品牌服装销售情况的分析与研究.docx

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 Liaoning University

独创性说明

作者郑重声明：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及取得研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，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明确的说明并表示了谢意。

作者签名：___________ 日期：___________

摘 要

关键词：

Title

Abstract

Key Words：

目 录
摘 要 I
Abstract II
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 8
1．模型具体操作 9
2．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 文 献 27
致 谢 28
辽东学院本科毕业论文（设计）版权使用授权书 29

一、引言
作为衣食住行之首，服装行业是个永远的朝阳产业，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，以福建福州市的服装业发展为例，福州服装生产企业有500多家，2003年产值约48亿[1]，2004年已增长到97亿[2]，而福建泉州市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及2008年宏观经济的骤变导致2008年服装产品积压严重，服装行业面临库存及资金回笼压力，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、7~9]。服装销售预测是根据服装市场的销售信息和营销计划，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、先进的生产设备及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及高速物流配送系统，年大约投产200~300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。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及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[7~9]，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应用，在零售、金融、电信、医疗、科研等行业领域内发挥了巨大的作用[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及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及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。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网站客户，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、回归分析及因子分析等。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，从而形成了多种神经网络结构[22]。
4．仿生物技术的遗传算法。遗传算法（GA：Genetic Algorithms）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FDD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X≥Y 的关联规则可以解释为：满足X 的数据库元组也很可能会满足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、目录设计及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。判断技术适用范围很广，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。对于涉及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-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）内每个月的销售量。
（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、方差分析表以及回归参数表。
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0~1之间，1.0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内对原款注入新的流行元素，包括颜色、细节等内容的调整，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
2006
1
869
850
160
35%
298
138
2
856
850
160
35%
298
138
3
530
850
160
35%
298
138
4
486
850
160
35%
298
138
5
590
850
160
35%
298
138
6
567
850
160
35%
298
138
7
609
850
160
35%
298
138
8
805
850
160
35%
298
138
9
1189
890
175
40%
356
181
10
1508
890
175
40%
356
181
11
1866
890
175
40%
356
181
12
890
890
175
40%
356
181

2007
1
887
890
175
35%
312
137
2
869
890
175
35%
312
137
3
601
890
175
35%
312
137
4
515
890
175
35%
312
137
5
532
890
175
35%
312
137
6
598
890
175
35%
312
137
7
663
890
175
35%
312
137
8
890
890
175
35%
312
137
9
1201
1180
180
40%
472
292
10
2098
1180
180
40%
472
292
11
2230
1180
180
40%
472
292

12
1034
1180
180
40%
472
292

（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
Time
Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Oct
Nov
Jan
869
1
1
0
0
0
0
0
0
0
0
0
0
Feb
856
2
0
1
0
0
0
0
0
0
0
0
0
Mar
530
3
0
0
1
0
0
0
0
0
0
0
0
Apr
486
4
0
0
0
1
0
0
0
0
0
0
0
May
590
5
0
0
0
0
1
0
0
0
0
0
0
Jun
567
6
0
0
0
0
0
1
0
0
0
0
0
Jul
609
7
0
0
0
0
0
0
1
0
0
0
0
Aug
805
8
0
0
0
0
0
0
0
1
0
0
0
Sep
1189
9
0
0
0
0
0
0
0
0
1
0
0
Oct
1508
10
0
0
0
0
0
0
0
0
0
1
0
Nov
1866
11
0
0
0
0
0
0
0
0
0
0
1
Dec
890
12
0
0
0
0
0
0
0
0
0
0
0
Jan
887
13
1
0
0
0
0
0
0
0
0
0
0
Feb
869
14
0
1
0
0
0
0
0
0
0
0
0
Mar
601
15
0
0
1
0
0
0
0
0
0
0
0
Apr
515
16
0
0
0
1
0
0
0
0
0
0
0
May
532
17
0
0
0
0
1
0
0
0
0
0
0
Jun
598
18
0
0
0
0
0
1
0
0
0
0
0
Jul
663
19
0
0
0
0
0
0
1
0
0
0
0
Aug
890
20
0
0
0
0
0
0
0
1
0
0
0
Sep
1201
21
0
0
0
0
0
0
0
0
1
0
0
Oct
2098
22
0
0
0
0
0
0
0
0
0
1
0
Nov
2230
23
0
0
0
0
0
0
0
0
0
0
1
Dec
1034
24
0
0
0
0
0
0
0
0
0
0
0

（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

Multiple R
0.983831704
R Square
0.967924821
Adjusted R Square
0.932933717
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

df
SS
MS
F
Significance F
回归分析
12
5579172.833
464931.0694
27.66202575
1.82553E-06
残差
11
184883.125
16807.55682

总计
23
5764055.958

表3.5 回归矩阵分析结果——回归参数表（1）

Coefficients
标准误差
t Stat
P-value
Intercept
792.875
121.2708218
6.538052504
4.20338E-05
Time
9.395833333
4.410577146
2.130295656
0.056550539
Jan
19.35416667
138.4246831
0.139817309
0.891331539
Feb
-5.541666667
136.9411403
-0.040467508
0.968445568
Mar
-311.9375
135.5849006
-2.300680228
0.041981655
Apr
-386.3333333
134.3598192
-2.875363598
0.015095977
May
-335.2291667
133.2695133
-2.515422758
0.028708283
Jun
-323.125
132.3173144
-2.442046239
0.03270385
Jul
-279.0208333
131.5062226
-2.121731031
0.057397399
Aug
-76.91666667
130.8388622
-0.587873246
0.568489673
Sep
261.1875
130.3174414
2.004240547
0.070291281
Oct
859.7916667
129.943717
6.616646704
3.77766E-05
Nov
1095.395833
129.7189655
8.444376882
3.89271E-06

表3.6 回归矩阵分析结果——回归参数表（2）
观测值
预测 销售量
残差
1
821.625
47.375
2
806.125
49.875
3
509.125
20.875
4
444.125
41.875
5
504.625
85.375
6
526.125
40.875
7
579.625
29.375
8
791.125
13.875
9
1138.625
50.375
10
1746.625
-238.625
11
1991.625
-125.625
12
905.625
-15.625
13
934.375
-47.375
14
918.875
-49.875
15
621.875
-20.875
16
556.875
-41.875
17
617.375
-85.375
18
638.875
-40.875
19
692.375
-29.375
20
903.875
-13.875
21
1251.375
-50.375
22
1859.375
238.625
23
2104.375
125.625
24
1018.375
15.625

（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年预测销售量以及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）
Jan
1046
25
905
Feb
1030
26
690
Mar
733
27
623
Apr
668
28
602
May
728
29
599
Jun
760
30
675
Jul
803
31
712
Aug
1015
32
750
Sep
1362
33
1360
Oct
1470
34
1987
Nov
2215
35
2165
Dec
1129
36
1232

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及曲线，如表3.8及图3.3所示。

表3.8 2006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
2006
1
1
822
869
2
2
806
856
3
3
509
530
4
4
444
486
5
5
505
590
6
6
526
567
7
7
580
609
8
8
791
805
9
9
1139
1189
10
10
1747
1508
11
11
1992
1866
12
12
906
890
2007
1
13
934
887
2
14
919
869
3
15
622
601
4
16
557
515
5
17
617
532
6
18
639
598
7
19
692
663
8
20
904
890
9
21
1251
1201
10
22
1859
2098
11
23
2104
2230
12
24
1018
1034

2008
1
25
1046
905
2
26
1030
690
3
27
733
623
4
28
668
602
5
29
728
599
6
30
760
675
7
31
803
712
8
32
1015
750
9
33
1362
1360
10
34
1470
1987
11
35
2215
2165

12
36
1129
1232

图3.3 2006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及图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月份及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及时有效地反应，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及价格优势（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月份的增长率以及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天，到8月中旬上市。
结 论
本文对某品牌服装公司