生产运行相关外部数据处理

5.3.3.1　销售数据

目前产品销售预测技术主要包括两大类，定性预测和定量预测。定性预测主要是通过社会调查采用少量的数据和直观材料，结合人们的经验加以综合分析，做出判断和预测。目前预测销售量的定性方法有主管人观点评定法，销售人员数据汇总法，购买者期望调查法，德尔菲法。定性预测的主要优点在于简便易行，一般不需要先进的计算方法和高深的数学知识，易于普及和推广。但是因缺乏客观标准，往往受预测者经验认识的局限，而带有一定的主观片面性。定性预测方法一般只用于资料缺乏的情况，如新产品市场销售趋势预测等。

定量预测是利用完整、真实的历史销售数据给出确切预测数据的预测方法。定量预测可以分成两大类：时间序列分析法、回归分析法。目前常用的定量销售预测方法有：平均值预测法、移动平均预测法、指数平滑预测法、自适应指数平滑预测法、Winter模型等。每一种定量预测方法都各自关注于不同的影响因子。然而，由于每一种类型方法关注不同的影响因子，没有一种预测方法能够考虑到所有的影响因子，导致预测结果与实际有较大的偏差。

自Wold H［4］提出移动平均法进行预测开始，学者们致力于寻找提高精度的预测方法。Kalekar P S在指数平滑方法的基础上综合考虑了季节、噪声、趋势和水平四个销售影响因素，提出了Holt-Winter指数平滑预测模型［5］。Chen M等人结合Holt-Winter模型与ARIMA线性模型预测GDP［6］；而Zhang G P设计的混合模型使用ARIMA线性模型与人工神经网络ANNs以提高预测模型的精确度［7］；同时，Chang P C使用基于自组织映射SOM和案例推理CBR方式为批发商进行新书销售分析与预测［8］。Moe等人分析预定量中的订单者行为与收单者行为，提出混合Weibull模型预测新产品的销售［9］；Brühl B等人利用MLR和SVM数据挖掘模型，使用PCA方法结合10种外生因素，提出了针对德国的自动化市场的销售分析与预测模型［10］。

为了满足企业多维度销售数据分析，梁满提出了使用OLAP多维分析技术为用户提供高效、实时、多角度的数据展现［11］。Moole B R使用OLAP与数据仓库、贝叶斯框架相结合为库存管理提供决策支持［12］。然而，学者们并未同时关注销售分析与预测中的多维度条件与多影响因子，目前在多维度数据条件下整合人工智能数据挖掘算法提炼销售分析与预测影响因子的研究较少。

汽车企业营销数据包含经销商订单数据、经销商提车交车数据、客户关系管理数据、零部件订单交货和库存的数据，数据来源于汽车企业ERP系统。其他非结构化类型数据，包含售后服务维修和置换数据、官网线上体验数据、呼叫中心预约试乘试驾数据、车载（telematics）数据、网上访客数据、微博、微信等线上接触的数据。

销售主题的数据分析内容：

（1）销售数量与金额走势分析：组织机构（集团、分公司、事业部、门店、区域、业务单元，可选取），期间（年度、月份、某一时期）、销售数量和金额。

（2）销售数量与金额构成分析：组织机构（分公司、事业部、门店、区域、业务单元等），期间（年度、月份、某一时期）、销售数量和金额的具体值与总销售数量和金额的占比。对比各业务单元的重要性、发展速度的合理性、数量与金额的匹配合理性，判断某一业务板块的经营特点。

（3）销售量价分析：组织机构（集团、分公司、事业部、门店、区域、业务单元，可选取），期间（年度、月份、某一时期）、产品大类、销售数量和某类产品单价。得到某一业务单元在某一时间内、某类产品的销售量与销售价的走势关系，在某一时间内在不同区域的销售价格分布。

（4）客户价值分析：客户集合（可选取）、期间（年、月、日、某一时间段）、销售量、销售额、销售单价、应收款额。

ERP系统中销售数据的统计报表查询：

（1）销售明细账查询。

（2）合同的执行情况。

（3）销售订单执行情况的跟踪。

（4）拖期情况查询。

（5）销售欠款查询。

（6）销售计划完成情况分析。

（7）依据应收账款报表编制的对账单，用于销售人员催收账款使用。

（8）客户信息分析与查询。

销售分析与预测内容：

（1）年度销售分析与销售预测模拟：包含历年销售实绩和预估当年销售总量，市场成长比，进行整年度的销售计划预测。

（2）每月销售分析与销售预测模拟：包含N＋3滚动预测及每季度进行销售分析与预测。

（3）销售管理分析：新车销量趋势与结构分析、车厂库存指标分析（总体指标/库存系数/同比分析/库龄分析等）、经销商库存分析。(www.xing528.com)

（4）整车零售量分析：包含销售目标完成率（每季度/每年度）、配额订单与提车实绩比分析。

（5）客户细分：将一个大的消费群体划分为一个个细分的消费群，以便更好地了解客户结构。可以采用聚类分析方法。

构建大型OLAP销售数据多维立方体，对制造企业销售数据进行快速的数据训练，对不同维度上的产品销售序列进行分析并输出最优预测序列。通过可视化的销售分析系统可以让汽车企业销售总部、区域、品牌、网点、销售经理、售后维修经理等不同管理层对关注相应的运营指标进行持续监控和管理。

自适应组合预测是指分析多个预测序列的不同特性，将其进行自适应的加权组合而产生一个新的预测序列。相对于传统的时间序列预测技术，自适应组合预测方法的应用能带来两个好处，第一是预测准确度的提高，因为它能对多种基本预测模型进行取长补短，第二是降低预测人员的预测难度，因为它摒弃了选择某一种时间序列预测技术进行这一环节。如何训练各个基本模型的权重，根据不同场景灵活调整各个模型的影响度在自适应组合销售分析与预测中至关重要。将模拟退火算法、粒子群优化算法和平均绝对百分误差引入到销售分析与预测中，利用模拟退火算法在大空间范围内查找最佳状态点的能力和粒子群优化算法的快收敛性相结合，训练各个基本模型的权重，灵活地提供最优的组合权重，实现高精度的销售分析与预测。粒子群优化算法（PSO）从鸟类搜寻食物模型中演化而来，一种基于群体协作的随机搜索算法。PSO收敛速度快，但是容易受困于局部最小值。两个算法的结合能达到互补的效果，提升预测的精度和效率。基于大数据的自适应组合销售分析与预测如图5-13所示。

图5-13　基于大数据的自适应组合销售分析与预测

采用聚类分析法，可以针对客户群体进行细分，找到营销活动所对应的目标客户群。采用因子分析法，评估一个品牌在市场领域内份额和实力，创造市场营销机会。从决策树分析法，确定那些车辆属性和消费习性，设计适合于不同领域和地区的不同产品组合来进行营销。从分类分析法，针对丢失或忽视的客户进行关怀和促进回厂，针对老客户、忠诚客户给予特别的营销活动，创造客户最大的价值。汽车产业销售分析与预测方法如图5-14所示。

图5-14　汽车产业销售分析与预测方法

5.3.3.2　供应链数据

工业大数据不仅贯穿于生产全过程，而且在企业与供应商经营资源和财务资源的交互中得到不断积累，为企业对自身供应链资源的信用评估提供了强有力的客观依据。在持续合作经营中，企业和供应商交易过程中的协商成本和契约成本将因为数字信用关系的建立而大幅降低。一旦信贷机构介入这一信用关系并发展成更为稳定的三角信用体系之后，信用价值的乘数效应将得到进一步放大。不久前，海尔与中信银行展开了供应链网络金融平台战略合作，搭建了基于海尔经营数据和财务数据的海尔合作伙伴信用评价模型，引领了工业大数据信用商业模式的创新实践。这一平台不仅为中信银行降低了发放贷款的风险控制成本，还为海尔供应商伙伴节省了融资成本，并进一步促成海尔供应链环节的优化和生产效益的提升。

物流系统主要依托于营销订单，仓储物资以及其他相关联的基础信息，其数据来源主要包括以下几个部分：

（1）企业综合营销系统。存有对全国各省份烟草商业公司的销售信息，订单数据。

（2）ERP系统。存有全国烟草工、商业公司，近百家承运单位的数据资料。

（3）RFID卷烟成品数字化仓储系统。存有全国各烟草工业公司所有库存仓库的资料。

（4）一号工程。是烟草行业卷烟生产经营决策管理系统，是一个覆盖全行业的，遍布全国各地的大型广域网络管理平台，每天都产生大量的日销售数据。

（5）工商协同系统。全国数百家烟草工、商业公司数据对接，协同工作的业务系统，存有大量交易信息。

从数据仓库的概念可知数据仓库的设计是面向主题的，结合浙江中烟的物流业务需求，系统可分为如下几个主题域：

（1）运输单主题域。运输是调度的核心内容，此主题围绕运输单展开，主要分析影响运输调度的各方面因素。

（2）在途主题域。在途监控是智能物流的核心体现，此主题主要从监控实时性，准确性，在途事故率等方面分析物流在途运输的各方面情况。

（3）费用主题域。费用主题主要关注物流运输结束后的重要结算环节，此主题主要从流程化，安全度，完成率，归档分析等多个角度分析物流费用的结算情况。

（4）KPI绩效主题域。KPI绩效主要是对物流部，下属各库点和第三方承运单位的绩效考核管理，此主题最重要的关注点是从多个考核指标对第三方物流服务提供商进行评价，用于承运商的选择决策。

对于运输单主题，需要从时间、卷烟、地区、承运单位等多个维度进行分析。其中时间维度可以分为年、半年、季度、月、周、日六个粒度；地区维度主要分为省内，省外，各省，各市四个粒度；卷烟维的粒度可分为规格、品牌、价类、焦油含量、价格等；承运单位维度可分为公司，车队，车辆三个粒度；基础指标包括运输总量、库存量、到货时间、出库入库时间等。运输单主题的信息包图如图5-15所示。

数据将会是各个行业所争夺的最为重要的资源，制造业也不例外，打好信息化基础，是提高企业智能化程度的重要途径。

图5-15　运输单主题的信息包图