一种汽车后市场零配件销量预测方法及系统与流程

1.本发明涉及市场预测技术领域，尤其是涉及一种汽车后市场零配件销量预测的实现方法及系统。


背景技术：

2.汽车后市场是指汽车销售以后，围绕汽车使用过程中的各种服务；在汽车后市场中，汽配行业市场竞争日趋激烈，而且sku(库存量单位，引申为产品统一编号的简称，每种产品均对应有唯一的sku号)种类繁多，为了能够高效合理的备货，所以需要合理的预测未来需求量，从而辅助补货人员进行补货。
3.目前市面上关于汽配零件的预测系统，普遍存在问题，包括：(1)并没有对sku进行有效的预测，而是简单设置一个静态的安全库存；(2)并没有对sku进行有效的分类，由于不同类别的sku可能采用不同的预测算法，因此，该预测系统对不同汽车配件的预测准确度存在较大差别。


技术实现要素：

4.针对上述问题，本发明提供了一种汽车后市场零配件销量预测方法及系统，针对汽配行业sku属性的特点以及目前面临的问题，构建了一套sku的分类体系，同时对不同的分类采用不同的预测算法，适应性更强，进而能够更加精准的预测未来的销量。
5.为实现上述目的，本发明提供了一种汽车后市场零配件销量预测方法，包括：针对汽车后市场零配件的特性，对sku进行分类；
6.针对不同类别的所述sku设置不同的预测算法进行预测，获得各类别所述sku的预测结果；
7.对所有所述预测结果进行异常值拦截处理，获得剩余预测结果；
8.根据所述剩余预测结果进行所需级别拆分，获得各类别sku在该级别的预测结果。
9.作为本发明的进一步改进，所述特性包括销售频次。
10.作为本发明的进一步改进，针对汽车后市场零部件的销售频次，将sku分为四类，包括：
11.sku有售月数小于三个月；
12.sku有售月数大于三个月，且小于12个月；
13.sku有售月数大于12个月；
14.sku有售月数大于6个月，且月均销量小于15。
15.作为本发明的进一步改进，
16.对于有售月数小于三个月的sku，采用求平均值法计算预测结果；
17.对于有售月数大于三个月，且小于12个月的sku，采用一次指数平滑法计算预测结果；
18.对于有售月数大于12个月的sku，对每月销售数据作为特征集，采用森林算法和向
量回归算法进行计算，另通过一次指数平滑法计算，最后将森林算法、向量回归算法及一次指数平滑法的计算结果进行加权融合，得到预测结果；
19.对于有售月数大于6个月，且月均销量小于15的sku，采用泊松分布的方式计算预测结果。
20.作为本发明的进一步改进，对所有所述预测结果进行异常值拦截处理，包括：
21.设置预测结果上线和预测结果下线；
22.当所述预测结果大于或等于所述预测结果下线，且小于或等于所述预测结果上线，则通过；否则，判定为异常值，进行拦截。
23.作为本发明的进一步改进，
24.所述预测结果上线设置为历史最大销量；
25.预测结果下线设置为历史销量的70％分位数。
26.作为本发明的进一步改进，各类别所述sku的预测结果为月级别，采用周级别对汽车后市场的所述sku进行拆分。
27.作为本发明的进一步改进，采用周级别对汽车后市场的所述sku进行拆分，包括：
28.第一周的预测结果为月级别预测值除以4取商，并加余数；
29.第二周、第三周和第四周的预测结果均为月级别预测值除以4取商。
30.作为本发明的进一步改进，不同类别的所述sku采用不同的安全库存方式；
31.根据各类别所述sku的预测结果及对应的所述安全库存方式，进行零部件的补货。
32.本发明还提供了一种汽车后市场零配件销量预测系统，包括：sku分类模块、sku预测算法模块、sku预测值拦截模块和拆分模块；
33.所述sku分类模块，用于：
34.针对汽车后市场零配件的特性，对sku进行分类；
35.所述sku预测算法模块，用于：
36.针对不同类别的所述sku设置不同的预测算法进行预测，获得各类别所述sku的预测结果；
37.所述sku预测值拦截模块，用于：
38.对所有所述预测结果进行异常值拦截处理，获得剩余预测结果；
39.所述拆分模块，用于：
40.根据所述剩余预测结果进行所需级别拆分，获得各类别sku在该级别的预测结果。
41.与现有技术相比，本发明的有益效果为：
42.本发明针对汽配行业sku属性的特点以及目前面临不能对sku有效预测的问题，构建了一套sku的分类体系，同时对不同的分类采用不同的预测算法，适应性更强，进而能够更加精准的预测未来的销量。
43.本发明在实际预测过程中对异常值进行拦截，使预测结果更精准。
44.本发明采用月级别的预测方法，由于汽配市场的sku大部分属于低频次的sku，按照天级别预测误差较大，月级别预测后进行周拆分能够得到更加精确的预测值，适用于汽车后市场零配件的预测。
附图说明
45.图1为本发明一种实施例公开的汽车后市场零配件销量预测系统示意图；
46.图2为本发明一种实施例公开的汽车后市场零配件销量预测方法流程图；
47.图3为本发明一种实施例公开的sql导入数据配置页面展示图。
具体实施方式
48.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
49.下面结合附图对本发明做进一步的详细描述：
50.如图1、3所示，本发明提供的一种汽车后市场零配件销量预测方法，包括：
51.s1、针对汽车后市场零配件的特性，对sku进行分类；
52.其中，
53.特性包括销售频次。
54.进一步的，
55.针对汽车后市场零部件的销售频次，将sku分为四类，包括：
56.sku有售月数小于三个月；
57.sku有售月数大于三个月，且小于12个月；
58.sku有售月数大于12个月；
59.sku有售月数大于6个月，且月均销量小于15。
60.s2、针对不同类别的sku设置不同的预测算法进行预测，获得各类别sku的预测结果；
61.其中，
62.对于有售月数小于三个月的sku，采用求平均值法计算预测结果；
63.对于有售月数大于三个月，且小于12个月的sku，采用一次指数平滑法计算预测结果；
64.对于有售月数大于12个月的sku，对每月销售数据作为特征集，采用森林算法和向量回归算法进行计算，另通过一次指数平滑法计算，最后将森林算法、向量回归算法及一次指数平滑法的计算结果进行加权融合，得到预测结果；
65.对于有售月数大于6个月，且月均销量小于15的sku，采用泊松分布的方式计算预测结果。
66.进一步的，
67.一次指数平滑法计算公式为：y
t 1
＝ax
t
(1-a)y
t
；
68.泊松分布计算公式为：
69.s3、对所有预测结果进行异常值拦截处理，获得剩余预测结果；
70.其中，
71.设置预测结果上线和预测结果下线；
72.当预测结果大于或等于预测结果下线，且小于或等于预测结果上线，则通过；否则，判定为异常值，进行拦截。
73.进一步的，
74.预测结果上线设置为历史最大销量；
75.预测结果下线设置为历史销量的70％分位数。
76.s4、根据剩余预测结果进行所需级别拆分，获得各类别sku在该级别的预测结果。
77.其中，
78.各类别sku的预测结果为月级别，采用周级别对汽车后市场的sku进行拆分。
79.采用周级别对汽车后市场的sku进行拆分，包括：
80.第一周的预测结果为月级别预测值除以4取商，并加余数；
81.第二周、第三周和第四周的预测结果均为月级别预测值除以4取商。
82.s5、进行零部件的补货；
83.其中，
84.不同类别的sku采用不同的安全库存方式；
85.根据各类别sku的预测结果及对应的安全库存方式，进行零部件的补货。
86.如图2、3所示，本发明还提供了一种汽车后市场零配件销售预测系统，包括：sku分类模块、sku预测算法模块、sku预测值拦截模块和拆分模块；
87.sku分类模块，用于：
88.针对汽车后市场零配件的特性，对sku进行分类；
89.sku预测算法模块，用于：
90.针对不同类别的sku设置不同的预测算法进行预测，获得各类别sku的预测结果；
91.sku预测值拦截模块，用于：
92.对所有预测结果进行异常值拦截处理，获得剩余预测结果；
93.拆分模块，用于：
94.根据剩余预测结果进行所需级别拆分，获得各类别sku在该级别的预测结果。
95.本发明的优点：
96.(1)针对汽配行业sku属性的特点以及目前面临不能对sku有效预测的问题，构建了一套sku的分类体系，同时对不同的分类采用不同的预测算法，适应性更强，进而能够更加精准的预测未来的销量。
97.(2)在实际预测过程中对异常值进行拦截，使预测结果更精准。
98.(3)采用月级别的预测方法，由于汽配市场的sku大部分属于低频次的sku，按照天级别预测误差较大，月级别预测后进行周拆分能够得到更加精确的预测值，适用于汽车后市场零配件的预测。
99.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。