指数平滑预测子单元。
趋势模型预测单元包括去年相比百分比法预测子单元、已计去年百分比法预测子单元、趋势指数平滑预测子单元、自适应趋势指数平滑法预测子单元、线性逼近预测子单元、一元线性回归预测子单元、二次逼近预测子单元。
季节模型预测单元包括季节性加权移动平均预测子单元、季节性指数平滑预测子单元、自适应季节指数平滑法预测子单元。
趋势季节模型预测单元包括季节去年百分比法预测子单元、季节已计去年百分比法预测子单元、季节线性逼近预测子单元、季节一元线性回归预测子单元、相乘法季节趋势指数平滑预测子单元、相乘法自适应季节趋势指数平滑预测子单元、叠加法季节趋势指数平滑预测子单元、叠加法自适应季节趋势指数平滑预测子单元。
因果模型预测单元包括多元线性回归预测子单元;新产品模型预测单元包括类比模型预测子单元。
具体如下:
水平类模型类3-1:
加权移动平均Weighted moving average
指数平滑Single Exponential Smoothing
自适应指数平滑Single exponential smoothing including Alphaoptimization
趋势类模型类3-2:
去年相比百分比法Percent over Last Year
已计去年百分比法Calculated Percent Over Last Year
趋势指数平滑Linear exponential Smoothing(trend)
自适应趋势指数平滑法Single exponential smoothing including Alpha&Beta optimization
线性逼近Linear Approximation
一元线性回归Linear regression
二次逼近Second Degree Approximation
季节类模型类3-3:
季节性加权移动平均Weighted moving average with Seasonality
季节性指数平滑Exponential Smoothing with Seasonality
自适应季节指数平滑法Single exponential smoothing including Alphaoptimization with Seasonal factor
趋势季节类模型类3-4:
季节去年百分比法Percent over Last Year with Seasonality
季节已计去年百分比法Calculated Percent Over Last Year withSeasonality
季节线性逼近Linear Approximation with Seasonality
季节一元线性回归Linear regression with Seasonality
季节趋势指数平滑(相乘法)Trend seasonal exponential Smoothing
自适应季节趋势指数平滑(相乘法)Single exponential smoothingincluding Alpha&Beta optimization with Seasonal Factor
季节趋势指数平滑(叠加法)Trend seasonal exponential Smoothing
自适应季节趋势指数平滑(叠加法)Single exponential smoothingincluding Alpha&Beta optimization with Seasonal Factor
因果模型3-5:
多元线性回归Multi Linear Regression
新产品模型3-6:
类比模型Like Model(Phase in and Phase out Model or Life CyclingModel)
【分解模块】
分解模块4用以根据人工选择的分解标准或系统预定义的分解标准,同时根据产品架构和组织架构进行分解,层层分解至最明细层次,并按产品架构和组织架构再自动进行聚合,确保所有层次数据的一致性。
分解模块4是实现系统数据多层次多维度互动融合的保证。预测层次的多样性要求系统必须支持强大的数据分解和聚合功能。针对不同的预测数据类型和场景定义不同的分解标准和分解比例是分解技术的核心。本系统提供两种分解技术,人工比例分解技术4-1和自动比例分解技术4-2。
人工比例分解技术4-1要求客户自定义分解比例,系统按自定义的比例根据产品架构和组织架构进行分解到最明细层次,并按产品架构和组织架构再自动进行聚合,确保所有层次数据的一致性。而自动比例分解技术4-2则根据系统预定义的分解标准,如按历史数据,或按组合预测数据等自动将非明细层数据分解到明细层,并同样自动按产品架构和组织架构执行聚合。
通过以上描述,本领域的技术人员应该可以理解并实现分解的过程,这里不做赘述。
【期间滚动模块】
期间滚动模块5用以支持用户实现滚动预测的业务需求,通过执行期间滚动,系统将自动将最近的一个预测期间转换成历史期间,并同时增加一个新的预测期间以支持用户实现滚动预测的需求。
期间滚动模块5是实现滚动预测的必要条件之一。本发明中,用户可以自定义预测期间粒度,如月、周或其他特殊期间粒度。用户可以通过期间滚动功能实现周期性的滚动预测需求。
以上介绍了本发明销售预测系统,本发明在揭示上述销售预测系统的同时,还揭示了一种销售预测方法。所述方法包括如下步骤:
【分类步骤】
通过关键预测指标的设定对所需要预测的产品进行分类,以便根据其特有的属性和需求进行个性化和精细化的预测策略配置;所述分类模块包括基本参数设置单元、预测范围设置单元、预测模型设置单元;基本参数设置单元用于设置分类模块所涉及的期间类参数、模型运行层次类参数和统计误差判断标准,具体包括预测期间设置、屏蔽期间设置、最终预测设置、预测运行层次-产品层次设置、预测运行层次-组织层次设置、预警容差阈值设置以及类别是否有效设置;预测范围设置单元用于定义分类模块所覆盖产品范围和销售组织范围,参数设置包括产品范围设置以及销售组织范围设置;预测模型设置单元用于定义分类模块所选择的预测模型以及相关的参数配置,该部分参数设置包括公共参数类设置和模型参数类设置,其中公共参数类设置包括模型选择设置、历史数据类别设置、历史数据是否自动调整设置、容差因子设置、容差分析期间设置、历史数据权重设置、预测权重设置;模型参数类设置则依据所选择的模型分别设置。
【历史修正步骤】
调整受异常因素影响的销售数据;所述历史修正步骤包括人工修正步骤和自动修正步骤;人工修正步骤为用户提供一个基于经验判断而进行手工修正的平台,用户基于不同层次进行修正并可记录修正说明;如果数据修正在非明细层次,系统将根据同期历史数据比例和产品组织架构自动进行分解;原始历史数据和人工修正后的历史数据将被独立保存;自动修正步骤:自动修正单元内嵌在统计模型中,当统计模型运行时同时进行历史数据修正;自动修正的具体步骤如下:(1)计算容差期间预测值post forecast,在预设容差期间,根据前期历史值和所选择的统计模型计算出容差期间的预测值;(2)容差允许范围计算,预设容差修正因子σ,σ小于等于2,标准差异=1.25*MAD,容差允许范围ep=σ*1.25*MAD;(3)修正非正常历史值,如果‖history-post forecast‖>ep,则执行历史修正:adhistory=α*history+β*post forecast;其中,adhistory为修正后的历史值,history为原始历史值,α为预设定的历史权重因子,β为预设定的预测权重因子;通过比较预测值和实际历史值的差异是否超过允许容差范围,如果超过,则对历史值进行修正,但不永久保存,系统将采用修正后的历史值对未来期间进行预测,以消除了异常历史值对基准预测的影响。
【统计预测步骤】
根据所述分类模块的设定及所述历史修正模块的修正数据生成预测销售数据。
统计预测计算过程:
1,修正非正常历史值
(1),计算容差期间预测值
根据历史值计算出容差期间的预测值。在对容差期间逐一计算新预测值时,使用前期历史值和预测值的平均值
(2),修正非正常历史值
比较预测值和实际历史值的差异是否超过允许差异范围,如果超过,则对历史值进行调整(但不是永久保存),用于计算统计误差和对未来期间的预测。
备注:如无历史修正要求,则无该运行步骤
2,计算统计误差
(1),根据调整后的历史值第二次计算容差期间的预测值,可能与第一次结果有差异,取决于模型算法。
(2),计算统计误差
将该次预测值与调整后的历史值(如果有)进行比较,计算出需要的统计误差,(如Eerror total,Tracking Signal,MAD,MSE,MAPE).
(3),统计误差预警
MAPE将被做为预警误差与系统中预设定地“容差阈值”进行比较,如果超过系统则自动进行预警和记录
3,计算未来预测值
使用调整后的历史值计算出未来期间的预测值
【分解步骤】
根据人工选择的分解标准或系统预定义的分解标准,同时根据产品架构和组织架构进行分解,层层分解至最明细层次,并按产品架构和组织架构再自动进行聚合,确保所有层次数据的一致性。
【期间滚动步骤】
支持用户实现滚动预测的业务需求,通过执行期间滚动,系统将自动将最近的一个预测期间转换成历史期间,并同时增加一个新的预测期间以支持用户实现滚动预测的需求。
综上所述,本发明最重要的意义是通过建立基于历史数据,数据仓库技术,统计技术,分类预测技术,分解技术和期间滚动技术的滚动基准预测体系,帮助企业提升科学化预测和精细化预测的能力。本发明中所引入的分类预测技术将完全改变企业目前粗放式的预测编制现状,使基于个性化预测策略的科学预测成为可能,而多达23种的统计预测技术则将预测的科学性提升到一个前所未有的高度,分解技术则帮助企业实现了基于不同层次预测数据的互动融合,为企业数据分析提供了完美的信息展示平台,而期间滚动技术则是滚动基准预测实现的基础。滚动基准预测技术为企业实现基于数据导向的科学决策提供了强大的技术支撑。
实施例二
请参阅图2,本实施例中,实施例一所述销售预测系统的销售预测方法包括如下步骤:
步骤0、滚动基准预测开始准备;
步骤1、维护预测相关主数据视图,包括产品、销售组织、业务数据、预测模型;
步骤2、进行历史数据的清洗和导入;
步骤3、判断是否要求人工修正历史数据;若是,转步骤4,否则转至步骤5;
步骤4、对历史数据进行人工修正;人工修正步骤为用户提供一个基于经验判断而进行手工修正的平台,用户基于不同层次进行修正并可记录修正说明;如果数据修正在非明细层次,系统将根据同期历史数据比例和产品组织架构自动进行分解;原始历史数据和人工修正后的历史数据将被独立保存;
步骤5、运用预测分类技术建立预测类别,并确定是否需要运用历史数据自动修正功能;若是,则对历史数据进行自动修正,修正完毕之后进入步骤6;否则直接进入步骤6;
步骤6、选择预测类别运行基准预测;
步骤7、判断统计误差是否超过预先设定的容差阈值;
步骤8、判断:当统计误差超过容差阈值时,是否接受?;
步骤9、不接受,返回预测类别管理,修正预测参数或者通过模拟重新选择预测模型;
步骤10、忽略统计误差超出警告继续运行;
步骤11、判断:统计预测是否运行在明细层,最明细产品和最明细组织;
步骤12、否,则执行预测数据分解;
步骤13、基准预测运行完成;
步骤14、执行期间滚动进入下一预测周期;
步骤15、结束。
各步骤的实现细节可参考实施例一的描述。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (7)
1.一种销售预测系统,其特征在于,所述系统包括:
分类模块,用以通过关键预测指标的设定对所需要预测的产品进行分类,以便根据其特有的属性和需求进行个性化和精细化的预测策略配置;所述分类模块包括基本参数设置单元、预测范围设置单元、预测模型设置单元;基本参数设置单元用于设置分类模块所涉及的期间类参数、模型运行层次类参数和统计误差判断标准,具体包括预测期间设置、屏蔽期间设置、最终预测设置、预测运行层次-产品层次设置、预测运行层次-组织层次设置、预警容差阈值设置以及类别是否有效设置;预测范围设置单元用于定义分类模块所覆盖产品范围和销售组织范围,参数设置包括产品范围设置以及销售组织范围设置;预测模型设置单元用于定义分类模块所选择的预测模型以及相关的参数配置,该部分参数设置包括公共参数类设置和模型参数类设置,其中公共参数类设置包括模型选择设置、历史数据类别设置、历史数据是否自动调整设置、容差因子设置、容差分析期间设置、历史数据权重设置、预测权重设置;模型参数类设置则依据所选择的模型设置;
历史修正模块,用以调整受异常因素影响的销售数据;所述历史修正模块包括人工修正单元和自动修正单元;人工修正单元为用户提供一个基于经验判断而进行手工修正的平台,用户基于不同层次进行修正并可记录修正说明;如果数据修正在非明细层次,系统将根据同期历史数据比例和产品组织架构自动进行分解;原始历史数据和人工修正后的历史数据将被独立保存;自动修正单元内嵌在统计模型中,当统计模型运行时同时进行历史数据修正;修正步骤如下:(1)计算容差期间预测值post forecast,在预设容差期间,根据前期历史值和所选择的统计模型计算出容差期间的预测值;(2)容差允许范围计算,预设容差修正因子σ,σ小于等于2,标准差异=1.25*MAD,容差允许范围ep=σ*1.25*MAD;(3)修正非正常历史值,如果||history-post forecast||>ep,则执行历史修正:adhistory=α*history+β*postforecast;其中,adhistory为修正后的历史值,history为原始历史值,α为预设定的历史权重因子,β为预设定的预测权重因子;通过比较预测值和实际历史值的差异是否超过允许容差范围,如果超过,则对历史值进行修正,但不永久保存,系统将采用修正后的历史值对未来期间进行预测,以消除了异常历史值对基准预测的影响;
统计预测模块,与所述分类模块、历史修正模块联合应用,用以根据所述分类模块的设定及所述历史修正模块的修正数据同时基于所选择的统计模型生成预测数据;所述统计预测模块包括水平模型预测单元、趋势模型预测单元、季节模型预测单元、趋势季节模型预测单元、因果模型预测单元、新产品模型预测单元;水平模型预测单元包括加权移动平均预测子单元、指数平滑预测子单元、自适应指数平滑预测子单元;趋势模型预测单元包括去年相比百分比法预测子单元、已计去年百分比法预测子单元、趋势指数平滑预测子单元、自适应趋势指数平滑法预测子单元、线性逼近预测子单元、一元线性回归预测子单元、二次逼近预测子单元;季节模型预测单元包括季节性加权移动平均预测子单元、季节性指数平滑预测子单元、自适应季节指数平滑法预测子单元;趋势季节模型预测单元包括季节去年百分比法预测子单元、季节已计去年百分比法预测子单元、季节线性逼近预测子单元、季节一元线性回归预测子单元、相乘法季节趋势指数平滑预测子单元、相乘法自适应季节趋势指数平滑预测子单元、叠加法季节趋势指数平滑预测子单元、叠加法自适应季节趋势指数平滑预测子单元;因果模型预测单元包括多元线性回归预测子单元;新产品模型预测单元包括类比模型预测子单元;
分解模块,用以根据人工选择的分解标准或系统预定义的分解标准,同时根据产品架构和组织架构进行分解,层层分解至最明细层次,并按产品架构和组织架构再自动进行聚合,确保所有层次数据的一致性;
期间滚动模块,用以支持用户实现滚动预测的业务需求,通过执行期间滚动,系统将自动将最近的一个预测期间转换成历史期间,并同时增加一个新的预测期间以支持用户实现滚动预测的需求。
2.一种销售预测系统,其特征在于,所述系统包括:
分类模块,用以通过关键预测指标的设定对所需要预测的产品进行分类,以便根据其特有的属性和需求进行个性化和精细化的预测策略配置;
历史修正模块,用以调整受异常因素影响的销售数据;所述历史修正模块包括人工修正单元和自动修正单元;
统计预测模块,与所述分类模块、历史修正模块联合应用,用以根据所述分类模块的设定及所述历史修正模块的修正数据同时基于所选择的统计模型生成预测数据;
分解模块,用以根据人工选择的分解标准或系统预定义的分解标准,同时根据产品架构和组织架构进行分解,层层分解至最明细层次,并按产品架构和组织架构再自动进行聚合,确保所有层次数据的一致性;
期间滚动模块,用以支持用户实现滚动预测的业务需求,通过执行期间滚动,系统将自动将最近的一个预测期间转换成历史期间,并同时增加一个新的预测期间以支持用户实现滚动预测的需求。
3.根据权利要求2所述的销售预测系统,其特征在于:
所述人工修正单元为用户提供一个基于经验判断而进行手工修正的平台,用户基于不同层次进行修正并可记录修正说明;如果数据修正在非明细层次,系统将根据同期历史数据比例和产品组织架构自动进行分解;原始历史数据和人工修正后的历史数据将被独立保存。
4.根据权利要求2所述的销售预测系统,其特征在于:
所述自动修正单元内嵌在统计模型中,当统计模型运行时同时进行历史数据修正;修正步骤如下:
(1)计算容差期间预测值post forecast,在预设容差期间,根据前期历史值和所选择的统计模型计算出容差期间的预测值;
(2)容差允许范围计算,预设容差修正因子σ,σ小于等于2,标准差异=1.25*MAD,容差允许范围ep=σ*1.25*MAD;
(3)修正非正常历史值,如果||history-post forecast||>ep,则执行历史修正:adhistory=α*history+β*post forecast;其中,adhistory为修正后的历史值,history为原始历史值,α为预设定的历史权重因子,β为预设定的预测权重因子;通过比较预测值和实际历史值的差异是否超过允许容差范围,如果超过,则对历史值进行修正,但不永久保存,系统将采用修正后的历史值对未来期间进行预测,以消除了异常历史值对基准预测的影响。
5.一种销售预测方法,其特征在于,所述方法包括如下步骤:
分类步骤,通过关键预测指标的设定对所需要预测的产品进行分类,以便根据其特有的属性和需求进行个性化和精细化的预测策略配置;所述分类模块包括基本参数设置单元、预测范围设置单元、预测模型设置单元;基本参数设置单元用于设置分类模块所涉及的期间类参数、模型运行层次类参数和统计误差判断标准,具体包括预测期间设置、屏蔽期间设置、最终预测设置、预测运行层次-产品层次设置、预测运行层次-组织层次设置、预警容差阈值设置以及类别是否有效设置;预测范围设置单元用于定义分类模块所覆盖产品范围和销售组织范围,参数设置包括产品范围设置以及销售组织范围设置;预测模型设置单元用于定义分类模块所选择的预测模型以及相关的参数配置,该部分参数设置包括公共参数类设置和模型参数类设置,其中公共参数类设置包括模型选择设置、历史数据类别设置、历史数据是否自动调整设置、容差因子设置、容差分析期间设置、历史数据权重设置、预测权重设置;模型参数类设置则依据所选择的模型分别设置;
历史修正步骤,调整受异常因素影响的销售数据;所述历史修正步骤包括人工修正步骤和自动修正步骤;人工修正步骤为用户提供一个基于经验判断而进行手工修正的平台,用户基于不同层次进行修正并可记录修正说明;如果数据修正在非明细层次,系统将根据同期历史数据比例和产品组织架构自动进行分解;原始历史数据和人工修正后的历史数据将被独立保存;自动修正步骤:自动修正单元内嵌在统计模型中,当统计模型运行时同时进行历史数据修正;自动修正的具体步骤如下:(1)计算容差期间预测值postforecast,在预设容差期间,根据前期历史值和所选择的统计模型计算出容差期间的预测值;(2)容差允许范围计算,预设容差修正因子σ,σ小于等于2,标准差异=1.25*MAD,容差允许范围ep=σ*1.25*MAD;(3)修正非正常历史值,如果||history-post forecast||>ep,则执行历史修正:adhistory=α*history+β*post forecast;其中,adhistory为修正后的历史值,history为原始历史值,α为预设定的历史权重因子,β为预设定的预测权重因子;通过比较预测值和实际历史值的差异是否超过允许容差范围,如果超过,则对历史值进行修正,但不永久保存,系统将采用修正后的历史值对未来期间进行预测,以消除了异常历史值对基准预测的影响;
统计预测步骤,根据所述分类模块的设定及所述历史修正模块的修正数据生成预测销售数据;
分解步骤,根据人工选择的分解标准或系统预定义的分解标准,同时根据产品架构和组织架构进行分解,层层分解至最明细层次,并按产品架构和组织架构再自动进行聚合,确保所有层次数据的一致性;
期间滚动步骤,支持用户实现滚动预测的业务需求,通过执行期间滚动,系统将自动将最近的一个预测期间转换成历史期间,并同时增加一个新的预测期间以支持用户实现滚动预测的需求。
6.根据权利要求5所述的销售预测方法,其特征在于:
统计预测步骤中统计预测计算过程包括:
步骤C1、修正非正常历史值;包括
步骤C11、计算容差期间预测值;根据历史值计算出容差期间的预测值;在对容差期间逐一计算新预测值时,使用前期历史值和预测值的平均值;
步骤C12、修正非正常历史值;比较预测值和实际历史值的差异是否超过允许差异范围,如果超过,则对历史值进行调整,但不是永久保存,用于计算统计误差和对未来期间的预测;如无历史修正要求,则不运行该步骤;
步骤C2、计算统计误差;包括
步骤C21、根据调整后的历史值第二次计算容差期间的预测值;
步骤C22、计算统计误差;将该次预测值与调整后的历史值进行比较,计算出需要的统计误差;
步骤C23、统计误差预警;MAPE将被作为预警误差与系统中预设定地“容差阈值”进行比较,如果超过系统则自动进行预警和记录;
步骤C3、计算未来预测值;使用调整后的历史值计算出未来期间的预测值。
7.一种权利要求1所述销售预测系统的销售预测方法,其特征在于,所述方法包括如下步骤:
步骤0、滚动基准预测开始准备;
步骤1、维护预测相关主数据视图,包括产品、销售组织、业务数据、预测模型;
步骤2、进行历史数据的清洗和导入;
步骤3、判断是否要求人工修正历史数据;若是,转步骤4,否则转至步骤5;
步骤4、对历史数据进行人工修正;人工修正步骤为用户提供一个基于经验判断而进行手工修正的平台,用户基于不同层次进行修正并可记录修正说明;如果数据修正在非明细层次,系统将根据同期历史数据比例和产品组织架构自动进行分解;原始历史数据和人工修正后的历史数据将被独立保存;
步骤5、运用预测分类技术建立预测类别,并确定是否需要运用历史数据自动修正功能;若是,则对历史数据进行自动修正,修正完毕之后进入步骤6;否则直接进入步骤6;
步骤6、选择预测类别运行基准预测;
步骤7、判断统计误差是否超过预先设定的容差阈值;
步骤8、判断:当统计误差超过容差阈值时,是否接受?;
步骤9、不接受,返回预测类别管理,修正预测参数或者通过模拟重新选择预测模型;
步骤10、忽略统计误差超出警告继续运行;
步骤11、判断:统计预测是否运行在明细层,最明细产品和最明细组织;
步骤12、否,则执行预测数据分解;
步骤13、基准预测运行完成;
步骤14、执行期间滚动进入下一预测周期;
步骤15、结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010140696XA CN102214338A (zh) | 2010-04-06 | 2010-04-06 | 销售预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010140696XA CN102214338A (zh) | 2010-04-06 | 2010-04-06 | 销售预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102214338A true CN102214338A (zh) | 2011-10-12 |
Family
ID=44745635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010140696XA Pending CN102214338A (zh) | 2010-04-06 | 2010-04-06 | 销售预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102214338A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617466A (zh) * | 2013-12-13 | 2014-03-05 | 李敬泉 | 一种商品需求预测模型的综合评价方法 |
CN104123477A (zh) * | 2014-08-15 | 2014-10-29 | 上海博路信息技术有限公司 | 一种基于生活数据的群租分析方法 |
TWI484353B (zh) * | 2012-12-10 | 2015-05-11 | Chunghwa Telecom Co Ltd | Methods and Systems for Calculating Random Errors |
CN104951846A (zh) * | 2015-06-02 | 2015-09-30 | 国电南京自动化股份有限公司 | 微电网短期功率和负荷预测系统及误差分类动态修正方法 |
CN106203668A (zh) * | 2015-05-07 | 2016-12-07 | 北京极迅智程网络科技股份有限公司 | 一种对信息指数进行预测分析及展示的系统 |
CN107122928A (zh) * | 2016-02-24 | 2017-09-01 | 阿里巴巴集团控股有限公司 | 一种供应链资源需求计划配置方法及装置 |
CN107274100A (zh) * | 2017-06-23 | 2017-10-20 | 广东知元机器人科技有限公司 | 基于电力大数据的经济预警分析方法 |
CN107316093A (zh) * | 2016-04-26 | 2017-11-03 | 华为技术有限公司 | 一种滚动预测的方法、及装置 |
CN107958297A (zh) * | 2016-10-17 | 2018-04-24 | 华为技术有限公司 | 一种产品需求预测方法及产品需求预测装置 |
CN108171530A (zh) * | 2017-12-06 | 2018-06-15 | 口碑(上海)信息技术有限公司 | 一种用于客单价和复购率的提升方法及装置 |
CN108229739A (zh) * | 2017-12-29 | 2018-06-29 | 深圳春沐源控股有限公司 | 作物产量的预测方法、终端、计算机可读存储介质 |
CN108256917A (zh) * | 2018-01-18 | 2018-07-06 | 口碑(上海)信息技术有限公司 | 优惠券核销量、成交总额、成本的预测方法 |
CN108764553A (zh) * | 2018-05-21 | 2018-11-06 | 世纪龙信息网络有限责任公司 | 用户规模预测方法、装置及计算机设备 |
CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
CN109657870A (zh) * | 2018-12-27 | 2019-04-19 | 重庆科技学院 | 一种汽车停产后维修配件产量预测方法 |
CN110008049A (zh) * | 2019-03-29 | 2019-07-12 | 广州接点智能科技有限公司 | 一种基于互联网平台的数据修正方法、终端设备及介质 |
CN110033292A (zh) * | 2018-01-12 | 2019-07-19 | 北京京东尚科信息技术有限公司 | 信息输出方法和装置 |
CN110378510A (zh) * | 2019-05-30 | 2019-10-25 | 国网浙江绍兴市上虞区供电有限公司 | 一种基于时间序列和层次聚合的配网物资需求预测方法 |
CN110969467A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 产品销售预测方法及相关装置 |
CN111133460A (zh) * | 2018-08-30 | 2020-05-08 | 甲骨文国际公司 | 需求预测参数的优化 |
CN111753368A (zh) * | 2020-05-18 | 2020-10-09 | 重庆长安汽车股份有限公司 | 预测车内吸声性能的方法 |
CN112597745A (zh) * | 2020-12-23 | 2021-04-02 | 深圳赛安特技术服务有限公司 | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 |
CN117292808A (zh) * | 2023-11-24 | 2023-12-26 | 自贡市第一人民医院 | 基于大数据分析的医院消毒供应管理系统 |
-
2010
- 2010-04-06 CN CN201010140696XA patent/CN102214338A/zh active Pending
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI484353B (zh) * | 2012-12-10 | 2015-05-11 | Chunghwa Telecom Co Ltd | Methods and Systems for Calculating Random Errors |
CN103617466B (zh) * | 2013-12-13 | 2016-09-28 | 中储南京智慧物流科技有限公司 | 一种商品需求预测模型的综合评价方法 |
CN103617466A (zh) * | 2013-12-13 | 2014-03-05 | 李敬泉 | 一种商品需求预测模型的综合评价方法 |
CN104123477A (zh) * | 2014-08-15 | 2014-10-29 | 上海博路信息技术有限公司 | 一种基于生活数据的群租分析方法 |
CN106203668A (zh) * | 2015-05-07 | 2016-12-07 | 北京极迅智程网络科技股份有限公司 | 一种对信息指数进行预测分析及展示的系统 |
CN106203668B (zh) * | 2015-05-07 | 2021-04-20 | 北京极迅智程网络科技股份有限公司 | 一种对信息指数进行预测分析及展示的系统 |
CN104951846B (zh) * | 2015-06-02 | 2018-12-28 | 国电南京自动化股份有限公司 | 微电网短期功率和负荷预测系统及误差分类动态修正方法 |
CN104951846A (zh) * | 2015-06-02 | 2015-09-30 | 国电南京自动化股份有限公司 | 微电网短期功率和负荷预测系统及误差分类动态修正方法 |
CN107122928A (zh) * | 2016-02-24 | 2017-09-01 | 阿里巴巴集团控股有限公司 | 一种供应链资源需求计划配置方法及装置 |
CN107316093B (zh) * | 2016-04-26 | 2021-01-05 | 华为技术有限公司 | 一种滚动预测的方法、及装置 |
CN107316093A (zh) * | 2016-04-26 | 2017-11-03 | 华为技术有限公司 | 一种滚动预测的方法、及装置 |
CN107958297B (zh) * | 2016-10-17 | 2021-10-26 | 华为技术有限公司 | 一种产品需求预测方法及产品需求预测装置 |
CN107958297A (zh) * | 2016-10-17 | 2018-04-24 | 华为技术有限公司 | 一种产品需求预测方法及产品需求预测装置 |
CN107274100A (zh) * | 2017-06-23 | 2017-10-20 | 广东知元机器人科技有限公司 | 基于电力大数据的经济预警分析方法 |
CN108171530B (zh) * | 2017-12-06 | 2021-02-02 | 口碑(上海)信息技术有限公司 | 一种用于客单价和复购率的提升方法及装置 |
CN108171530A (zh) * | 2017-12-06 | 2018-06-15 | 口碑(上海)信息技术有限公司 | 一种用于客单价和复购率的提升方法及装置 |
CN108229739A (zh) * | 2017-12-29 | 2018-06-29 | 深圳春沐源控股有限公司 | 作物产量的预测方法、终端、计算机可读存储介质 |
CN110033292A (zh) * | 2018-01-12 | 2019-07-19 | 北京京东尚科信息技术有限公司 | 信息输出方法和装置 |
CN110033292B (zh) * | 2018-01-12 | 2024-05-17 | 北京京东尚科信息技术有限公司 | 信息输出方法和装置 |
CN108256917A (zh) * | 2018-01-18 | 2018-07-06 | 口碑(上海)信息技术有限公司 | 优惠券核销量、成交总额、成本的预测方法 |
CN108764553B (zh) * | 2018-05-21 | 2020-12-15 | 世纪龙信息网络有限责任公司 | 用户规模预测方法、装置及计算机设备 |
CN108764553A (zh) * | 2018-05-21 | 2018-11-06 | 世纪龙信息网络有限责任公司 | 用户规模预测方法、装置及计算机设备 |
CN111133460A (zh) * | 2018-08-30 | 2020-05-08 | 甲骨文国际公司 | 需求预测参数的优化 |
CN110969467B (zh) * | 2018-09-30 | 2023-12-26 | 北京国双科技有限公司 | 产品销售预测方法及相关装置 |
CN110969467A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 产品销售预测方法及相关装置 |
CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
CN109657870A (zh) * | 2018-12-27 | 2019-04-19 | 重庆科技学院 | 一种汽车停产后维修配件产量预测方法 |
CN110008049A (zh) * | 2019-03-29 | 2019-07-12 | 广州接点智能科技有限公司 | 一种基于互联网平台的数据修正方法、终端设备及介质 |
CN110378510B (zh) * | 2019-05-30 | 2023-08-18 | 国网浙江绍兴市上虞区供电有限公司 | 一种基于时间序列和层次聚合的配网物资需求预测方法 |
CN110378510A (zh) * | 2019-05-30 | 2019-10-25 | 国网浙江绍兴市上虞区供电有限公司 | 一种基于时间序列和层次聚合的配网物资需求预测方法 |
CN111753368A (zh) * | 2020-05-18 | 2020-10-09 | 重庆长安汽车股份有限公司 | 预测车内吸声性能的方法 |
CN111753368B (zh) * | 2020-05-18 | 2022-07-08 | 重庆长安汽车股份有限公司 | 预测车内吸声性能的方法 |
CN112597745A (zh) * | 2020-12-23 | 2021-04-02 | 深圳赛安特技术服务有限公司 | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 |
CN117292808A (zh) * | 2023-11-24 | 2023-12-26 | 自贡市第一人民医院 | 基于大数据分析的医院消毒供应管理系统 |
CN117292808B (zh) * | 2023-11-24 | 2024-02-09 | 自贡市第一人民医院 | 基于大数据分析的医院消毒供应管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102214338A (zh) | 销售预测系统及方法 | |
Di Foggia et al. | Improving efficiency in the MSW collection and disposal service combining price cap and yardstick regulation: The Italian case | |
CN1741053A (zh) | 物流仓储决策支持系统 | |
Song et al. | Transportation, iceberg costs and the adjustment of industrial structure in China | |
CA2635298A1 (en) | An investment analysis and planning system and method | |
CN107563627A (zh) | 基于条形码技术的车间mes管理方法及系统 | |
CN101957852A (zh) | 生成表格数据的关联信息的方法和系统 | |
Hsu | China's foreign trade reforms: impact on growth and stability | |
Levi et al. | Cost trajectories of low carbon electricity generation technologies in the UK: A study of cost uncertainty | |
dos Santos et al. | Demand response application in industrial scenarios: A systematic mapping of practical implementation | |
CN115456472A (zh) | 工业品采购供应链碳资产数字化管理方法和系统 | |
Hu et al. | Multi-objective optimization of time-of-use price for tertiary industry based on generalized seasonal multi-model structure | |
CN105069546A (zh) | 电力企业多业务成本预算需求数据处理方法 | |
Hejazi et al. | Robust optimization of sustainable closed-loop supply chain network considering product family | |
Ren et al. | Performance Management | |
Cohen et al. | Creating value through operations: The legacy of Elwood S. Buffa | |
Wu et al. | RETRACTED ARTICLE: Industrial structure optimization, economic development factors and regional economic risk prevention in post COVID-19 period: empirical analysis based on panel data of Guangdong regional economy | |
CN107506860A (zh) | 精益生产计划实现系统及实现方法 | |
CN107704989A (zh) | 使用精益制造管理系统及方法 | |
Chen et al. | The impact of the Taipei port container terminal on the northern region of Taiwan: A computable general equilibrium model | |
Yan et al. | The Application and Benefit Evaluation of Digital Enterprise Resource Planning System in Supply Chain Management | |
Whitehouse et al. | Output Trends: Prospects and Problems | |
Almasarweh | The applicability of lean manufacturing methods and its impact on the performance of the Jordanian industrial companies listed in ASE | |
Kucherenko et al. | Accounting Information System under the Digital Transformation | |
Ubogu | Demand for electricity in Nigeria: Some empirical findings |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20111012 |