第二节 服装销售预测
一、服装销售预测的种类
市场预测包括宏观经济预测、行业技术预测和产品市场预测等，服装销售预测的外延比较小，根据其预测的时间、范围、目的不同，可以划分为以下几类：
1、按销售预测时间的长短划分
（1）长期销售预测
（2）中期销售预测
（3）短期销售预测
2、按销售预测的范围分类
（1）服装行业销售预测
（2）服装企业销售预测
3、按预测方法的特征分类
（1）定量预测法
（2）定性预测法
二、市场预测步骤
1、确定市场预测目标
根据市场预测的目的，选择市场预测的变量。
2、收集整理资料
针对市场预测目标，搜集主题资料。在选定不同的预测方法时，选用的资料也会有所不同。
3、选定预测方法
市场预测的方法很多，常用的预测方法有以下几种：
（1）经验判断预测的方法
（2）市场细分法
（3）时间序列分析法
（4）回归分析法
4、根据市场预测模型确定预测值，测定预测误差。
5、检验预测成果,修正预测值。
1、确定市场预测目标
根据市场预测的目的，选择市场预测的变量。
2、收集整理资料
针对市场预测目标，搜集主题资料。在选定不同的预测方法时，选用的资料也会有所不同。
3、选定预测方法
市场预测的方法很多，常用的预测方法有以下几种：
（1）经验判断预测的方法
（2）市场细分法
（3）时间序列分析法
（4）回归分析法
4、根据市场预测模型确定预测值，测定预测误差。
5、检验预测成果,修正预测值。
三、服装销售趋势预测法
服装销售趋势预测法，就是将企业历史的销售趋势外推，预测其今后的销售水平。这种预测方法只考虑销售数据的趋势变化，而不考虑销售数据的季节性变化。主要方法有：
1、移动平均法
移动平均法是利用前期的历史数据，计算其算术平均或加权平均值，作为下一期的预测数值。用公式可表示为：
Qｔ+1＝（Qｔ＋Qｔ-1＋...＋Qｔ-ｎ+1）/n或
Qｔ+1＝Sｔ×Qｔ＋Sｔ-1× Qｔ-1＋...＋Sｔ-ｎ＋1× Qｔ-ｎ＋1
式中：Qｔ＋1—第ｔ＋1期的预测值；
Qｔ—第ｔ期的历史数据；
n—利用历史数据的期数；
Sｔ—第ｔ期历史数据的权值，∑Sｔ＝１。Sｔ由预测人员确定，Sｔ越大，则该期数据对预测值的影响就越大。
例：根据《中国统计年鉴》，中国从1996～2004年城镇居民家庭收支数据资料如下表所示。
1996～2004城镇居民收入支出情况 单位：亿元
项目 | 1996 | 1997 | 1998 | 1999 | 2000 | 2001 | 2002 | 2003 | 2004 |
可支配收入 | 4839 | 5160 | 5425 | 5854 | 6280 | 6860 | 7703 | 8472 | 9422 |
人均消费性支出 | 3919 | 4186 | 4332 | 4616 | 4998 | 5309 | 6030 | 6511 | 7182 |
食 品 | 1905 | 1943 | 1927 | 1932 | 1958 | 2014 | 2272 | 2417 | 2710 |
服 装 | 528 | 521 | 481 | 482 | 500 | 534 | 591 | 638 | 687 |
其 他 | 1487 | 1722 | 1924 | 2201 | 2539 | 2761 | 3167 | 3456 | 3786 |
若选择n=3，则2005年中国城镇居民人均服装消费金额的预测值为：
Q2005＝（591＋638＋687）/3＝639元
由于移动平均法采用前n期历史数据的算术平均值，因此预测的数据往往有一定的滞后性，为了扩大近期数据对预测值的影响，可使用加权平均法。
若选择n=3，S2004=0.6，S2003=0.3，S2002=0.1，则：
Q1994＝0.6×687＋0.3×638＋0.1×591＝663元
用移动平均法预测的数据往往具有滞后性的特点，而且如果销售数据存在明显的线性趋势时，这种预测就会产生很大误差。该方法一般适应于销售比较平稳的市场预测，在选择n值时，可选择几个水平试算，从中选择误差最小时对应的n值。
2、指数平滑预测法
指数平滑法是一种特殊的加权移动平均法，它是将各期观测值进行加权平均，所有观测值的权数由近及远按等比级数减小，首项为α，公比为1-α，且0≤α≤1，α越大，观测值对预测值的影响由近及远越迅速减弱。用公式表示为：
St+1=αYt+α（1-α）Yt-1+α（1-α）2Yt-2+…
或 St+1=St+α（Yt-St）
显然，在指数平滑法中，不同时期数据对数据预测的影响是不同的，一般认为近期数据影响大一些。α取值可采用试算的方法，取预测误差水平最小时对应的α水平。
3、平均发展速度预测法
该方法假定市场需求量按一定的速度增长，通过计算平均增长速度，来预测下一期的市场需求量。该方法比较适用于有明显趋势变动，且环比发展速度大致相同，随机因素影响小的市场需求分析。其模型如下：
Yt= Yt-1×a
式中：Yt—预测值；
Yt-1—上一期的实际值；
a—平均环比发展速度，为各期环比发展速度的几何平均数。
假定有N+1个数据，环比发展速度有N个，其计算公式如下：
a=〔（Y2/Y1）×（ Y3/Y2）×…（Yn+1/Yn）〕1/n =(Yn+1/Y1)1/n
例：根据城镇居民收支资料，计算城镇居民人均可支配收入及人均服装消费金额的年均增长速度。
城镇居民人均可支配收入平均环比发展速度a=(9422/4839)1/8=1.09
城镇居民人均可支配收入年均增长速度为：1-a=9%。
城镇居民人均服装消费平均环比发展速度b=(687/528)1/8=1.03
城镇居民人均服装消费年均增长速度为：1-b=3%。
4、时间序列线性预测法
时间序列线性预测法是假定服装市场潜在消费量随时间呈线性变化，其预测模型为：
y＝a＋bt
式中：y—预测值；
a、b—系数；
t—时间序数。
运用最小二乘法的原理，列出计算a、b两个系数的方程如下：
Σy=na+bΣt
Σyt=aΣt+bΣt2
根据上面的两个方程，求得a、b两个系数的计算公式为：
a＝（∑y－b∑t）/n
b＝（n∑yt－∑t∑y）/（n∑t2－(∑t)2）
如果将时间序数t用离中差表示，∑t=0，则上述公式可简化为：
a＝（∑y）/n
b＝(∑yt)/∑t2
例：根据给定的资料，运用时间序列线性预测法，预测2005年中国城镇居民人均服装消费金额的过程如下：
首先将n个预测期的时间序数用离中差表示。
若n＝5，则从1989年至1993年各年份离中差为：-2、-1、0、1、2
若n＝6，则从1988年至1993年各年份离中差为：-5、-3、-1、1、3、5
其次，计算∑yt、∑y、∑t2，计算过程如下表所示。
时间序列分析法
年份 | 年份离中差t | 服装消费量y | yt | t2 |
2000 | -2 | 500 | -1000 | 4 |
2001 | -1 | 534 | -534 | 1 |
2002 | 0 | 591 | 0 | 0 |
2003 | 1 | 638 | 638 | 1 |
2004 | 2 | 687 | 1374 | 4 |
∑ | 0 | 2950 | 478 | 10 |
由上表计算得：
b=47.8
a=590
y=590+47.8×t
最后预测2005年中国城镇居民人均服装消费金额为：
Y2005=590+47.8×3=733.4元
采用时间序列线性预测法，要求预测变量与时间呈线性关系。如果两者之间没有明显的线性关系，这种预测将导致错误的结论。如果预测变量与其他的市场环境因素具有因果关系，则我们可以通过相关分析建立预测变量与市场环境因素之间的相关模型进行预测。
四、服装销售季节预测法
服装企业在预测下一年度的服装销售量的时，选择季节性变动法进行预测较恰当。季节性变动法是选用历史销售资料，确定销售的季节变动周期，计算每一个变动周期的季节变动指数，以此为依据计算下一个预测期的销售量。运用季节性变动法进行销售量预测的过程如下：
（1）根据前n期的历史销售资料，分析服装销售量季节性变化的规律，确定服装销量的变化周期。
（2）计算前n期各个变动周期(按月或按季)的销量平均数。
（3）计算前n个年度的销量平均数。
（4）计算季节变动指数。
（5）用时间序列分析法预测下一个年度的销量。
（6）根据预测的下一个年度的销量，计算各个变动周期(按月或按季)的销量预测值。
例：
分析某服装企业前五年的销售资料得知，该企业的服装销售量按季度呈现明显的周期性波动，其五年的销售资料的统计结果如下表所示：
根据上述资料，运用时间序列分析法，预测1988年的销量为4095千打。
根据上述资料，计算各个季度平均销量、五年的平均销量、季节变量指数及1988年各个季度销量的预测值，
五、多因素回归分析预测法
对于大型的跨地区、跨国的公司，如何将其资源在不同地区进行合理配置，是一个非常重要的决策问题，要解决这一问题，就必须正确估计不同地区的市场需求。回归分析预测就是根据一个国家或地区宏观环境因素的变量，建立预测变量和宏观环境变量之间的相关模型进行预测。
常用来建立回归模型的因素包括：人口数量、消费者收入、地区发展水平、品牌发展水平、每个消费者的产品拥有量等。
例：根据资料，采用线性回归分析模型，建立城镇居民人均服装消费金额与人均可支配收入、人均食品支出两个变量之间的相关分析模型，并计算2004年服装消费金额的预测值。
（1）建立回归分析模型：y=a+b1x1+b2x2
式中：y—服装消费金额；
a、b1、b2—待估参数；
x1、x2—社会零售商品总额、食品支出。
（2）利用最小二乘法原理，列出计算待估参数的方程如下：
Σy=na+b1Σx1+b2Σx2
Σx1y=aΣx1+b1Σx12+ b2Σx1x2
Σx2y=aΣx2+b1Σx1x2+ b2Σx22
有关数据的计算如下表所示：
表13 回归分析数据计算表
年度 | y | x1 | x2 | x1y | x2y | x1x2 | x12 | x22 |
1996 | 528 | 4839 | 1905 | 2554992 | 1005840 | 9218295 | 23415921 | 3629025 |
1997 | 521 | 5160 | 1943 | 2688360 | 1012303 | 10025880 | 26625600 | 3775249 |
1998 | 481 | 5425 | 1927 | 2609425 | 926887 | 10453975 | 29430625 | 3713329 |
1999 | 482 | 5854 | 1932 | 2821628 | 931224 | 11309928 | 34269316 | 3732624 |
2000 | 500 | 6280 | 1958 | 3140000 | 979000 | 12296240 | 39438400 | 3833764 |
2001 | 534 | 6860 | 2014 | 3663240 | 1075476 | 13816040 | 47059600 | 4056196 |
2002 | 591 | 7703 | 2272 | 4552473 | 1342752 | 17501216 | 59336209 | 5161984 |
2003 | 638 | 8472 | 2417 | 5405136 | 1542046 | 20476824 | 71774784 | 5841889 |
2004 | 687 | 9422 | 2710 | 6472914 | 1861770 | 25533620 | 88774084 | 7344100 |
Σ | 4962 | 60015 | 19078 | 33908168 | 10677298 | 130632018 | 420124539 | 41088160 |
根据表中数据可计算出回归方程的待估参数：
a=-13.56 b1=-0.00977 b2=-0.297
（3）建立回归方程并进行预测：y=-13.56-0.00977x1+0.297x2
将2004年的人均可支配收入及食品支出代入方程，得到2004年城镇居民人均服装消费金额的预测值为670元，与实际值687元相差很小，表明预测效果好。
一般来讲，在利用回归模型进行市场需求预测时，单一因素的分析模型是很难建立有效的预测模型的。在实际分析中，由于多元回归方程人工计算非常繁琐，通常借助现存的数据分析软件，如SPSS统计分析软件计算，并进行显著性检验。
六、市场预测中应注意的问题
市场预测是制订营销方案的起点，市场预测的准确程度也将直接影响到所制订的营销方案及实施营销方案所取得的经济效益。为了保证市场预测的准确性，在进行市场预测时应注意以下几个问题：
1、资料的准确性和可靠性。
2、选用预测方法时，要注意预测方法本身的适用范围，同时还要分析预测模型的预测效果，一般需要进行模型的显著性检验，以判断模型的预测效果。
3、对预测期较长的预测，误差较大。
4、对预测值要进行灵敏度分析。一方面要对预测值影响较大的因素进行灵敏度分析，以确定不同的预测水平。另一方面，在制订营销方案时，要根据不同的预测误差水平，对整体的营销方案进行灵敏度分析。
