品牌服装销售情况的分析与研究

1、辽 东 学 院 本 科 毕 业 论 文（设 计）品牌服装销售情况的分析与研究学 生 姓 名：学 院： 信息技术学院 专 业： 信息管理与信息系统 班 级：学 号：指 导 教 师：审 阅 教 师：完 成 日 期：2009-5-25辽 东 学 院Eastern LiaoningUniversity独创性说明作者重声明：本毕业论文（设计）是我个人在指导教师指导下进行的研究工作与取得研究成果。尽我所知，除了文中特别加以标注和致的地方外，毕业论文（设计）中不包含其他人已经发表或撰写的研究成果，也不包含为获得辽东学院或其他单位的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的贡献均已在论文中做了

2、明确的说明并表示了意。作者签名：_ 日期：_24 / 29摘 要关键词： TitleAbstractKey Words：目 录摘要IAbstractII一、引言1二、数据挖掘技术3（一）数据挖掘概述3（二）数据挖掘的应用3（三）数据挖掘的常用方法与技术4（四）数据挖掘的任务5三、基于数据挖掘的服装销售预测模型7（一）数据挖掘中的预测模型7（二）服装公司销售情况7（三）基于数据挖掘的销售预测模型的选择8（四）基于数据挖掘的销售预测模型的应用81模型具体操作92具体实际应用10四、改进建议19结论21附录A A款服装2006年2008年销售记录表23附录B 预测2009年销售量回归分析结果25参考

3、文献27致28辽东学院本科毕业论文（设计）使用授权书29一、引言作为衣食住行之首，服装行业是个永远的产业，人类对服饰的追求没有止境。中国是世界上最大的服装消费国，同时也是世界上最大的服装生产国，近年来，随着科学技术的发展，服装业也以前所未有的速度发展，以市的服装业发展为例，服装生产企业有500多家，2003年产值约48亿1，2004年已增长到97亿2，而市2007年服装产值近千亿3。随着服装行业发展，暴露出的产业问题越来越多：库存压力日益增大、自主设计风格欠缺、行业专业人才匮乏、产业链不健全、品牌含金量不足4、企业品牌竞争力低等，大部分企业的技术结构和生产方式落后，企业管理水平低下，许多服装企

4、业以加工型为主，忽视自身品牌的创建，有自主品牌的企业对品牌宣传投入不足，大型服装企业少。在全球金融危机影响下，库存压力已成为服装产业的首要问题。资料显示：服装行业的提前订货机制以与2008年宏观经济的骤变导致2008年服装产品积压严重，服装行业面临库存与资金回笼压力，增加的存货对2009年服装业经营将产生一定影响，我国2009年服装业的增长速度放缓5。服装受季节影响较大的产品，其销售量受到多种复杂因素的影响，如季节变化、流行趋势变化、气候变化、广告媒体效应、地区消费观念和突发事件（如非典）等6。为解决服装产业中库存积压问题，服装销售预测已成为研究热点1、79。服装销售预测是根据服装市场的销售信

5、息和营销计划，用科学的方法进行市场和销售分析，确定在未来某一时间段的销售量（额）10。准确的服装销售预测可以使服装公司科学合理的安排一些采购、生产、库存等一些列工作流程，对服装公司的良性营销活动起着非常重要的作用。本文对某品牌女装公司的原始销售数据和产品信息数据进行分析和研究，形成产品销售预测，为公司制定销售计划提供依据。某品牌服装公司是集设计、生产、销售为一体的品牌女装企业，拥有较强的研发团队、先进的生产设备与计算机辅助制版系统，有现代化管理软件进行生产全过程的有效控制与高速物流配送系统，年大约投产200300款女装，年产10万件左右，销售额5000万左右，利润2000万左右，员工超过三百人

6、。根据该公司的资料显示，该公司在近几年厂房建立完善后，生产能力可以持续增加。公司以特许加盟经营的销售形式建立了规模营销网络，以批发为主，全国有二十五家总代理商。公司分为企划部、设计部（开发新款服装）、技术部（打版和样衣）、生产部（生产车间）、销售部（和代理商沟通、售后服务和每天一份销售报表）、采购部、物流部、财会部和人事部。公司运行流程如图1.1所示。图1.1公司业务流程公司的销售数据来源于销售部，而销售部的销售数据来源于代销商以与公司直接负责的专卖店的销售反馈信息。公司生产的服装款式分为两种：一种是经典款式，一种是时尚款式。对于经典款式，虽然长期畅销，但服装款式与时尚密切相关，随着销售时间的

7、延续，销售数量有逐年递减的趋势；对于时尚款式，潮流性极强，销售波动大，销售季节较短。根据该公司工作人员的介绍，该品牌公司的销售部向公司高层的反馈信息只是最原始的销售数据的汇总，并没有形成预测信息，而公司高层也仅仅是根据汇总的销售数据，把销售量略微上调就作为次年的生产计算，对于每种设计系列产品缺乏销售预测，每年生产的系列产品都有供不应求和库存积压的现象出现，企业有销售预测的迫切需求。目前，销售预测主要应用的技术是数据挖掘技术，应用于服装行业的销售预测研究已初见成果79，本文根据公司的特点，运用数据挖掘技术进行了销售预测分析，以提供改进公司营销现状的策略依据。二、数据挖掘技术（一）数据挖掘概述“数

8、据挖掘（Data Mining，DM）”是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程11，它从海量数据中发现趋势和模式，是一个知识“发现”过程。1989年8月举行的第一届KDD国际学术会议第一次提出了数据库中的知识发现（Knowledge Discovery in Database，KDD）。数据挖掘是由数据采集、数据处理、数据规则知识表达和知识应用与服务等几个方面组成12。数据处理是对采集到的原始数据进行归档处理、更正校对、过滤清理和数据转换、合并，采集是基础，处理是关键。数据规则知识表达是对数据的分析与挖

9、掘，这个阶段主要是对处理后的数据进行分析、概括和挖掘，生成关联的规则，发现新的数据关系等13，数据规则知识表达是数据挖掘的形式，最终目的是进行知识应用和服务。企业数据量非常大，但是其中真正有价值的信息却很少，因此要从大量的数据中经过各种分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化，获得有利干商业运作、提高竞争力的信息。在实际应用中，通过使用数据挖掘技术，可以产生巨大的商业机会14。（二）数据挖掘的应用数据挖掘的目的是知识应用和服务，数据挖掘就是要在庞大的数据库中寻找有价值的潜在信息，并且对这些信息加以分析处理，得到有意义的信息来指导企业决策。数据挖掘在现今的信息社会有很广泛的

10、应用，在零售、金融、电信、医疗、科研等行业领域发挥了巨大的作用15。1在零售业中的应用。数据挖掘在零售业中的应用主要涉与客户细分和交叉销售等方面，利用数据挖掘技术可以识别客户购买行为，发现客户购买模式和趋势，进而预测销售量、预测顾客的购买行为。啤酒与尿布的销售案例，是数据挖掘在零售业中典型应用16。2在金融领域中的应用。在股票、税收、保险等金融领域，数据挖掘主要应用在信用评估和防止欺诈等方面。如，可以根据对偷税漏税者以与对各行各业的纳税人进行描述分析，找出普遍规律，为税务征稽提供决策依据17；利用保险业务和保险市场等有效数据来预测保险业的发展趋势，预测顾客保险的模式18。3在电子商务中的应用。

11、数据挖掘技术在基于Web模式的电子商务领域也得到广泛应用，运用知识发现技术把访问者、网上购买者的访问数据从潜在的、隐含的、事先不知的状态，经过提取、洗涤、加工变为价值信息，实现高效率的网络营销。数据挖掘技术在电子商务领域的基本应用是通过数据挖掘来分析客户，识别用户的行为模式，为客户提供个性化服务19。数据挖掘在各商业领域的应用中，预测，尤其是销售预测有着广阔的应用前景。服装销售预测要达到高准确度，需要有科学、有效的预测方法。（三）数据挖掘的常用方法与技术目前，数据挖掘理论框架已基本形成，常用的数据挖掘方法和技术分为6类20。1归纳学习方法。归纳学习方法分为信息论法和集合论法。信息论方法是利用信

12、息论的原理建立决策树，也称为决策树方法，它是一种简单的知识表示方法，将事例逐步分类成代表不同的类别。这种方法一般用于分类任务。集合论方法包括覆盖正例排斥反例的方法、概念树方法、粗糙集方法、关联规则挖掘法等。覆盖正例排斥反例的方法是利用覆盖所有正例、排斥所有反例的思想来寻找规则。概念树方法是对数据库中记录属性的归类合并，它可以浓缩数据库中的记录。粗糙集方法是一种研究不精确、不确定知识的数学工具，它把客观世界抽象为一个信息系统，通过下近似和上近似概念来描述不精确概念。关联规则挖掘法是在交易事务数据库中挖掘出不同项集的关联关系，即哪些商品频繁地被顾客同时购买。2统计分析方法。统计分析方法包括相关分析

13、、回归分析与因子分析等。一般先由用户提供假设，再由系统利用数据进行验证。目前，已有许多商品化的分析工具，包括SAS，SPSS和Stargraphis等。统计分析方法可以通过对大量数据分析形成行为预测，对生产管理、销售和企业决策有着重要的意义。3仿生物技术的神经网络方法。1943年，芝加哥大学首次提出了人工神经网络（ANN）的概念21。神经元网络方法可以模拟人脑，是一种向训练数据集学习并应用所学知识来生成分类和预测的模式，神经网络由许多基本单元构成，这些基本单元模仿人脑的神经元，将多个基本单元连接起来，就构成了神经网络。基本单元之间的连接相当于人脑中神经元的连接，连接方式有多种，从而形成了多种神

14、经网络结构22。4仿生物技术的遗传算法。遗传算法（GA：GeneticAlgorithms）也是基于生物学理论的，是从达尔文的自然选择和适者生存的进化论中获得其理论根源的。它基于一系列的自适应过程，模拟了生物界中适者生存的观念，通过重组体再生的方法来对网络的预测结果和期望状态之间的差异做出响应，它的最强大功能在于它将种群成员进行交配然后产生新的子代，这样的子代中就很可能继承了父代中较好的特征，甚至有可能结合了父代双方的最优特征21。5数值数据的公式发现。数值数据的公式发现是对数据库中若干数据项目进行一定的数学运算，推算出相应的数学公式的方法。目前有物理定律发现系统BACON、经验公式发现系统F

15、DD等。物理定律发现系统是运用人工智能技术从实验数据中寻找其规律性比较成功的一个系统。经验公式发现系统是从大量实验数据中发现的经验公式，逐步完成任意函数的任意组合（线性组合、初等运算组合、复合函数运算组合等）对自然规律和经验规律的发现。6可视化技术。可视化技术是一种图形显示技术，它创建二维或三维业务数据集的图表，使得用户更好地理解业务数据，从而提升知识和洞察力。可视化数据挖掘技术创建了可视化的数据挖掘模型，利用这些模型发现业务数据集中存在的模式，从而辅助决策支持并预测新的商机。（四）数据挖掘的任务数据挖掘的目标是预测和描述23。预测是指从一些变量或者海量数据库中的已知字段中预测感兴趣的有意义的

16、未知变量或字段。描述是指找到描述字段的可理解模式。根据发现知识的不同，我们可以将数据挖掘任务归纳为五类：提取特征、分类、关联性、聚类和预测24。1提取特征。从与学习任务相关的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。例如可以从某种疾病的症状中提取关于该疾病的特征规则。2分类。分类是用一个函数把各个数据项映射到某个预定义的类，或者说是开采出关于该类数据的描述或模型。数据分类方法有决策树分类方法、统计方法、粗集方法等。3关联性。关联性用来发现一组项目之间的关联关系和相关关系，它们经常被表达为规则形式。一条形如XY 的关联规则可以解释为：满足X 的数据库元组也很可能会

17、满足Y。关联性分析广泛应用于交易数据分析，通过分析结果来指导销售、目录设计与其他市场决策的制定21。4聚类。聚类是两种常见的描述工作之一，搜索并识别一个有限的种类集合或簇集合，从而描述数据。简单地说，就是识别出一组聚类规则，将数据分成若干类。这些种类可能相互排斥而且是穷举的（无遗漏的），或者包含了更丰富的表达形式25。5预测。预测是利用历史数据找出变化规律，建立模型，并用此模型来预测未来数据的种类、特征等。在预测中，历史数据可以用来建立模型，以检查几年来观测值的变化。若运用最新数据作为输入值，可以获得未来变化的预测值。典型的方法是回归分析，即利用大量的历史数据，以时间为变量，建立线性或非线性回

18、归方程。预测时，只要输入任意的时间值，通过回归方程就可求出该时间的预测值20。三、基于数据挖掘的服装销售预测模型服装产品分为基本款和时尚款。基本款有相对稳定的需求和较长的生命周期，通常应用基于销售历史数据的常规方法就可以进行有效的定量预测；对时尚产品，由于它们的销售情况存在高度不确定性，再加上产品生命周期相对较短，零售商很难准确地把握订货量和库存量，这导致了其在销售过程中常出现缺货，而在季末又可能导致库存积压，因此，更需要利用数据挖掘技术进行服装销售预测，以便服装生产商和销售商能制定良好的生产、销售方案。（一）数据挖掘中的预测模型预测方法主要有定性判断技术、统计时间序列模型、因果模型26。定性

19、判断技术依赖于经验和直觉，主要适用于历史数据不可得或需长期预测的情况。判断技术适用围很广，从单一管理者的观点或高级主管评判委会的观点到更复杂的历史类推和Delphi法。统计时间序列模型适用于短期预测。许多预测是建立在对很多历史时间序列数据分析上的，并假设未来可以由过去外推而得来。时间序列也展示了短期季节影响（一年、一个月、一周甚至一日）和长期周期性影响或非线性趋势。一系列在对时间序列的统计学角度上的预测方法运用很普遍，如移动平均模型、指数平滑和回归分析。移动平均、指数平滑模型对于稳定时间序列最有效。对于涉与趋势和季节性因素的时间序列，双移动平均和指数平滑模型，季节性加法和季节性乘法，Holt-

20、Winter加法模型和Holt-Winter乘法模型比较适用。因果模型是从统计学上寻找和识别因素解释等待预测的变量所存在的模式，它假定数据遵从于过去某种不变的模式，在预测的信息和其他因素之间存在着稳定的关系。从简单的回归分析（它是预测所基于的根本技术），到计量经济模型（它使用一系列方程组），这些都属于因果模型。时间序列模型只用时间作为独立变量，而因果模型通常还包括其他因素。近年来学业界提出很多种新的服装销售模型，例如：基于马尔可夫链的服装销售预测模型27、基于CURE算法和C4_5决策树的服装销售预测模型9和基于时间序列和PERT的服装销售预测方法28。（二）服装公司销售情况本文研究的品牌服装

21、公司，其销售主要情况如下：2006年，公司销售总额4035万元，总销售量86505件，总利润1780万元；2007年，公司销售总额4680万元，总销售量95000件，总利润2060万元；2008年，公司销售总额5500万元，总销售量106200件，总利润2580万元。A款2006年生产14000件，销售10765件，第二天打折销售2357件，最终库存878件，利润损失365352元；2007年生产13800件，销售11840件，第二年打折销售1595件，最终库存365件，利润损失271860元；2008年生产14500件，销售12959件。可见，以A款服装为例，该品牌服装公司的年总利润很高，但

22、是因为销售预测并没有达到高准确度，所以生产量远远高于销售量，以致于在第二年打折销售后还有一定库存积压，导致成本增高，利润降低。（三）基于数据挖掘的销售预测模型的选择本文根据该品牌服装公司销售情况，选择因果模型中的回归预测来对销售数据进行分析。回归预测是一种比较传统的预测方法，是根据历史记录分析得出的总体趋势，并将这种趋势用某种数学方程式表示，利用这个方程式，就可以输入未来的一个或多个变量计算出预测结果，它是用于构建统计模型的一种工具，刻画因变量和一个或一个以上自变量的相互关系，要求所有的变量是数值型的。在商业决策中有两种广泛应用的回归模型：横截面数据的回归模型和时间序列数据的回归模型22。横截

23、面数据是随机抽取的平行关系或者并列关系的数据，如某个时间抽取三十一个省的某项数据（每个省都要抽取）。时间序列数据的回归模型是指自变量是时间或时间的函数，主要用于预测：时间序列是一系列历史数据，如月销量。时间序列模型假设现在影响销售的一切因素都将一直持续下去，因此，预测只是将现有的数据推断将来。基于一个自变量的回归模型称为简单回归。有两个或两个以上的自变量的回归模型称为多元回归。服装销售是有季节性的，并且是在以年为基础的情况下，因此本文借用回归模型可用于季节性的时间序列，用定序变量作为季节性部分，建立一个多元线性模型。基于时间序列的多元线性回归模型能根据销售历史数据，对未来的服装销售走势作有效的

24、客观分析，避免销售预测中对历史数据的主观判断。（四）基于数据挖掘的销售预测模型的应用近2年各月份的销售数据建立回归模型建立回归分析矩阵用回归分析工具进行分析建立回归方程计算预测销售量图3.1 预测模型1模型具体操作（1）收集近两年（2）的销售数据对抽出的销售数据进行整合，得到需要的两年（2）每个月的销售量。（2）建立回归模型用定序变量作为季节性部分，对于月份性的数据而言，有12个季节性组成部分，则定义12个定序变量，其他月份的变量令其观测值为0，与实际相符的那个月的值令其为1。但是如果将12个月的季节性变化量都纳入回归模型中，将会遇到一个变量独立性的问题，因为时间序列可以被解释称是其余独立变量

25、的加权和，这就违反了回归模型的一个重要理论假设每个自变量的残差应该是相互独立的。因为随着时间的增大或呈现出循环的模式表示连续的观察是相关的，也就是自相关，而它是背离这个假设的26。因此只用前11个定序变量。模型为：（3.1）（3）建立回归分析矩阵根据回归模型建立回归分析矩阵：其他月份的变量令其观测值为0，与实际相符的那个月的值令其为1。（4）对回归分析矩阵进行分析，判定拟合效果利用多元线性回归工具对回归分析矩阵进行分析，得到回归统计表、方差分析表以与回归参数表。根据回归统计表中的判定系数R2（coefficient of determination）来判断拟合的效果，R2的值在01之间，1.0

26、意味着完美的拟合，而0意味着没有关系的存在26。（5）建立回归方程根据回归矩阵分析结果中的回归参数表，赋予，的值，得出回归方程。（6）计算预测销售量根据回归模型计算出下一个周期（既年度中每个月份）的预测销售量。对于第一年的12月的预测为，其他的11个月的每月变量系数显示出的是对于12月份的数值。例如，1月份预测（时间序列为1）是；下一个1月份（时间序列是13）的预测是。2具体实际应用本文以公司的主要产品毛呢大衣为研究对象。公司的毛呢大衣分为经典款式和时尚款式。时尚款式于每年的九月份上市，直至次年的一月份。如果有库存，会在二月份开始打折销售。经典款式全年都在销售，只是从每年的九月份和时尚款式一起

27、正式上市，而次年的一月份到八月份都是以一定的折扣出售。本文选择经典款式作为分析对象。该公司的经典款式不是一成不变的款，公司会在不固定的时间对原款注入新的流行元素，包括颜色、细节等容的调整，不改变整体的效果，成本浮动很小。本文选择的经典款式A款作为研究对象，该款式选用优质羊驼面料，简洁款式，亚克力装饰腰带，进口狐狸毛领，主要成分百分之八十的羊毛和百分之二十的羊驼。A款女装从2006年开始销售。（1）从服装销售数据库中抽取出A款从2006年到2007年的月份销售数据。因为服装销售数据库中的服装销售数据就是以月和年为单位的数据表，所以不需整合，可以直接使用。如表3.1所示。表3.1 A款服装2006

28、年、2007年销售数据表年份月份销售量（件）价格（元）成本（元）批发折扣率实际价格利润2006186985016035%298138285685016035%298138353085016035%298138448685016035%298138559085016035%298138656785016035%298138760985016035%298138880585016035%2981389118989017540%35618110150889017540%35618111186689017540%3561811289089017540%3561812007188789017535%31

29、2137286989017535%312137360189017535%312137451589017535%312137553289017535%312137659889017535%312137766389017535%312137889089017535%31213791201118018040%472292102098118018040%472292112230118018040%472292121034118018040%472292（2）建立回归模型。模型为：（3.1）（3）根据回归模型建立回归分析矩阵，如表3.2所示。表3.2 回归分析矩阵月份销售量TimeJanFebMarAp

30、rMayJunJulAugSepOctNovJan869110000000000Feb856201000000000Mar530300100000000Apr486400010000000May590500001000000Jun567600000100000Jul609700000010000Aug805800000001000Sep1189900000000100Oct15081000000000010Nov18661100000000001Dec8901200000000000Jan8871310000000000Feb8691401000000000Mar601150010000000

31、0Apr5151600010000000May5321700001000000Jun5981800000100000Jul6631900000010000Aug8902000000001000Sep12012100000000100Oct20982200000000010Nov22302300000000001Dec10342400000000000（4）利用多元线性回归工具对回归分析矩阵进行分析，分析结果如表3.3表3.6所示。根据回归矩阵分析结果中的回归统计表（表3.3）所示，此模型的R2 = 0.968（四舍五入，保留三位小数），效果很好。表3.3 回归矩阵分析结果回归统计表回归统计Mu

32、ltiple R0.983831704R Square0.967924821Adjusted R Square0.932933717标准误差129.6439617观测值24表3.4 回归矩阵分析结果方差分析表dfSSMSFSignificance F回归分析125579172.833464931.069427.662025751.82553E-06残差11184883.12516807.55682总计235764055.958表3.5 回归矩阵分析结果回归参数表（1）Coefficients标准误差t StatP-valueIntercept792.875121.27082186.538052

33、5044.20338E-05Time9.3958333334.4105771462.1302956560.056550539Jan19.35416667138.42468310.1398173090.891331539Feb-5.541666667136.9411403-0.0404675080.968445568Mar-311.9375135.5849006-2.3006802280.041981655Apr-386.3333333134.3598192-2.8753635980.015095977May-335.2291667133.2695133-2.5154227580.0287082

34、83Jun-323.125132.3173144-2.4420462390.03270385Jul-279.0208333131.5062226-2.1217310310.057397399Aug-76.91666667130.8388622-0.5878732460.568489673Sep261.1875130.31744142.0042405470.070291281Oct859.7916667129.9437176.6166467043.77766E-05Nov1095.395833129.71896558.4443768823.89271E-06表3.6 回归矩阵分析结果回归参数表（

35、2）观测值预测 销售量残差1821.62547.3752806.12549.8753509.12520.8754444.12541.8755504.62585.3756526.12540.8757579.62529.3758791.12513.87591138.62550.375101746.625-238.625111991.625-125.62512905.625-15.62513934.375-47.37514918.875-49.87515621.875-20.87516556.875-41.87517617.375-85.37518638.875-40.87519692.375-29

36、.37520903.875-13.875211251.375-50.375221859.375238.625232104.375125.625241018.37515.625（5）根据回归分析矩阵分析结果中的回归参数表，赋予，的值，得出的回归模型为：（四舍五入，保留三位小数）（6）根据回归模型计算出2008年12个月份的销售量预测值（四舍五入，取整数）。表3.7既2008年预测销售量以与从服装销售数据库里抽取出的实际销售量的对比。图3.2是预测销售量与实际销售量的对比曲线。表3.7 2008年预测销售量与实际销售量对比月份预测销售量（件）Time实际销售量（件）Jan104625905Feb1

37、03026690Mar73327623Apr66828602May72829599Jun76030675Jul80331712Aug101532750Sep1362331360Oct1470341987Nov2215352165Dec1129361232图3.2 预测销售量与实际销售量的对比根据预测结果做出2006年到2008年中的各个月份的预测销售量和实际销售量的对比表格以与曲线，如表3.8与图3.3所示。表3.82006年到2008年各月预测销售量与实际销售量年份月份时间预测销售量销售量2006118228692280685633509530444444865550559066526567

38、775806098879180599113911891010174715081111199218661212906890200711393488721491986931562260141655751551761753261863959871969266382090489092112511201102218592098112321042230122410181034200812510469052261030690327733623428668602529728599630760675731803712832101575093313621360103414701987113522152165123

39、611291232图3.32006年到2008年各月预测销售量于实际销售量曲线图根据表3.8与图3.3可知：（1）根据模拟曲线可以看出：预测销售值与实际销售值非常接近，说明了本文提出的模型对该品牌服装公司的销售进行的模拟预测很有效，该模型在该品牌服装公司的销售预测中具有一定的可行性。（2）由模拟曲线和对比表可以看出：在2006年2008年间，每年的9月、10月、11月、12月份的销售量明显高于其他月份，并且在每年的11月份达到一个高峰，则服装销售具有季节性的特点；随着时间的推移，A款服装因为不断注入新的元素，所以销售量以年为周期呈上升趋势，则服装销售也具有趋势性和周期性的特点；销售预测还有不准

40、确的地方，08年的1月9月份，实际销售量略低于预测销售量，而10月份与11月份的实际销售量却略高于预测销售量，原因在于回归预测是基于时间序列基础上的，而时间预测是纯理性的数值预测，不能对市场环境等服装销售的影响因素的突变作出与时有效地反应，所以服装销售还具有随机性的特点。四、改进建议根据2008年实际销售量，可以看出8月9月份的销售增长率明显高于其他相邻月份的销售增长率。如图4.1所示。图4.1 2008年相邻月份实际销售量增长率根据服装销售的特点以与价格优势（8月份毛呢类服装打折），假设提前A款服装正式上市时间，可以增加利润。根据图4.2，如使销售增长率平滑增长，既8月9月份增长率处于7月8

41、月份的增长率以与9月10月份的增长率之间，取中间值，8月9月份增长率为，则可根据9月份销售量算出提前上市后的8月份销售量为件，8月份新款未正式上市时平均每天的销售量为件，新款上市后的销售量可以约等于9月份每天的平均销售量件（如果新款在8月份上市价格比9月份低，但是根据表3.1，新款上市的价格定位会高于以前款式的价格定位，所以A款服装8月份上市的价格会高于正常8月份A款服装的价格；而销售量是受价格影响的，则可以认为8月份新款上市的平均每天销售量约等于9月份平均每天的销售量），由此可计算出提前上市时间为天，而此时8月份利润为元，比8月份的实际利润高出元，即可在09年把毛呢大衣的正式上市时间提前16

42、天，到8月中旬上市。结 论本文对某品牌服装公司的销售情况进行分析研究，该品牌服装公司目前销售部向公司高层反馈的销售信息只是最原始的销售数据，本文根据服装销售的特点，利用数据挖掘技术，建立因果模型，对销售数据进行回归分析，形成销售预测。分析结果显示出：本文提出的回归模型对该品牌服装公司的销售进行了有效的模拟，则该模型在该公司的服装销售预测上有一定的可行性。根据2006年2008年各月的实际销售量和预测销售量的对比表和模拟曲线，显示出服装销售有季节性、周期性、趋势性和随机性的特点。根据2007年2008年的销售数据，可以预测出2009年中各月份A款服装的销售量，如表5.1与图5.1，则可以分析出A

43、款服装2009年的销售情况：从1月份开始，销售量不断下降，并且在4月份达到一个低峰；在9月、10月、11月、12月份的销售量会明显高于其它月份，并且在11月份会达到一个高峰；3月7月份销售量波动较小，但是8月份销售量会明显增高，则本文根据对2008年实际销售记录的分析，建议该品牌服装公司在2009年提前毛呢大衣正式上市的时间到8月中旬。根据图5.1与图3.3对比，可以发现，2009年预测销售量略为低于08年的预测销售量以与实际销售量，则影响服装销售的因素还包括很多不可控因素，例如金融危机等。表5.1 2009年预测销售量月份预测销售量Jan873Feb757Mar589Apr536May543

44、Jun614Jul665Aug797Sep1258Oct2020Nov2175Dec1110图5.1 2009年预测销售量曲线图附录A A款服装2006年2008年销售记录表年份月份销售量价格成本批发折扣率实际价格利润总利润2006186985016035%298138119922285685016035%298138118128353085016035%29813873140448685016035%29813867068559085016035%29813881420656785016035%29813878246760985016035%29813884042880585016035%2

45、981381110909118989017540%35618121520910150889017540%35618127294811186689017540%3561813377461289089017540%3561811610902007188789017535%312137121519286989017535%312137119053360189017535%31213782337451589017535%31213770555553289017535%31213772884659889017535%31213781926766389017535%31213790831889089017

46、535%31213712193091201118018040%472292350692102098118018040%472292612616112230118018040%472292651160121034118018040%472292301928续表年份月份销售量价格成本批发折扣率实际价格利润总利润20081905118018035%4132332108652690118018035%4132331607703623118018035%4132331451594602118018035%4132331402665599118018035%413233139567667511801803

47、5%4132331572757712118018035%4132331658968750118018035%41323317475091360138019540%552357485520101987138019540%552357709359112165138019540%552357772905121232138019540%552357439824附录B 预测2009年销售量回归分析结果回归统计Multiple R0.99460086R Square0.989230872Adjusted R Square0.977482732标准误差82.87659684观测值24dfSSMSFSigni

48、ficance F回归分析126940226578352.166784.203190664.94594E-09残差1175553.833336868.530303总计237015779.833Coefficients标准误差t StatP-valueLower 95%Upper 95%Intercept1155.7577.5239576914.90829461.21563E-08985.12091971326.37908Time-1.263888892.819519081-0.4482639960.662663623-7.4696085424.941830764Jan-250.90277888.48978773-2.8353868190.01621514-445.6674873-56.13806828Feb-366.13888987.54141356-4.1824648930.001530174-558.8162409-173.4615369Mar-532.37586.67441963-6.1422389937.28704E-05-723.1441113-341.6058887Apr-584.61111185.89127037-6.8064089472.92872E-05-