【战略规划和预测算法探究6000字（论文）】

战略规划和预测算法研究目录TOC\o"1-2"\h\u23815战略规划和预测算法研究 11382引言 127217一、传统战略分析工具及其特点 22028（一）SWOT分析法 222200（二）内部因素评价法 23436（三）外部要素评价法 329242（四）竞争态势评价法 34734（五）波士顿矩阵法 318777二、预测算法的分类及其特点 44799（一）随机森林 43547（二）广义线性模型（GLM） 429457（三）梯度提升模型（GBM） 527263（四）K-means 520214（五）Prophet算法 516762三、预测算法相对传统战略分析工具的优势及与之兼容对策 618853（一）预测算法相对传统战略分析工具的优势 65045（二）预测算法与传统战略分析工具兼容的对策 618622四、结论 732550参考文献 8摘要：战略规划在企业发展中至关重要，关系到企业发展方向的正确性与否，但其作用的发挥建立在精准的市场与数据分析基础上。相对传统的战略分析工具，预测算法的精度更高，可以帮助企业进行长远的趋势预测，为企业的发展提供指导方向。但并不是说传统的战略分析工具一无是处，二者可谓是各有千秋，需要在合适的场合灵活使用，促进二者优势的互补。关键词：战略规划；市场分析；传统战略分析工具；预测算法引言企业发展战略规划简单来说就是企业基于外部环境及自身状况制定、实施策略，其并不是一成不变的，需基于实施过程及结果评价和反馈进行策略调整，这样才能为企业的发展提供战略导向，帮助企业获得更多的经济效益，促进企业的可持续发展[1]。战略规划在企业的发展中至关重要，但这种作用的体现，需要建立在精准有效的基础上。在制定企业战略规划的过程中，企业为了获得这种精准的结果，需要借助一定的市场分析工具，这些工具可以是定量的，也可以是定性，还可以是两种的结合，从而帮助企业更好地分析市场，明确自身的定位，在竞争日趋激烈的情况下谋求更好的而发展[2]。但是现阶段传统的战略规划工具早已不能满足后疫情时代下企业战略规划制定的需求，不利于企业制定更加准确的战略，其在市场分析方面存在明显的劣势，但预测算法却可可以很好地规避这些劣势，辅助企业实现更加准确的查略规划制定。因此，本文主要分析预测算法相对传统战略规划工具的优势、劣势和改善对策，希望可以帮助更多的企业更好地利用这一工具。一、传统战略分析工具及其特点战略分析工具是企业战略咨询及管理咨询实务中经常使用的一些分析方法。传统常用的战略分析工具及其特点如下：（一）SWOT分析法SWOT是一种分析方法，用来确定企业本身的竞争优势（strength），劣势（weakness），机会（opportunity）和威胁（threat），从而将公司的战略与公司内部资源、外部环境有机结合[3]。将与研究对象密切相关的各种主要内部优势、劣势和外部的机会和威胁等，通过调查列举出来，并依照矩阵形式排列，然后用系统分析的思想，把各种因素相互匹配起来加以分析，从中得出一系列相应的结论，而结论通常带有一定的决策性。运用这种方法，可以对研究对象所处的情景进行全面、系统、准确的研究，从而根据研究结果制定相应的发展战略、计划以及对策等。（二）内部因素评价法内部因素评价法又称为内部因素评价矩阵（IFE矩阵）是一种对内部因素进行分析的工具。其做法是从优势和劣势两个方面找出影响企业未来发展的关键因素，根据各个因素影响程度的大小确定权数，再按企业对各关键因素的有效反应程度对各关键因素进行评分，最后算出企业的总加权分数[4]。IFE矩阵应包含10~20个关键因素，因素数不影响总加权分数的范围，因为权重总和永远等于1。这一方法可以帮助营销主体制定合理可行的产品营销策略，计算步骤与较为简单，计算结果有一定的科学性，但只能对企业内部优势和劣势进行评价，无法分析企业外部面临的情况，导致分析结果受限，可能存在脱离市场实际的问题。（三）外部要素评价法外部要素评价法又称为外部因素评价矩阵（EFE矩阵）是一种对外部环境进行分析的工具，其做法是从机会和威胁两个方面找出影响企业未来发展的关键因素，根据各个因素影响程度的大小确定权数，再按企业对各关键因素的有效反应程度对各关键因素进行评分，后算出企业的总加权分数。这一方法比较规范，容易操作，是其他综合评价法的基础，应用范围较为广泛[6]。但评价等级标准描述过于抽象和模糊，会让评价者产生歧义，不同的评价者会得出不同的评价结果。虽然公司普通员工会加入到评价队伍中来，但碍于上级的情面，会出现不打低分的问题，最后使得评价结果偏高。总之，这一评价方法过于主观，不够准确可靠。（四）竞争态势评价法竞争态势评价法又称作竞争态势矩阵（CPM矩阵）用于确认企业的主要竞争对手及相对于该企业的战略地位，以及主要竞争对手的特定优势与弱点。CPM矩阵与IFE矩阵的权重和总加权分数的涵义相同。编制矩阵的方法也一样。但CPM矩阵中的因素包括外部和内部两个方面的问题，评分则表示优势和弱点。CPM中的关键因素更为笼统，不包括具体的或实际的数据，而且可能集中于内部问题[6]。CPM中的因素不像IFE中的那样划分为优势与劣势两类，在CPM中,竞争公司的评分和总加权分数可以与被分析公司的相应指标相比较，这一比较分析可提供重要的内部战略信息。这一方法适用于定性方面的战略分析，单操作较为繁琐，而且一旦涉及到的关键竞争因素众多，如果不进行简化，会导致操作不方便的问题发生。（五）波士顿矩阵法波士顿矩阵又称市场增长率相对市场份额矩阵、波士顿咨询集团法、四象限分析法、产品系列结构管理法（BCG）等[7]。波士顿矩阵认为一般决定产品结构的基本因素有两个：即市场引力与企业实力。市场引力包括整个市场的销售量（额）增长率、竞争对手强弱及利润高低等。企业实力包括市场占有率，技术、设备、资金利用能力等。通过以上两个因素相互作用，会出现四种不同性质的产品类型，分别为明星类产品、瘦狗类产品、问题类产品、金牛类产品。该方法被广泛应用于产业环境和企业内部条件的综合分析、多样化的组合分析、大企业发挥在那的理论依据分析等方面，可以使企业能够有选择地和集中地运用优先的资金，帮助企业推断竞争对手对相关业务的总体安排[8]。但要确定各业务的市场增长率和相对市场占有率较为困难，而且矩阵过于简单，并且结果是在“企业的市场份额和投资回报成正比”这一假设上建立的，仅考虑了资金这一条件，忽略了技术、时间和人员创造力等，应用范围受到了限制。二、预测算法的分类及其特点预测分析算法可以分为两类：机器学习和深度学习。机器学习涉及我们在表中看到的结构化数据。用于此的算法包括线性和非线性变量[9]。线性算法训练更快，而非线性算法则针对它们可能面临的问题（通常是非线性的）进行了更好的优化。深度学习是机器学习的一个子集，通常在处理音频，视频，文本和图像方面更受欢迎[10]。相对线性算法来说，机器学习的预测算法更加常用，这些算法主要分为如下几种类型：（一）随机森林随机森林可能是最流行的分类算法之一了，能够同时进行分类和回归。能够对大量数据进行准确分类。“RandomForest”（随机森林）源于该算法是决策树的组合。每棵树都取决于独立采样的随机向量的值，该随机向量对“森林”中的所有树具有相同的分布。预测分析算法尝试通过使用“boosting”（一种根据最后的分类来调整观测值权重的技术）或“套袋”（从训练样本中创建数据的子集，并通过替换随机选择）来实现尽可能低的误差）[11]。随机森林使用套袋。如果您有很多样本数据，则可以代替一个子集并对其进行训练，而可以对另一个子集进行训练，而对另一个子集进行训练（允许重叠）。所有这些都可以并行完成。从您的数据中抽取多个样本以创建平均值。尽管个别树可能是“弱学习者”，但“随机森林”将它们放在一起可以构成一个“强学习者”。其优点较为突出，分别如下：（1）在大型数据库上运行时准确高效；（2）多棵树减少了较小集合或单棵树的方差和偏差；（3）抵制过度拟合；（4）可以处理数千个输入变量，而无需删除变量；（5）可以估计哪些变量在分类中很重要；（6）提供估计丢失数据的有效方法。（二）广义线性模型（GLM）在从不同分布的数组中抽取以找到“最佳拟合”模型之前，需要使用后一种模型对多个变量对连续变量的影响进行比较，防止不合逻辑的情况发生。广义线性模型将缩小变量的范围，使得变量范围处于合理范围内[12]。该算法的优点是训练速度非常快。响应变量可以具有任何形式的指数分布类型。广义线性模型还能够处理分类预测变量，同时相对容易解释。最重要的是，它提供了对每个预测变量如何影响结果的清晰理解，并且相当抵制过度拟合。但它需要相对较大的数据集，并且容易受到异常值的影响。（三）梯度提升模型（GBM）在推广之前，梯度提升模型会生成由决策树（每个决策树都是“弱学习器”，就像随机森林一样）组成的预测模型。但区别在于，它使用“增强型”机器学习技术，而不是RandomForest使用的套袋技术用于分类模型。GBM的一大特征是一次只建立一棵树[11]。每棵新树都有助于纠正先前训练过的树所犯的错误，而且不同于“随机森林”模型，其建立的树没有任何关系，从而在机器学习排名比如搜索引擎排名中非常常用[13]。GBM方法数据表现力更强，测试结果更加准确，可以保护数据的完整性，但在顺序构建每棵树时，需要耗费较长的时间，这可能会导致泛化问题的发生。（四）K-meansK-means是一种非常流行的用于聚类模型的高速算法，涉及基于相似性将未标记的数据点放置在单独的组中，可对大数据集进行分析，方便个性化计划的制定，非常高效。其应用广泛，算法思想简单易理解，收敛速度快，实操性较强，在对大规模数据集进行聚类分析时，算法聚类较高效且聚类效果较好；而且当数据集的结构分布是球形或类球形或者其他凸形的结构时，该算法能高效发现类簇结构；对数值型数据的聚类效果好，聚类结果也与数据的输入顺序无关[14]。但其局限性也较为明显，那就是不能确保算法收敛于最优解，聚类结果对初始聚类中也的选择依赖性强，聚类数Ａ值的确定存在较强的主观性，且偏向于识别球形或类球形结构的簇，对非凸形状的类簇识别效果差，聚类也易受噪声、边缘点、孤立点影响，可处理的数据类型有限，对于高维数据对象的聚类效果不佳。（五）Prophet算法Prophet算法是Facebook公司开源的一个专门用于大规模时间序列分析的模型,基于加性模型（AdditiveModel），利用年月日等的周期性再加上假期影响去拟合非线性的趋势。其常用于拟合那些具有较强周期性并且拥有几个周期的数据，并且对缺失值，趋势偏移和异常值都有着较好的支持在，在分配资源和设置销售目标制定等容量规划中应用较为普遍，在保证需要时可完全自动化整个流程，允许数据分析学家通过一组关键的模型参数和选项来在预测中加入自己的判断[15]。其具备可拓展、数据灵活、计算速度快、变量容易解释等优点，能够通过调整转折点平滑参数自动探测到转折点，在做预测时，能为通用时间序列模拟合适的函数，达到用户想要的效果。但其需要安装模型，对应用人员的素质要求较高。三、预测算法相对传统战略分析工具的优势及与之兼容对策（一）预测算法相对传统战略分析工具的优势不同于传统战略分析工具，预测算法在预测趋势方面更加准确，可以减少的认为主观导致的数据不可靠的问题发生，其结果更接近于实际，是非常精准的市场分析和战略规划的辅助工具。而传统战略分析工具都是通过简单的定性或定量分析来实现趋势预测的，而且其预测的趋势也仅限于短期趋势，只能为企业提供一定的战术指导，为企业的发展规划制定一个大致的方向，但长远的趋势预测以及市场分析还依赖于预测算法，这样才能保障企业的发展方向更加合理。其可以将搜集到的多种数据利用起来，方便发现企业战略发展的特点，可以帮助企业大致掌握业务量未来的变化趋势，并根据该趋势提前对战略规划做出合理的调整。预测模型的定义是将已有的时间序列作为基础或数据集，并通过数学方法找到其内在规律，以此来对未来的数据进行预测和分析的技术，其在进行的过程中可以对数据集进行训练或计算，得到一个时间顺序的序列，并根据该时间序列得到未来某一期间的业务量值，从而有利于及时发现企业发展的问题，并采取及时有效的改善措施。但其相对传统战略分析工具而言，也有自身的劣势所在，那就是对战略规划人员的素质要求较高，需要其掌握足够多的预测算法，并学会灵活使用，保障预测算法得出的结果对企业战略规划制定有充分的参考价值。另外，其需要耗费较高的成本，需要企业购置高精度的计算机，能处理更多的数据，也不会导致系统崩溃的问题发生。（二）预测算法与传统战略分析工具兼容的对策从上一部分的分析发现，不管是传统战略分析工具，还是预测算法，其都有自身的优势和劣势，为了充分发挥二者的作用，在利用的过程中，需要选择合适的场合，并改善预测算法的应用条件。二者兼容的对策如下：1、在战术分析和小型企业战略规划上可使用传统战略分析工具传统战略分析工具在预测趋势方面存在精度问题，导致预测结果可能较为主观，从而与实际结果出现偏离的问题，但其大致可以提供一个大致的方向，而且操作更加简单，对人员的素质要求不高，方便缺乏高素质人才且业务量偏少的小型企业使用，可以为这些企业提供战略发展方向指导的同时节省这些企业战略分析成本。2、在战略分析以及大中型企业战略规划中使用预测算法在长远的趋势预测方面，传统的战略分析工具的局限较为明显，无法为企业提供准确的数据分析结果，需要企业在加强数据分析以及战略规划人员素质培养的基础上加强资金投入，引入更加先进的数据分析工具和机器，从而保障预测算法可以更好地利用。在这方面，企业除了需要做好基础数据搜集工作外，还需要舍得加强人力和资金投入，毕竟预测算法的使用需要一定的成本。四、结论本文分别介绍了传统战略分析工具及预测算法的具体分类和特点，明确了常用的传统战略分析工具及预测算法的优势和劣势，在此基础上分析了两种战略分析工具的差异，从而指出二者优势互补的对策，那就是在战术分析和小型企业战略规划上可使用传统战略分析工具，在战略分析以及大中型企业战略规划中使用预测算法，希望本文的研究可以为企业战略规划提供一定的参考指导作用。参考文献[1]项国鹏,杨卓.企业战略决策分析工具的创新:SWOT与QSPM的联合应用[J].企业经济,2013,32(12):5.[2]项国鹏,杨卓.战略分析工具:研究脉络梳理及分析框架构建[J].科技进步与对策,2014,31(19