行业研究公司研究宏观策略财报招股书会议纪要 Token 低空经济十五五 AIGC 大模型

第十一届挑战赛B2-产品订单的数据分析与需求预测

2023-09-01 数睿思绿毛水怪

摘要

产品需求量是企业供应链的关键部分，受价格、区域、销售方式、类别和时间等多种因素影响。本文采用机器学习模型、深度学习模型、时间序列模型及组合模型预测不同数据类型和因素影响下的产品需求量，对比不同预测粒度下的预测精度，为企业生产计划提供决策依据。

问题一：产品订单的数据分析

价格对需求量的影响：通过双对数线性回归模型计算需求价格弹性，分析价格对需求量的影响。结果表明，部分产品需求量受价格波动影响明显，整体上价格上涨，需求量降低，反之亦然。不同区域之间存在关联，部分产品需求量相近。产品销售方式以线下为主流。受产品质量、用途影响，不同类别的需求量有明显差异。时间方面，月头、月中、月末需求量基本相当，春节所在月份需求量最低，年中、夏季时需求量偏低，节假日附近时间段需求量偏低。多种因素之间相互制约共同影响需求量。
区域对需求量的影响：分析产品所在区域对需求量的影响，以及不同区域的产品需求量特性。结果表明，产品所在区域在一定程度上影响需求量，具体表现在区域由于经济发展情况不同而所需产品与需求量不同，亦表现在地理环境、交通条件和气候条件等因素对区域所需的需求量产生影响。不同区域的需求量有着相似的特性，又有自身独特的特点。
不同销售方式产品需求量特性：分析线上与线下销售方式的产品需求量特性。结果表明，整体上线下销售方式的需求量要比线上需求量要大，销售方式以线下为主流；而不同产品中，绝大数产品线下销售方式的需求要比线上的需求多，存在少部分产品更加侧重线上销售的需求量。
不同品类产品需求量异同点：分析不同类别之间的产品需求量。结果表明，不同类别中，基本上存在产品数越多，需求量越大的规律，有少部分类别则反之。不同类别间所有的产品数不同，需求量也不同。但类别间有着相近的产品数与需求量的情况，猜测类别间亦存在联系。并且从整体上看，存在对个别类别需求有所偏重的情况，即热销类别产品。
多因素影响需求量：分析区域、价格、销售方式、类别等多因素对需求量的影响。结果表明，区域与类别之间存在关系，并对需求量有一定的影响。销售方式与区域共同对需求量产生一定的影响。类别与价格也会共同影响需求量的变化。单个因素对需求量的影响表现不明显，通过分析不同因素之间对需求量的影响，进一步得出因素间可能存在的关系，得出多种因素之间相互制约共同影响需求量。
不同时间段产品需求量特性：分析月头、月中、月末以及年头、年中、年末等不同时间段的产品需求量特性。结果表明，40个月中需求量存在时间段的波动，没有明显递增或递减趋势。整体而言每年2月份的总需求量都较低，猜测可能收到春节假期等影响。进一步分析可以发现每个月的月头月中月末的需求量相当，时间段内需求量保持着平稳。整体呈现u型曲线，分析可能收到开工赶货、放假存货等因素的影响。
节假日对产品需求量的影响：分析节假日对产品需求量的影响。结果表明，节假日的需求量相对较近几天都比较低，猜测可能存在消费者购买力减弱、供应商发货能力受到影响、价格受到消费者购买力变化的影响等原因。
促销对产品需求量的影响：分析促销对产品需求量的影响。结果表明，部分促销日当天的需求量相对于附近时间较高，部分促销日相对于附近几天的需求量较低。促销对产品的需求量影响有利有弊，应该考虑多重因素，采取合适的促销手段。
季节因素对产品需求量的影响：分析季节因素对产品需求量的影响。结果表明，秋季总需求量最大，春季次之，冬季最低，夏季需求量偏低。

问题二：产品订单的需求预测及分析

基于机器学习与模型融合预测：采用机器学习方法，利用集成学习算法建立随机森林、LightGBM、XGBoost、CatBoost模型进行预测，并通过模型融合改良模型进行预测。结果表明，模型融合在预测表现较好，并在不同时间粒度下，预测精度有所提升，达到0.911。
基于深度学习时间序列预测：利用分区域单特征的深度学习方法对稀疏数据进行预测，建立LSTM模型预测，结果显示预测结果较差，拟合优度为0.239。
多类别需求量预测：利用分类别单特征的组合模型ARIMA-LSTM模型进行预测类别总需求量，再按规定权重进行预测单产品需求量。并在预测的同时利用Prophet与NeuralProphet模型预测填充缺失天数的需求量。分析不同思路中预测结果与精度，最终选取机器学习预测的结果作为最终预测结果。结果表明，在时间粒度的深入下，输入模型数据量变多，数据更加精准，预测精度有所提高。