（机械制造及其自动化专业论文）基于时间序列分析的pvc型材销售预测研究.pdf

皋于时间序列分析的p v c 型材销售预测研究 摘要 随着计算机技术的迅猛发展，一些生产制造企业的信息化建设也越来越趋于完善， 由先前的事务处理系统再经过决策支持系统的发展逐步演变到今天的商务智能，再加上 e r p 系统的支持，使得整个制造业的管理更加现代化、自动化、合理化。 某大型p v c 型材生产企业是国内p v c 型材行业的龙头企业，每年p v c 型材的销 量都达到2 0 万吨左右，销往全国各地的型材种类也多种多样。但随着国内p v c 型材市 场竞争的不断加剧，以及用户个性化需求的不断增长，要求p v c 型材生产企业必须合 理解决生产设备与工艺的大批量生产经济性特征与市场需求个性化与多样化的矛盾，这 对销售预测、生产计划、作业控制、库存控制等生产管理环节提出了越来越严格的要求。 而在这些生产组织管理环节中，销售预测是重要的决策基础。 针对该企业历年的p v c 型材销售情况，本论文主要做了四方面的工作：销售数据 仓库的建立、联机分析、预测模型的建立和库存控制的建立。 以e r p 系统和分销系统的相关数据为数据源，对销售情况进行分析，建立面向销 售的数据仓库系统。采用b i 前端应用软件m i c r o s t r a t e g y 作为联系分析工具，对四年p v c 型材的销售进行数据挖掘分析，得到p v c 型材的各类销售报表。 p v c 型材的销量以时间为坐标，预测方法选择传统的时间序列法，首先根据获得的 销量报表对四年销售数据曲线进行分析，确定采用剔除季节变动法建立销售预测模型， 并选用滑动平均和指数平滑法作为趋势预测方法，然后对预测模型进行了精度分析。 对主型材和辅型材进行相关分析，相关系数低的辅型材不适合用所建模型进行预 测，本论文采用库存控制对辅型材进行控制，在选择库存控制方法时提出将股票预测技 术指标布林线原理应用于库存控制中，为库存控制开辟了新的研究方法。 关键词：数据挖掘；p v c 型材销售预测；时间序列；库存控制 a b s t r a c t w i t ht h er a p i dd e v e l o p m e n to fc o m p u t e rt e c h n o l o g y ，t h ei n f o r m a t i o nc o n s t r u c t i o no fa n u m b e ro fm a n u f a c t u r i n ge n t e r p r i s eh a sb e c o m em o r ea n dm o r ep e r f e c t ，f i o mt h ep r e v i o u s t r a n s a c t i o np r o c e s s i n gs y s t e ma n dt h e nt h r o u g ht h ed e v e l o p m e n to fd e c i s i o ns u p p o r ts y s t e m s e v o l v i n gt ot o d a y sb u s i n e s si n t e l l i g e n c e ，c o u p l e dw i t he r ps y s t e ms u p p o r t ，m a k e st h e m a n a g e m e n to ft h ew h o l em a n u f a c t u r i n ge n t e r p r i s em o r em o d e r n i z a t i o n ，m o r ea u t o m a t i o n ， a n dm o r er a t i o n a l i z a t i o n a l a r g ep v cp r o f i l ep r o d u c t i o ne n t e r p r i s ei st h ei n d u s t r y sl e a d i n ge n t e r p r i s e s i t ss a l e s o fp v c p r o f i l e sr e a c ht o2 0m i l l i o nt o n se a c hy e a r b u tw i t ht h ec o m p e t i t i o no f d o m e s t i cp v c p r o f i l e sm a r k e tc o n t i n u e st oa c c e l e r a t e ，a sw e l la st h ei n d i v i d u a ln e e d so fu s e r si sg r o w i n g , p r o d u c e r sa r er e q u i r e dt os o l v et h ec o n f l i c to ft h ee c o n o m i cc h a r a c t e r i s t i c so ft h e h i g h v o l u m ep r o d u c t i o no fp v cp r o f i l ep r o d u c t i o ne q u i p m e n ta n dt e c h n o l o g ya n dt h e i n d i v i d u a l i t ya n dd i v e r s i t yo fm a r k e tr e a s o n a b l y ，w h i c hm a k e sm o r es t r i n g e n tr e q u i r e m e n t st o s a l e s f o r e c a s t i n g , p r o d u c t i o np l a n n i n g ，j o b c o n t r o l ，i n v e n t o r yc o n t r o l ，a n dp r o d u c t i o n m a n a g e m e n tl i n k s i nt h e s ep r o d u c t i o no r g a n i z a t i o na n dm a n a g e m e n ta r e a s ，t h es a l e sf o r e c a s t i sa ni m p o r t a n tf o u n d a t i o ni nm a k i n gd e c i s i o n a g a i n s tt h es a l eo fp v cp r o f i l e so ft h ec o m p a n yo v e rt h ey e a r s ，t h ei o bo ft h e f o l l o w i n gf o u ra r e a sh a v eb e e nf i n i s h e di nt h i st h e s i s ：t h ee s t a b l i s h m e n to fs a l e sd a t a w a r e h o u s e ，o n l i n ea n a l y s i s ，f o r e c a s t i n ga n di n v e n t o r yc o n t r o lm o d e l b u i l d i n g t h i st h e s i si su s i n ge r p s y s t e m sa n dd a t ad i s t r i b u t i o ns y s t e m sf o rt 1 1 ed a t as o u r c e ，m a k i n g a na n a l y s i so ft h es a l e s ，b u i l d i n gt h ed a t aw a r e h o u s ef o r t h es a l e s i tu s e sm i c r o s t r a t e g yo f b i f i o n t _ e n da p p l i c a t i o n sa st h el i l l ka n a l y s i st o o la n dm a k e sd a t am i n i n ga n a l y s i so ff o u ry e a r s s a l e sd a t ao fp v c p r o f i l e s ，t h e ng e t sa l lk i n d so fp v cp r o f i l e ss a l e sr e p o r t s m a k et h es a l e so fp v c p r o f i l e sw i t ht i m ea st h ec o o r d i n a t e s c h o o s et r a d i t i o n a lt i m e s e r i e sm e t h o da st h ef o r e c a s t i n gm e t h o d s ，f i r s t ，a c c o r d i n gt o s a l e sr e p o r t st om a k ea n a l y s i s o fc u r v el i n eo ff o u ry e a rs a l e sd a t aa n dd e t e r m i n eb u i l d i n gs a l e sf o r e c a s t i n gm o d e lb yt h e s e a s o n a lv a r i a t i o nm e t h o d ，a n ds e l e c tm o v i n g a v e r a g ea n dt h ee x p o n e n t i a ls m o o t h i n ga st h e t r e n df o r e c a s t i n gm e t h o d s ，a n dt h e nc o n d u c t e da p r e c i s ea n a l y s i so fp r e d i c t i v em o d e l s m a k ea nc o r r e l a t i o na n a l y s i st op r o f i l e so ft h ep r i m a r ya n ds e c o n d a r y ，a n dt h es e c o n d a r y p r o f i l ew h i c hh a sal o w e rc o r r e l a t i o nc o e f f i c i e n ti sn o ts u i t a b l et op r e d i c tw i t ht h em o d e l b u i l t t h i sp a p e ru s eo f i n v e n t o r yc o n t r o lt op r e d i c tt h ep r o f i l e so ft h es e c o n d a r y , p r o p o s e dt o p r e d i c tt h es t o c kb o l l i n g e rb a n d st e c h n i c a li n d i c a t o r sp r i n c i p l e sa p p l i e dt oi n v e n t o r yc o n t r o l w h e nm a k i n gc h o i c eo f i n v e n t o r yc o n t r o lm e t h o d s ，i to p e n su pn e wa r e a sf o r t h er e s e a r c h k e yw o r d s ：d a t em i n i n g ；s a l e sf o r e c a s t i n go fp v cp r o f i l e s ；t i m es e r i e sa n a l y s i s ； i n v e n t o r yc o n t r o l 大连交通大学学位论文独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作 及取得的研究成果。尽我所知，除了文中特别加以标注和致谢及参考 文献的地方外，论文中不包含他人或集体已经发表或撰写过的研究成 果，也不包含为获得太整塞通太堂或其他教育机构的学位或证书而 使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在 论文中作了明确的说明并表示谢意。 本人完全意识到本声明的法律效力，申请学位论文与资料若有不 实之处，由本人承担一切相关责任。 糊黼鲐历耀 日期：冽7 年产月1 1 日 大连交通大学学位论文版权使用授权书 本学位论文作者完全了解太整塞通太堂有关保护知识产权及保 留、使用学位论文的规定，即：研究生在校攻读学位期间论文工作的 知识产权单位属太整塞通太堂，本人保证毕业离校后，发表或使用 论文工作成果时署名单位仍然为太整銮通太堂。学校有权保留并向 国家有关部门或机构送交论文的复印件及其电子文档，允许论文被查 阅和借阅。 本人授权太整壅通太堂可以将学位论文的全部或部分内容编入 中国科学技术信息研究所中国学位论文全文数据库等相关数据库 进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论 、 又。 ( 保密的学位论文在解密后应遵守此规定) 学位论文作者始钟i 编导师鲐 0 怎 日期：沙卅年月f 1 日 日期： 渺7 年p 月，日期：沙科年月f 1 日 日期： 渺7 年p 月 ， 学位论文作者毕业后去向： 工作单位： 通讯地址： 电子信箱： 电话： 邮编： 第一章绪论 第一章绪论 1 1 课题研究的背景和意义 如今的信息技术瞬息万变，在这种大环境下企业产生了越来越多的数据，在以前这 些数据只是被企业简单的存储在数据库中并没有产生有用的信息。为此出现了“数据爆 炸，知识贫乏”的窘迫局面。以前，企业把注意力都集中在数据的管理、数据的收集上， 在这方面下了很大功夫，可是如今的企业用户已不再满足于此，人们不再局限于只是得 到数据，更想通过分析这些数据得到有用信息、获得更大的收益，因为对于一个企业来 说利益才是最终目标。这促成了基于数据仓库的商务智能系统的发展。单靠e r p 系统已 不再可行，因为它对于企业信息化管理来说并不能提供最完善的解决方案，其局限性在 于：e r p 是面向事务处理的企业业务处理系统，其数据库和应用软件侧重于面向事务， 主要是记录即时发生的信息事务例如：记录某天某个时刻的出库量，在信息分析和决策 支持方面存在着不足，没有经过分析的数据是无法决策的，这与企业高层经理人员的决 策分析要求存在一定程度的差距。基于数据仓库的商务智能系统正是迎合了这种需要。 一个好的商务智能系统可以帮助企业对不断变化的商业环境和瞬息万变的市场进行分 析、计划并迅速做出反应，为企业提供快速、准确和方便的决策支持，帮助企业赢得竞 争优势。 数据挖掘的概念很早就提出来了，它是一个交叉学科，和计算机编程、机器学习、 人工智能、数理统计等学科相关联，和他们有着千丝万缕的联系。在以数据仓库为基础 的商务智能系统中进行数据挖掘，就是为决策建模，即根据对过去活动所积累的数据进 行分析从而预测将来的一种行为。随着信息技术的飞速发展数据挖掘得到了广泛的应 用，目前数据挖掘的研究成果已应用在信息管理、过程控制、科学研究、决策支持等许 多方面。从企业经营角度看，数据挖掘就是按企业既定业务目标，对大量的企业数据进 行探索和分析，揭示未知的和验证已知的商业规律，并进一步将这些规律建立模型的一 种数据处理方法，该方法的最大特点就是能够建立预测模型，预测未来的情况。 销售预测是指根据对以往销售数据的分析，采用一定的建模方法建立预测模型，进 而获得的对未来销售情况的预测。销售预测可以直接生成同类型的销售计划、生产计划 和库存计划等。销售预测已经渗透到企业运行的各个层面，企业中的生产、营销、销售、 财务、物流等管理职能都离不开销售预测。由于人们对销售预测越来越重视，用于销售 预测的技术也变得色彩斑斓，目前可用于销售预测的数据挖掘工具主要是：一、传统的 大连交通大学硕十学仲论文 统计分析方法，如时间序列分析、线性回归模型分析、定性分析等；二、神经网络，它 是一种非线性自适应动力学系统。 某集团企业是一家有着1 6 年发展历史的大型民营企业，它以化学建材为主导产业， 生产销售单色、双色共挤、全彩色、覆膜、共挤覆膜5 大类，1 5 0 0 多种p v c n 窗型材。p v c 型材的生产过程由混料、挤出、包装工序组成。混料、挤出工序使用自动化的混料系统 和挤出机，不同的型材需要按不同的原料配方进行混料，并在挤出机上按型材的截面和 种类配置配套的挤出模具。p v c 型材的这些生产工艺和设备特点决定了其生产方式为大 批量生产。 p v c 型材的类别主要有：6 0 平开系列、8 0 推拉系列、8 8 系列、6 6 平开系列、6 2 7 7 9 5 系列、百叶窗系列、地弹门系列等等。其中6 0 和8 0 系列销量最大，6 0 平开系列的特点为： 主型材为三腔结构，具有独立的排水腔；可设计成内平开窗、外平开窗、内平开下 悬窗、上悬窗、固定窗等；通过连接材可组成9 0 度、1 3 5 度、1 8 0 度普通型、1 8 0 度加 强型连接及任意角度连接；玻璃安装间距设计有3 0 m m 、2 6 m m 、1 8 m m 、1 4 m m 、l l m m ， 可安装单层玻璃及双层中空玻璃；可安装平开纱扇。8 0 推拉系列的特点如下：断 面较小，出窗率较高，比较适合低层建筑7 至1 8 层，窗型不宜过大。为三滑道可以安装 纱窗，有单、双玻璃之分，适用于冬季气温不低于1 5 的地区。适用面较大，配套 齐全，价格经济实惠，适宜广大用户的消费。但不论那种系列的p v c 型材都是由主型材 和辅型材配套组成，图1 1 是8 0 平开窗的截面图，以1 1 截面图为例其中的主型材有：框 h f 8 0 h 、扇s f 5 6 、纱扇m f 5 2 ；辅型材有：封盖i l 3 1 n 、压条g b 8 。 2 0 0 2 年5 月开始，该集团为适应全国化学建材市场的需求，决定在做强做大大连化 学建材制造基地的同时，还在成都、嘉兴、银川、漯河建设自己的工业制造基地，形成 布局合理的五大化学建材制造基地，这样p v c 型材销量也随之增加，企业也逐步的完善 着自己的e r p 系统和商务智能系统，每年p v c 型材的销量都达至l j 2 0 万吨左右，销往全国 各地的型材种类也多种多样，面对这样的海量数据如何做好销售预测对公司至关重要。 在市场经济体制下，销售管理己成为企业最为重要的经营活动之一。企业销售是企业经 营的起点，也是实现企业效益的焦点。 2 第一章绪论 3 3 理址t 型h d 囤1 18 0 平开辔的截面图 f i g1 ls e c l i o nd i a g i a m o f 8 0 c a s e i n e t i t w i n d o w s 人连交通大学硕十学位论文 1 2 相关问题的国内外研究及应用 1 2 1 商务智能( b i ) 商务智能经历了事务处理系统( t p s ) ，高级管理人员信息系统( e i s ) ，管理信息系统 ( m i s ) 和决策支持系统( d s s ) 等阶段，简要说来，大致经历了这样几个发展历程：2 0 世纪 6 0 年代后期，d s s 诞生标志着决策支持系统这门学科的开端；2 0 世纪7 0 年代，d s s 的理论得到长足发展，8 0 年代前期和中期，实现了金融规划系统以及群体决策支持系统 ( g r o u pd s s ) ；2 0 世纪8 0 年代中期，通过d s s 与知识系统相结合，提出了发展智能决 策支持系统( i d s s ) i 拘i 设想；此后开始出现了主管信息系统( e x e c u t i v ei n f o r m a t i o ns y s t e m ， 简称e i s ，这是为了满足对计算机技术不是很精通的领导人员的信息查询需求，而特意 制定的以简单的图形界面访问数据仓库的一种应用) 、联机分析处理( o l 廿) 等。到了 2 0 世纪9 0 年代中期，人们开始关注和开发基于w e b 的d s s ，随着i n t e m e t 的革命性发 展和深入应用，基于分布式的、支持群体网络化和远程化协同的情报分析与综合决策支 持系统逐步浮出水面并开始走向应用；随着人工智能技术的不断发展，d s s 的智能化程 度越来越高，对人们的决策支持能力也越来越强大，最终演变成了今天的商务智能u j 。 随着商务智能的不断发展和进步，不只它的理论研究受到国内外的关注，它的技术 研究和在各个领域中的实际应用更加受关注。尤其是世界各地的大型企业已意识到了基 于数据仓库、数据挖掘技术的商务智能给企业带来的巨大的潜力。世界5 0 0 强企业中， 9 使用了数据挖掘进行信息辅助决策，均建立了完善的e r p 系统和b i 系统，大大提高 了企业效率。数据挖掘作为决策支持系统的核心辅助工具，其投资回报率也是让人期待 的，在国内外的各个行业各个领域均有应用。 国外的一些典型应用有：生物学研究中用数据挖掘技术对d n a 进行分析1 2 j ；利用 数据挖掘技术识别顾客的购买行为模式，对客户进行了分析【3 l ；对银行或商业上经常发 生的诈骗行为进行预测【4 】，i b m 公司开发的a s ( a d v a n c e d s c o u t ) 系统针对n b a 的数据， 帮助教练优化战术组合1 5 】等。 与国外相比，国内对数据挖掘的研究稍晚些。目前，国内的许多科研单位和高等院 校竞相开展知识发现的基础理论及其应用研究，这些单位包括清华大学、中科院计算技 术研究所、空军第三研究所、海军装备论证中心等。其中，北京系统工程研究所对模糊 方法在知识发现中的应用进行了较深入的研究，北京大学也在开展对数据立方体代数的 研究，华中理工大学、复旦大学、浙江大学、中国科技大学、中科院数学研究所、吉林 大学等单位开展了对关联规则开采算法的优化和改造；南京大学、四川大学和上海交通 大学等单位探讨、研究了非结构化数据的知识发现以及w e b 数据挖掘1 6 j 。而数据挖掘在 4 第一章绪论 企业中的应用虽然起步比较晚但是发展的却很迅速，国内很多企业已经开始将数据挖掘 应运于各种预测。 1 2 2 预测技术 ( 1 ) 预测技术的概述及其应用实例 预测活动的起源非常早，我们今天使用的许多预测技术都是在1 9 世纪以后，随着工 业经济的迅速发展才得到长足的发展。目前国内外关于销售预测的研究主要集中在以下 两个方面：是对具体销售预测方法的研究和应用；二是以供应链管理理念为依托，研 究c p f r ( c o l l a b o r a t i v ep l a n n i n g ，f o r e c a s t i n g ，r e p l e n i s h m e n t ) 框架下供应链的合作计划、 预测以及补货i n 。 预测方法的理论研究 预测可使用的标准方法有很多，综合目前国内外的文献及著作，预测方法主要分为 两大类：定性法和定量分析法。关于各种预测方法的介绍以及适用条件的文献非常多， 女n h a p e r 提出的德尔非法、r i c h a r db c h a s e 提出的移动平均法、r g b r o w n 提出的指数 平滑法、j o h nn e t e r 提出的回归模型、t i mh i l l 提出的神经网络法等等【8 j 。从这些文献 的研究看来，目前在预测方法研究方面已经非常成熟和完善。 预测方法的应用实例研究 目前国内外专家学者不仅仅关注预测方法的研究，而且更加侧重于将预测方法理论 与实际运用相结合。时间序列数据广泛存在于现实世界的各个领域，因此基于时间序列 数据挖掘的预测方法应用领域也十分广泛【9 j 。典型的应用包括：机电系统诊断、生物信、 运动图像分析、生产过程监测、基于规则的时间序列预报以及时间序列概括等。杨武恒， 郑耀星通过时间序列模拟分析法为福建省的旅游业发展和相关政策法规的制定提供科 学的参考【1 0 l 。为了更准确地把握门诊季节变化的流向规律，为医院今后门诊工作及制定 决策计划提供科学依据，湖北省荆州医院应用移动平均趋势剔除法分析预测门诊病人的 季节变动规律f 1 1 】。为了更好地反映医院医疗业务现象的变化趋向，掌握现象变化的规律， 俞晓霞应用移动平均法为安徽省芜湖市妇幼保健院建立了预测门内急诊人次的模型【1 2 1 。 同济大学暖通空调与燃气研究所的何大四、张旭根据空调日总负荷和日平均气温之间的 较强相关性，对经典的季节性指数平滑法预测模型中的水平因子项进行修正，并去掉趋 势因子项，得到了改进的季节性指数平滑预测模型1 3 l 。c h ik i nc h a n 等利用综合预测 方法提高银行对每月货币需求的预测精度，以减少资金占用并节约库存管理成本。实际 结果表明，综合预测的精度要比任何单种预测方法的精度要高。从目前国内外预测应用 5 人连交通大学硕士学位论文 来看，众多的预测理论方法运用到实际的还不是特别多，还有待于进一步加强预测方法 在实践中的运用。 ( 2 ) 预测技术的作用 在竞争日益激烈的商场中，各个公司为了适应不同客户所提出的多样化、特殊化的 要求，为了拥有更多的客户，公司必须提高对客户的服务水平和质量、努力降低成本， 加强生产、物料规划以充分利用公司资源，这就要求企业必须增强对于市场的响应效率， 这促使企业提高了对销售预测重要性的认识和对销售预测的重视。预测是对未来产品需 求的分析，根据预测分析管理当局可对未来需求作出决策，利用最少的资源提供最优质 的服务给客户，获取最大化的利润，准确的预测可以帮助管理层面对日益增加的客户需 求与股东权益最大化之间的矛盾。 销售预测的作用主要表现在以下几个方面： ( 1 ) 制定高效率的营销计划。市场营销通常关心的是企业提供给客户的某种产品或 者产品系列是否成功，营销计划包括估计产品的改变、促销手段、销售渠道替换以及定 价等问题，这些可通过销售预测做适当的调整，而在做销售计划时要将这些问题考虑进 去。所以营销计划和销售预测是互惠互利的。 ( 2 ) 减少失销现象。失销成本虽然无法准确计算，但不容忽视。其表现为客户的丢 失和客户服务水平的下降。在做销售预测时我们会先对以往的数据进行分析，而这同时 也会让企业关注客户的拥有量和客户服务水平的高低，从而提前防范失销现象的发生， 减少企业损失。 ( 3 ) 使生产和采购有更合理的安排。生产本身必须关注两种不同类型的预测长 期预测和短期预测，长期预测用来帮助企业规划厂房建设和设备的购置，而生产部门的 生产计划往往依据短期的销售预测来制定。 ( 4 ) 减少库存费用。企业为了能够正常运转，一般都会有库存，而库存量的大小却 很难掌握，库存过大造成存货积压现象占用资金和产生较高的储存费用，浪费很大一笔 库存管理费用，而如果库存过少则会出现断货的情况，让企业蒙受损失。如果预测准确 度提高的话，就可以相应地减少安全库存量，提高库存管理水平，减少资金的损失。 销售预测不仅仅是组织制定各种计划的需要，而且在一个组织内部，各个不同的只 能部门也对销售预测有不同的要求，以便制定各自相应的计划，从而可知销售预测功能 之强大。 6 第一章绪论 1 2 3 库存控制 物料的存储现象由来己久，但是把存储问题作为一门学科来研究，还是进入2 0 世纪 以后的事情。早在1 9 1 3 年h a r r i s 就提出了“经济批量”问题，他研究如何从经济的角度 确定最佳的库存数量。“经济批量的提出，从根本上改变了人们对库存问题的传统认 识，是对库存理论研究的一个重大突破，可以认为它是现代库存理论的奠基石。 随着管理工作的科学化，库存管理的理论有了很大的发展，形成许多库存模型，但 是国外的研究要早于国内的，主要有：r a vi an v pi n d i ，y e h u d a b a s s o k 研究了一个制造 商、两个零售商的模型，并对零售商单独持有存货和有一个中心存货进行了对比，得出 多个零售商的库存物理中心可以降低总成本，增加收益。c h e n & z h e n g 在随机需求下提出 了可用于计算系统稳态链库存水平的递归程序，并给出了补充频率和启动成本的精确公 式；a x s a t e r 等人提出了一种估计优化算法。这种方法是基于随机需求服从泊松分布而 提出的，它用等价泊松需求来替代实际需求，但均值与标准差的比值与实际分布保持一 致，最后再将求得的解转到原来的位置中；c h e w & j o h n s o 设计了一种估计方法，用于预 测( q ，r ) 补充政策下一个仓库、多个同质零售商系统的服务水平1 1 4 1 。 国内对库存的研究比较晚，并且大多数人集中在对单点库存控制的研究上，而对供 应链下的库存控制研究很少，但近几年来也有了较大的提高主要有：马士华提出了供应 链网络结构模型，建立了供应链网络结构模型的多级库存控制模型，引入了供应率和需 求率两个变量，根据经济批量原理，求出了最佳订货批量和最佳订货批量周期；彭禄斌、 赵林度基于供应链网状结构模型，提出了该模型的多级库存控制问题。引入前置时间和 订单执行率等参量，分析了供应链上各节点企业发生的订货费、存贮费和运输费。杨益 民等研究了仓库容量有限条件下的生产销售存贮问题，建立了使用租借仓库的生产销售 存储模型。 1 3 课题研究的主要内容 本论文针对企业中日益增多的历史数据和销售预测的重要性，提出了将数据挖掘应 用子预测当中，使得传统的时间序列预测技术得到了进一步的应用，因为该企业的型材 分主型材和辅型材，建立的预测模型只适用于主型材和部分辅型材，对于不适用该模型 预测的辅型材选择了库存控制的方式，以下是具体内容： ( 1 ) 对销售需求进行分析，设计销售型数据仓库，基于b i 决策软件m i c r o s t r a t e g y 建立销售联机分析，用于数据提取和分析。 7 大连交通大学硕十学位论文 ( 2 ) 对已提取出的数据进行分析，确定采用时间序列分析法中的季节剔除变动法 建立销售预测模型，采用滑动平均和指数平滑法两种方法进行趋势预测分析，并对它们 的误差进行分析对比，选择误差最小的作为该模型的建模方法。 ( 3 ) 对主型材和辅型材进行销售相关分析，得出相关系数低的辅型材不适合用该 预测模型进行预测，对此提出用库存控制的方法来指导生产，提出将布林线应用于库存 控制的新概念，并对该方法进行实例分析研究。 1 4 本章小结 本章主要论述了本课题研究的背景、意义和商务智能、预测技术、库存控制在国内 外的研究现状，并分别列举了一些典型案例，为以后课题的深入做铺垫。简单阐述了大 连某企业的经营现状和信息设备。 8 第二章基于m i c r o s t r a t e g y 7 i 的数据挖掘 第二章基于数据仓库的p v c 型材销售联机分析 2 1 数据仓库系统体系结构 所谓体系结构( a r c h i t e c t u r e ) 是指整套的规则和结构，为一个系统或产品的整体设 计提供主框架。数据仓库体系采用数据源+ 数据仓库( d w ) + 联机分析处理o l a p ( o n l i n e a n a l y s i sp r o c e s s i n g ) + 数据挖掘( d m ) 的结构方案【1 5 7 1 ，如下图2 1 所示。 口 数据源 数据集市 图2 1 数据仓库体系结构 f i g 2 1a r c h i t e c t u r eo fd a t aw a r e h o u s e 根据该集团现有条件设计的数据仓库体系结构如下图2 2 所示。本系统分为三个逻 辑层，包括数据源、数据存储和联机分析与挖掘。 ( 1 ) 数据源区：该集团拥有完善的e r p 系统和自主开发的分销管理系统，设计数 据仓库体系时数据源一部分为e r p 系统中的库存、调拨等实时数据，另一部分为分销 管理系统中各区域的销售数据记录。该部分的数据抽取转换部件按数据仓库的主题和模 型将数据源中的数据抽取转换并装入数据仓库中得到企业的一个全局视图，采用o r a c l e 公司的o w b 工具软件实现。 ( 2 ) 数据存储区：该部分作为销售系统的数据仓库存储经过清洗、转换后的数据。 数据存储部件实现数据仓库主题数据的集成、存储和管理，用以支持经营管理中的决策 9 大琏变通大学硕十学侍论文 制定过程。多维分析和数据挖掘是最常听到的例子，数据仓库能供给它们所需要的、整 齐一致的数据，采用o r a c l e9 i 数据库管理系统实现。 ( 3 ) 联机分析和挖掘区：交瓦分析与挖掘工具实现联机分析和预测、聚类、统计 等挖掘分析，帮助分析人员、管理人员从多种角度把从原始数据中转化出来、能够真一 为用户所理解的、并真实反映数据维特性的信息进行快速、一致、交互地访问，从而 获得对数据的更深入了解，采用b i 前端应用软件m i c r o s t r a t e g y 作为联机分析工具，它 可支持基于w e b 的分析报表制作、联机分析( o l a f ) 、主管信息系统和即席查询分析能 很好的为管理者的决策提供支持。预测挖掘分析采用o f f i c ee x c e l 工具。m i c r o s t r a t e g y 分析工具可将各种分析报表导出成e x c e l 格式报表，借助e x c e l 内嵌的各种统计分析和 数据挖掘算法函数，可方便地进行各种挖掘分析。 罔 际云赢 隰巍 酗2 2 数据仓库体系结构的设计 f i g2 2 d e s i g n i n g o f d a t a w a r e h o u s e7 sa r c h i t e c t u r e 2 2m i c r o s t r a t e g y 概述 b i 软件产品包括：“数据仓库产品”与“b i 的端应用软件产品”两太部分。传统 意义上的前端展示技术包含报表和查询等基本的内容，但随着b i 技术的进一步发展和 市场的要求，这一部分技术得到了极大的扩充，也成为了b i 领域最为活跃的部分。实 德集蚓的“数据仓库产品”选择的是o r a c l e9 id a t aw a r e h o u s e ；“b i 应用软件产品” 使用的是m c r o s t r a t e g y 。 软件m i c r o s t r a t e g y 能够协助各公司开发各种大型数据库以及个人用户的分析软件 允许各公司通过电话、传真、电子邮件以及互联网向用户传送各种定制的、个性化的信 第二章基t - m i c r o s t r a t e g y 7 i 的数据挖掘 息。用户也可以根据自己的情况决定何时或者以和种方式等来收看各公司的信息。 m i c r o s t r a t e g y 的各个组成部分及平台架构如图2 3 所示。 m i c r o s t r a t e g yi n t e l l i g e n c es e r v e r 是m i c r o s t r a t e g y 产品平台的基础。使用中央集中的 元数据库，i n t e l l i g e n c es e r v e r 将报表请求转化为优化的、为每一种主流数据库专门设计 的s o l 查询以及数据库本身无法实现的分析计算。m i c r o s t r a t e g yo l a ps e r v i c e s 是 m i c r o s t r a t e g yi n t e l l i g e n c es e r v e r 的延伸，它允许m i c r o s t r a t e g yw e b 和d e s k t o p 用户使用 i n t e l l i g e n tc u b e s ，最终用户可以添加或删除报表对象，添加导出型度量或修改过滤器 所有这些动作的响应时间完全由i n t e l l i g e n tc u b e s 决定。使用i n t e l l i g e n tc u b e s ，o l a p s e r v i c e s 能够进行多维o l a p 分析，同时保证用户向数据仓库整个深度与宽度钻取的能 力。m i c r o s t r a t e g yd e s k t o p 使用与查询与报表制作，数据分析以及报表开发的高级桌面 工具。它运行在m i c r o s o f tw i n d o w s 操作系统上，主要面向高级分析与应用开发。d e s k t o p 提供了全面的分析功能，包括制作报表，数据挖掘，统计分析，集合分析和时间序列分 析。d e s k t o p 的报表设计器，编辑器与向导使开发人员可以创建简单报表，带提示框或 参数驱动报表，积分卡以及定向工作流报表。 图2 3m i c r o s t r a t e g y 平台架构 f i g 2 3p l a t f o r ma r c h i t e c t u r eo fm i c r o s t r a t e g y 大连交通大学硕十学位论文 2 3 系统需求分析 市场销售的效果如何，是一个企业经营成功与否的关键。该公司在过去和大部分的 企业一样，面对大量的、复杂的销售决策问题，往往依靠个人的知识和经验进行决策， 具有一定的盲目性。随着市场的扩大和竞争的加剧，在决策时需要考虑的因素更多、时 间紧迫性更强、决策难度更大，如果还是单纯依靠个人经验进行决策，将具有很大的局 限性，企业必须借助必要的辅助决策工具，为销售决策提供支持。本章在需求分析的基 础上建立了数据仓库系统，并采用前端分析工具m i c r o s t r a t e g y 对企业的销售进行了联 机分析( o l a p ) 。 2 3 1 分析对象 基于数据仓库的分析系统开发的第一步是进行需求分析从而确定分析主题。数据经 过抽取、清洗后汇总到数据仓库中，数据仓库按不同业务运营主题如：财务主题、销售 主题、采购主题、库存主题等等进行分类。本文中主要是对销售领域进行了详细的需求 分析。 此处需求分析并不是一次把用户的需求完全提取出来，因为用户所面临的决策问题 总是在变化，导致用户对系统的需求也在变化，所以此处的需求分析的目的只是明确用 户对销售决策支持系统的基本需求。 ( 1 ) 分析主题和变量 因为是根据以往的销售数据来分析下一年的预销售，所以分析主题是：日销量分析、 月销量分析和年销量分析；分析变量为：日销售数量、月销售数量和年销售数量、销售 金额和成本 ( 2 ) 维 时间 产成品 销售实体 ( 3 ) 层次 时间：t o t a l 年 月 日 产成品：t o t a l 产品系列 2 0 0 8 年1 月份实际趋势值+ ( 1 - 权重指数) x 2 0 0 7 年1 2 月份的预测趋势值 2 0 0 8 年2 月份的销售预测值：2 0 0 8 年1 月份的预测趋势值x 2 0 0 7 年2 月份季节指数 第j 章时间序列建蕾预测模犁 2 0 0 8 年1 月份的季节指数：2 0 0 8 年1 月份实际销量2 0 0 8 年1 月份趋势预测值 2 0 0 8 年1 月份的季节修正指数：权重指数x 2 0 0 8 年1 月份季节指数+ ( 1 权重指数) 2 0 0 7 年1 月份的季节指数 依次类推，即可得到2 0 0 9 年1 月份到6 月份的销售预测，在预测2 0 0 9 年1 月份的 销量时，采用的是2 0 0 8 年1 2 月份的趋势项和2 0 0 8 年1 月份的季节指数之乘积。 采用指数平滑预测法的关键就是权重指数的选择。和滑动平均算法一样对于权重指 数的选择采用了试用法，在指数平滑中权重表示与实际销量的关联程度，权重越大表示 所预测的值与上一个月销量的关联程度越大，趋势项和季节指数的权重指数口依次选择 0 1 、0 2 、0 3 、0 4 、0 5 、0 6 、0 7 、0 8 、0 9 ，分别对2 0 0 9 年1 月份到6 月份进行销售 预测，然后根据根据他们的误差选择一个最优权重指数作为最终的预测模型。 3 3 4 预测模型的比较和误差分析 在所有的预测问题中预测值与实际值不会正好吻合，总存在一定的偏离，我们把这 种偏离称为预测误差。不论是什么类型的预测模型，预测的未来时间越长，预测的可靠 性就越低，预测误差就越易于扩大。在实际工作中，企业在做销售经营决策时均以销售 预测结果为依据，因而如何评定销售预测结果的精确度，和准确判断销售预测误差，就 成为销售预测工作不可缺少的一部分。 不论是企业的实际应用还是理论研究，对于预测误差的研究，一般采用比较法，将 实际值与预测计算值相减，其相差的部分称为预测误差，公式如下3 6 所示： e * y e ( 3 6 ) 其中，巨表示误差，表示实际销售量，e 表示所对应的销量预测值。 在实际误差分析中e 均取绝对值，用正数表示，常用的衡量总的预测误差的统计量 有如下几种【2 7 l ： ( 1 ) 平均绝对误差 平均绝对误差是在最简单的平均误差的基础上演变而来的，采用平均绝对误差，克 服了误差正负相互抵消的弊端，根据e 的数值大小，能够反映预测结果的准确程度。 e = 言e = 去陪f , i ( 3 7 ) 疗- ，l - ( 2 ) 标准误差 大连交通大学硕十学位论文 在解释标准误差之前先认识一下它的前身均方误差，均方误差为各预测值误差 的平方和的平均值，而标准误差就是将均方误差开平方得到的，在数理统计中，标准误 差指的是参数估计值与参数真实值之差平方的期望值，用m s e 表示。 0 ；际 ( 3 8 ) 由于均方差口2 是与误差的平方和有关，不会产生误