服装销售数据的时间序列分析

服装销售数据的时间序列分析目录第十章服装销售数据的时间序列分析第一节服装销售周期与波动分析一、时间序列涵义二、服装销售数据趋势变化观察三、服装销售数据季节性、循环性波动观察四、时间序列图观察第二节时间序列预测-指数平滑法一、时间序列预测的特点二、指数平滑法的含义三、指数平滑法的模型四、 SPSS的实现过程第三节时间序列预测-直线趋势法一、时间序列直线趋势的含义二、直线趋势预测模型三、 SPSS的实现过程第四节时间序列预测-季节分解法一、销售数据四种波动形式的分解二、季节分解的思想三、季节分解过程四、季节分解的SPSS实现过程五、销售数据的预测1第第十十章章服装销售数据的时间序列分析服装销售数据的时间序列分析的目的是揭示服装销售数据在时间轴上的趋势变化与波动变化规律，为企业制定产品上市计划、进行产品销售预测、制定市场服务策略等提供分析模型或决策依据。

第第一一节节服装销售周期与波动分析服装市场是典型的季节性销售市场，各种款式的服装都有其特定的销售周期，分析各类产品的销售周期，有利于企业制定正确的产品上市计划。

此外服装零售作为服务性行业，其零售过程也具有周期性波动的特点，通过对销售波动规律的分析，有利于零售企业制定日程工作计划，提高服务质量。

一、时间序列涵义销售数据的周期与波动分析实际上是将销售数据按照时间先后顺序，构造一个销售数据的时间序列，分析销售数据在时间轴上的变化规律。

1、服装销售数据时间序列服装销售数据时间序列指将服装销售的每一笔业务按照时间顺序，以流水方式记录下来所形成的数据系列。

时间序列经过数据整理之后可形成以下三种时间序列:1)截面数据，如某一天的全部数据，表示一个基本时间单元上的数据，可反映基本时间单元上的销售变化规律。

2)时段数据，如一个月每天的销售数据，表示一段时期的数据，通常可以反映数据在特定时段上的变化趋势。

3)平行数据，如各个年度年指定月份的销售额，表示不同年份同一月份的销售额，是一组月份同比数据，可以过滤非趋势因素的影响，可比性较强。

2、销售数据时间序列构成时间序列反映了销售数据随时间推移而呈现的变动，影响这种变动的因素很多，但只有哪些典型的、持续的影响因素对数据的变化会产生决定性的影响，并决定数据的变化规律。

通常将这些因素引起的数据变化分为以下四种形式:1)长期趋势T，指数据呈现的增长、平稳、下降的趋势。

销售数据的长期趋势是销售数据时间序列的主要构成项目，长期趋势是由企业市场竞争素质决定的。

长期趋势按照销售数据与时间的函数关系可分为直线趋势和曲线趋势两种。

2)季节变动S，指数据在一定时期(通常是一年)具有周期性的、重复性的波动。

三是循环波动C，指数据围绕长期趋势出现的周期性的波动。

3)不规则波动I，指由突发因素或随机事件引起的波动，不具有规律性或可预见性。

以上四种形式的变化是销售数据时间序列变动的一般形式，在进行销售数据的预测时，一般要先将原时间序列的四种变动分解出来，趋势变动可用回归模型进行定量预测，通过预测模型得到的预测值时间序列只有趋势变动，而季节波动、循环波动、不规则波动则是通过计算季节系数、循环波动系数及不规则波动系数，对趋势预测值进行修正还原，成为包含四种变化的预测值，这一值与实际值比较，其总方差或均方差的大小可反应预测值的准确程度。

3、销售数据时间序列的波动模型应用时间序列分析法对销售数据的变化规律进行销售预测时，有以下两种基本的模型:1)加法模型加法模型是将时间序列的观测值分解为趋势值、季节变动、循环波动、不规则波动四个项目，四个项目之和就等于观测值。

用公式表示为:2Y=T+S+C+I显然，这一模型假定四个波动项目是独立的，且具有与观察值相同的量纲。

2)乘法模型乘法模型是将时间序列的观测值分解为趋势值、季节变动、循环波动、不规则波动四个项目，四个项目之积就等于观测值。

用公式表示为:Y=T*S*C*I在这一模型中，假定四个波动项目是独立的，趋势值T与观察值且具有相同的量纲，其余三个项目则是从观察值中分离出来的百分比系数，其中S称为季节系数或指数，C称为循环波动系数，I称为不规则变动系数。

二、服装销售数据趋势变化观察销售数据的趋势变化分析旨在了解销售市场的景气与企业发展战略是否配合。

趋势变化通常有三种基本的表现形式:上升趋势、平稳趋势和下降趋势。

在进行销售数据的趋势分析时，首先要确定销售数据分析的最小周期，由于趋势分析的目的是了解销售数据中长期趋势变化规律，因此销售数据趋势分析的周期一般选择为一个月、一个季度或一个年度。

对销售趋势变化的观察一般采用图形观察比较直观，绘制销售数据趋势变化图，有以下两种方法:1、时距扩大法该方法是:在制图时，将销售额的汇总时段加大，从而消除短期波动，有利于观察长期的趋势。

在SPSS中，具体的做法是改变时间分类轴的周期。

例:打开练习库中的数据文件\practice\汇总销售数据库.sav，利用绘图graphs中的线图line功能，分别绘制年销售线与月销售线，操作过程如下:1)打开“汇总销售数据库.sav”，按年度及月份排序。

2)点击“graphs ? line”，显示line charts对话框，选择单线图(simple line)，点击【define】，在线图纵轴指标(line represents)选项中选择计算综述值(othersummary function)，在综述变量(variable)中输入变量“sale”，指定统计参数为汇总(sum)，在分类轴横轴(category axis)中输入分类变量: year，其他均采用系统默认值。

确认【ok】，生成年线图，输出结果如图10-1(a)所示。

3)重复第2步，选择单线图(simple line)及个案值线图(values of individual cases)，在分类轴横轴(category axis)中输入分类变量“order”，其他同上。

4)确认【ok】，生成月线图，输出结果如图10-1(b)所示。

图10-1(a) 销售年线图图10-1(b) 销售月线图3从图中可以看出，年线图的长期上升趋势明显，而月线图的波动趋势比上升趋势更明显。

2、移动平均法1)移动平均法的含义移动平均法MA(Moving average)是指对时间序列观察值，由远向近按一定的跨越期(Span)计算平均值的一种预测方法，简记为MA(n)。

移动平均法具有以下几个特点:首先，通过移动平均，能消除随机因素引起的不规则变动，能敏感反映市场现象的周期性波动规律。

其次，通过移动平均，可减少观察值的历史数据贮存量，即理论上只需要跨越期个数的数据，但要保留两个时间序列数据:观察值时间序列及其移动平均值序列。

其三，在选择跨越期的大小时，要考虑时间序列的波动规律，如果时间序列波动有规律，跨越期取得小一些或采用其波动周期。

在观察长期趋势时，如果时间序列无规则变动，跨越期取得大一些。

2)移动平均法的类型移动平均法按照计算平均值的方法不同，可分为一次移动平均法、二次移动平均法、加权移动平均法。

按照移动平均值与原时间序列在时间位置上的对应关系不同，移动平均法可分为前移动平均(Prior moving average)和中心移动平均(Centered moving average)。

前者是指计算当前值以前若干期的平均值，后者是指以当前值为中心，计算前后若干期的平均值。

3)前移动平均法模型Mt+1=(Yt+ Yt-1+…+ Yt-n+1)/n 或 Mt+1= Mt+(Yt-Yt-n)/n其中:n=t-(t-n+1)+1,为跨越期数或选择用于计算移动平均值的观察值个数。

该模型有以下几个方面的特点:一是每个新的移动平均值是对前一个移动平均值的调整。

二是当n越大时，移动平均值序列表现得越平滑，调整量也越小。

三是只能预测下一期，预测值滞后。

四是该模型一般适用于基本水平型变动，又有些波动的时间序列，不适合明显趋势变化的时间序列。

通常平均移动法是进行时间序列数据整理的基本方法，其目的是消除不规则变动或季节性波动，很少被单独用来预测趋势值。

4)SPSS的实现过程移动平均法实际上是在分析数据库中按照移动计算规则，建立一个新的时间序列，该功能在SPSS的Transform中的子菜单Create Time Series的计算移动平均值功能Prior Moving average中实现。

例:打开练习库中的数据文件\practice\汇总销售数据库.sav，利用Transform 中的子菜单Create Time Series，生成3个月或12个月的移动平均序列，分别计为s3、s12，并利用绘图(graphs)中的线图(line)功能，绘制原销售数据时间序列、二个移动平均时间序列的多线图，操作过程如下:5)打开“汇总销售数据库.sav”，按年度及月份排序。

6)点击“Transform ? Create Time Series ? Prior Moving average”，选择需要计算移动平均值的变量“sale”、生成新变量的名称“s12”、移动期Span:12。

7)确认【ok】，生成新的变量“s12”。

8)重复第2步，选择需要计算移动平均值的变量“sale”、生成新变量的名称“s3”、移动期Span:3。

9)确认【ok】，生成新的变量“s3”。

410)点击“graphs ? line”，显示line charts对话框，选择多线图(multiple line)，数据来源(data in chart are)选项中，选择平行变量综述(summaries for separate variables)，点击【define】 ? 在线图纵轴指标(line represents)选项中选择计算综述值(other summary function)，在综述变量(variable)中输入变量“sale、s12、s3”(分别代表原始数据、12期移动、3期移动数据)，指定统计参数为汇总(sum)，在分类轴横轴(category axis)中输入分类变量“order”，其他均采用系统默认值.11)确认【ok】，生成多线图，输出结果如图10-2所示。

从图中可以看出，移动周期为12时，上升趋势更加明显，移动周期为3时，循环波动明显。

因此，为了消除不规则变动或季节性变动因素，移动期数通常选择为12个月。

如果想观察季节波动，移动周期以3个周期为好。

图10-2 12个月和3个月的移动平均前后销售数据的对比图三、服装销售数据季节性、循环性波动观察季节波动是服装产品季节性消费的典型特征，服装销售的循环波动主要研究短周期的，一般以星期为单位波动，不规则波动通常是由营销环境出现突发事件引起的波动。

销售数据的波动规律通过波动图能很直观地反映出来，通过分析波动图，能够了解服装销售的一些波动规律，为企业进行销售预测、制定短期销售计划、店铺销售管理等提供依据。