XXXX銷售預(yù)測數(shù)據(jù)驗(yàn)證1、基于科學(xué)方法結(jié)合業(yè)務(wù)實(shí)際，定制有效預(yù)測模型

通過對業(yè)務(wù)的研究，將數(shù)學(xué)模型與業(yè)務(wù)規(guī)則進(jìn)行結(jié)合，定制模型。按照預(yù)測基本原則，對最小顆粒度（SKU）數(shù)據(jù)進(jìn)行多模型匹配，系統(tǒng)內(nèi)置6-8種復(fù)合業(yè)務(wù)形態(tài)模型進(jìn)行匹配，根據(jù)預(yù)測質(zhì)量尋找最優(yōu)解。2、引入外部影響因素，事件因子鎖定銷量峰谷

銷售預(yù)測的復(fù)雜度在于影響因素眾多，歷史數(shù)據(jù)的變化中隱藏著不同時(shí)間節(jié)點(diǎn)的事件影響、節(jié)假日、促銷活動(dòng)、競爭對手促銷活動(dòng)等事件因子通過導(dǎo)入外部事件列表，更精確度量事件影響，用作未來預(yù)測3、降低偶然事件或異常數(shù)據(jù)影響純粹數(shù)學(xué)模型往往在理想的數(shù)據(jù)情況下才能發(fā)揮最大效果，實(shí)際數(shù)據(jù)中存在各類偶然發(fā)生或無法從業(yè)務(wù)角度明確解釋的偶發(fā)事件，偶發(fā)事件對未來預(yù)測有長尾效應(yīng)的影響，合理機(jī)制識(shí)別并處理異常數(shù)據(jù)是保證預(yù)測準(zhǔn)確度的重要手段業(yè)務(wù)調(diào)研模型定制數(shù)據(jù)試驗(yàn)?zāi)Ｐ驼{(diào)整正式應(yīng)用HoltWinter模型：水平系數(shù)、趨勢系數(shù)、季節(jié)系數(shù)法ARIMA模型：水平系數(shù)、趨勢系數(shù)、季節(jié)系數(shù)法灰度預(yù)測模型、間歇性模型、擴(kuò)散模型。。。銷售預(yù)測實(shí)施評價(jià)標(biāo)準(zhǔn)預(yù)測有效性評價(jià)預(yù)測偏差評價(jià)預(yù)測效率評價(jià)模型顯著性檢驗(yàn)?zāi)Ｐ蚑heill指數(shù)訓(xùn)練集預(yù)測準(zhǔn)確率Mape：平均絕對誤差率Mad：平均絕對誤差其他可引入評價(jià)指標(biāo)模型數(shù)據(jù)要求模型并行處理能力模型自動(dòng)化程度根據(jù)業(yè)務(wù)數(shù)據(jù)狀況，通過試驗(yàn)后選擇最適合模型組合，每一次預(yù)測運(yùn)行，系統(tǒng)自動(dòng)從三個(gè)角度為每一個(gè)SKU選擇最優(yōu)模型組合進(jìn)行匹配時(shí)間：2015年12月1日-2018年9月29日，共跨150周數(shù)據(jù)Sku：總SKU831個(gè)，其中滿足擁有53周數(shù)據(jù)量的sku672個(gè)，其中1個(gè)sku數(shù)據(jù)全部為0；預(yù)測訓(xùn)練集-驗(yàn)證集：本次預(yù)測選擇至少擁有53周數(shù)據(jù)的sku共671個(gè)，選擇從2015年12月第一周至2018年第19周作為預(yù)測訓(xùn)練集。選擇2018那年第20周至2018年第39周作為結(jié)果驗(yàn)證集。事件因子：未引入任何外部事件列表數(shù)據(jù)特點(diǎn)：大量sku數(shù)據(jù)不連續(xù)，統(tǒng)計(jì)期內(nèi)連續(xù)性零值數(shù)據(jù)大，不同月份數(shù)據(jù)區(qū)別明顯核心指標(biāo)-Mape：計(jì)算方式：{|(預(yù)測數(shù)據(jù)-實(shí)際數(shù)據(jù))/實(shí)際數(shù)據(jù)|*100%}/n預(yù)測期內(nèi)（2018第20周-2018第39周）全部為零的sku基本全部預(yù)測準(zhǔn)確預(yù)測準(zhǔn)確率超過70%的sku占全部總量61%，準(zhǔn)確率超過50%的sku占比65%，準(zhǔn)確率超過30%的sku占比70%。除開預(yù)測期內(nèi)全部為零的328個(gè)sku，預(yù)測準(zhǔn)確率超過70%的sku占全