Suikerpot, De

如何使需求预测更准确 把需求预测由前置仓集中到中心仓，在颗粒大的地方做预测。在清洗、整理数据的前提下，选择更好的预测方法，做好数据分析，提高基准预测的准确率。基于需求历史制定基准预测后，由销售、市场、产品管理等部门基于市场需求做出预测调整。 一、数据清洗 以数据清洗为前提，提高数据的准确性，为后续的需求预测和库存计划打好基础。 检验数据的一致性，发现超出正常范围、逻辑上不合理或者相互矛盾的数据，供进一步核对和纠正；用样品均值、中位数或众数代替无效值和缺失值，删除特定样品，甚至删除整个变量。 应采取“削峰填谷”的方法进行数据清洗，即促销期间以及相邻的时段，用之前一段时间的平均需求来代替。至于时段多长，取决于具体业务特点，跟移动平均法要用多长周期的历史数据的道理类似。削峰填谷后就得到基准数据，然后用合适的预测模型来制定基准预测。至于后续的促销，许需要另外预测，叠加到基准预测，就是最终预测。 【数据清洗的步骤】 1.预处理阶段： （1）将数据导入处理工具，单机跑数搭建MySQL环境，数据量大，可以使用文本文件存储+Python操作的方式。 （2）看数据。一看元数据，包括字段解释、数据来源、代码表等一切描述数据的信息。而是抽取一部分数据，使用人工查看方式，对数据有一个直观了解，并初步发现一些问题，为后续的处理做准备。 2.缺失值清洗 （1）确定缺失值范围：对每一个字段都计算其缺失值比例，然后按照缺失比例和字段的重要性，分别制定策略。 （2）去除不需要的字段 （3）填充缺失内容 ·以业务知识或经验推测填充缺失值 ·以同一指标的计算结果（均值、中位数、众数等）填充缺失值 ·以不同指标的计算结果填充缺失值 （4）重新取数 3.格式内容清洗 （1）时间、日期、数值、全半角等显示格式不一致 （2）内容中有不该存在的字符 （3）内容与该字段应有内容不符 4.逻辑错误清洗 （1）去重 （2）去除不合理值 （3）修正矛盾内容 5.非需求数据清洗 6.关联性验证 二、数据分析 根据预测精准度，通过平均绝对百分比误差、均方误差的准确度指标，采取更优的预测方法，选择合适的预测模型，同时还要考虑现货率、库存周转率和运营成本。 复盘过去一段时间的预测，通过比较各种方法的准确度，来选择更合适的预测模型。对于每版预测，保留过去几周的值，计算每周的预测误差，求出均方误差，根据均方误差的大小，决定下次预测用什么方法。 1.移动平均法 适用于需求相对平稳，没有趋势、季节性的情况。 A.简单移动平均 Ft+1=过去n期需求的总数/n=D1+Dt-1+Dt-2+......+Dt-n+1/n B.加权移动平均 需求历史越接近，权重比例越大，所有权重加起来为1。 Ft+1=W1D1+W2D2+........+WnDt-n+1 2.指数平滑法（调整误差） A.简单指数平滑法 平滑参数(α) α介于0和1之间，通过选择不同的平滑系数，指数平滑法可以更好的匹配业务的变化 需求历史越近，权重越大，能更快的响应需求变化。 Ft+1=Ft+α(Dt-Ft) 平滑系数α的选取 ·当需求历史比较稳定时，选取较小的α值，0.05～0.2 ·当需求历史有波动，但长期趋势没有大的变化时，可选取稍大的α值，0.1～0.4 ·当需求历史波动很大，呈现明显且迅速的上升或下降趋势时，宜选取较大的α 值，0.6～0.8 ·当需求历史是上升或者下降序列时，α宜取较大值，0.6～1 B.霍尔特双参数法（应对趋势） 本期水平部分=α*本期需求实际值+（1-α）*（上期水平部分+上期趋势部分） 本期趋势部分=β*（本期水平部分-上期

江湖岁月始于音乐，有酒逢知己，千金一诺的赤心；有一击不中，远遁千里的轻逸；有以武犯禁，血溅七步的勇毅；有家国天下，侠之大者的追寻；有累累白骨，五步一死的肃杀。《Suikerpot, De》将家国大义、儿女情长的武侠精髓化作一串串音符，刻画出漠漠枫林、皑皑白雪、冷冷山月、落落情怀。

纵命运坎坷，词性尚在。家国情怀，柔情刚骨，她的词中散发巾帼不让须眉之风。能跳出礼教束缚，尽管道途更迭，且不忘初心。                          一代词宗，李易安

数字信息时代，有点数学思维对个人还是大有裨益的。能够理解数据的产生、处理以及根据不同使用目的进展不同分类处理。同时，在我们对平台等发布的统计结果有更好的分辨能力，用辩证的眼光看待。防止受到平台为了自身利益最大化的目的，对数据进行有取舍的处理的误导等。另外，也不要把数学想的过于复杂。在日常生活中只要有意培养系统的数学思维习惯就可以对绝大部分情景保持客观理性。