基于季节性ARIMA模型的新零售精准预测

本文旨在建立新零售的精准预测模型，首先通过对新零售目标商品的主要指标数据进行数据预处理，接着建立Pearson相关系数模型，使用Python分析得到热力图，确定销售量具有较好的预测性并存在自相关性，将其作为本文预测模型的重要决策变量，然后建立差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model，简称ARIMA)，同时考虑商品由于季节所造成的影响，并优化成季节性ARIMA预测模型，最后使用平均绝对百分比误差(MAPE)评估模型，得到预测误差百分比均值为19.33%。本文模型预测误差小，对新零售商品的预测具有指导意义。

在市场发展日新月异的背景下，市场上诞生出了新零售的模式，新零售将电商与线下结合在一起， 运用大数据、云计算、人工智能、物流系统等新技术，大大地提升了服务质量，同时又解决了传统零售模式下消费者购物体验痛点[1]。而在这种模型下，顾客的需求不仅仅局限于追求实用性，更考虑了时尚性、个性化、用户体验等等特殊需求。基于这些需求，新零售企业的生产模式逐渐变得复杂且凌乱，既要满足“量”上的需求，又要迎合“质”、“感”、“美”的追求，这给零售行业的库存管理带来了极大的挑战。如何根据层级复杂，品类繁多的历史销售数据，以区域层级，小类层级乃至门店skc (单款单色)层级给出精准的需求预测，是当前大多数新零售企业需要重点关注并思考的问题。

在众多的预测方法中， 时间序列预测模型以连续性原理作为依据， 适用于对新零售商品销量的预测。

以Box-Jenkins (ARIMA)方法为代表的现代时间序列预测方法以随机过程理论为理论基础，其结构简单， 建模速度快，且预测误差小[2]。因此，本文基于中国优选法统筹法与经济数学研究会举办的竞赛提供的数据，根据Box-Jenkins 方法建立季节性ARIMA 模型，对新零售目标商品的主要指标数据进行数据处理及分析，并建立相应模型，为解决新零售行业的精准需求预测提供较有意义的思路。

2. 基于ARIMA 的拟合模型 2.1. 数据预处理 本文研究简要流程图，如图1 所示。

首先对4 个附件进行分析，得到各个表的具体含义分别为：sale_info 产品流水数据、prod_info 产品具体信息、inv_info 库存信息、holiday_info 节假日具体日期。

通过研究分析， 确定目标skc 为销售时间处于2018 年7 月1 日至 2018 年10 月1 日内且累计销售额排名前50 的skc，以下称为“目标skc”。

本文研究国庆、双十一、双十二和元旦四个节假日的各因素对目标skc 的影响。下面利用Excel 对附件进行升序、筛选、分类汇总和Vlookup 函数计算。通过对sale_info 表筛选(使用Excel 筛选与升序)得到2018 年7 月1 日至10 月1 日的流水数据，可以得到该时间段的skc、销售量和real_cost (实际出费)。利用Excel 计算real_cost，得到real_cost 数值排名为前五十的skc，即为目标skc。