淘宝批发商铺数据分析及销量预测_宋唯一.doc

《淘宝批发商铺数据分析及销量预测_宋唯一.doc》由会员分享，可在线阅读，更多相关《淘宝批发商铺数据分析及销量预测_宋唯一.doc（21页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、淘宝批发商铺数据分析及销量预测 吉林大学宋唯一王瑜王东 指导教师王德辉 摘要 在当前社会背景下，互联网贸易已经成为广泛的商业贸易活动中重要组成部 分。而在网络贸易形成的过程中会产生大量的数据，利用这些数据我们能够得到 很多有用的结果服务我们的生产生活。在本文中，我们选取淘宝若干家商家的价 格，销售指数及其他数据指数，利用竞争力模型，时间序列模型等方法对上述数 据进行探宄，分析出对销量影响较高的几种因素，并对其做具体分析。依据我们 所得出 的结果，可对商家某相应产品做出销售预测，以及应对已得结果对商家提 出合理化建议。 关键词 ： 品牌竞争力模型时间序列分析主成分分析 R 语言 MATLAB 1

2、注 :该论文获得由中国统计教育学会举办的“ 2015 年（第四届）全国大学生统计建模大赛”市场调查分析 类研宄生组三等奖。 1 引言 一、 研究背景 当前社会，互联网贸易己经成为商业贸易活动的重要组成部分。随着中国互 联网的蓬勃发展，网络购物在 近些年得到飞速发展。网络购物不仅给购买者带来 极大的实惠与便利，亦是给予商家契机使其得到了空前的机遇与发展。互联网购 物的蓬勃兴起，打破了原有的产业格局，对商家来说既是机遇也是极大的挑战。 不同于传统销售的成熟盈利模式，互联网购物对广大商家来说是新奇而又陌生 的，它带来的是全新的销售模式。对此，我们需要用更科学的方法更迅速地寻找 到这样一种模式，在飞速

3、发展的网络购物大环境中使自己成长壮大起来。 在互联网贸易过程中，会将许多传统模式中不被量化的因素量化后展示给消 费者，例如己购买者对购买商品及所在店铺的打分即 店铺评分，商品评分。这些 极大地影响着消费者是否购买该商品的决定。除此之外，己有销量，店铺信誉等 因素也影响着消费者购买欲望，这些复杂了店家对商品销量的预估，需要用数学 手段来建立合理模型确定影响销量的若干因素及其影响程度，从而为新产品的销 量情况有着更合理的预估。 二、 理论综述 (一） 竞争力模型 品牌竞争力是企业竞争力的外部表现，是在产品竞争过程中表现出来的竞争 能力。品牌竞争力模型主要是基于消费者的角度，评价多个品牌的优劣。品牌

4、竞 争力模型将消费者心理和消费者行为 结合起来，尽可能的贴近消费者的真实消费 行为。对于影响品牌竞争力模型的因素，也都是从消费者的角度出发，根据电商 所提供的、消费者可以观测到的具体数据作为影响因素，尽可能的贴近消费者心 理以及消费者行为。 (二） 时间序列分析 时间序列分析是一种动态处理数据的统计方法。该方法基于随机过程理论和 数理统计学方法，研究随机数据序列所遵从的统计规律，用以解决实际问题。时 间序列侧重研宄数据序列的互相依赖关系，所研宄的是随时间变化的相关结构， 对离散指标的随机过程的统计分析。它的应用非常广泛，从海洋学到金融学都是 它 的应用范围。 2 三、数据来源 在众多电子商务平

5、台中我们选取淘宝若干家店铺作为目标对其数据进行整 理研宄，为保护隐私我们将店铺名用字母代替。我们选取的店铺均为彩虹伞热销 店铺，以此为特例研宄进而推广到更广泛的商品领域。我们在淘宝网以及淘宝指 数收集数据，如成交价格，成交总量等。详见附录。 四、研究综述及研究思路 本文主要任务是通过淘宝店铺相关数据分析影响销量的若干种因素及其影 响程度 。我们首先将抽取出来的数据进行简单的整理与分析，便于我们有直观的 认识与理解。而后，我们利用竞争力量化回归模型对影响销量的若干因子做具体 分析。而后利用时间序列分析做出影响销量的具体模型，最后对相应的新产品做 出销量预测，进而利用此模型，拓展应用到更广泛的商品

6、领域，对其它商品销量 做具体分析，服务于商家。 第一章数据的简单处理与分析 我们从淘宝网以及淘宝指数上得到的原始数据类目较多且较为繁琐，故先行 进行一些简单处理。 我们共选取了三家店铺，为 0家居， Y 户外以及 S伞业，并 且此三家店铺 均为淘宝采购批发店铺。选取三家店铺中销量最高的彩虹伞作为主要研宄对象。 对于三家店铺，购买者对商品与描述相符情况，店铺服务态度，商品到货速度均 可以打分 （ 5 分为满分），图 1为该三家店铺打分情况以及同行业平均值 ： 店铺评分 描述相符 服务态度 到货速度 0 家居 口 Y户外 口 S 伞业 同行业平均值 图 1 3 同行业平均值是指淘宝平台上所有伞业店

7、铺评分的平均值。由上图我们可以 直观看到各店铺打分及与平均值相较情况。由于我们选择的店铺均是采购批发店 铺，故各家店铺对买家不同购买量均有相应价格调整，我们选择的是各家店铺销 量最高的彩虹伞，具体数据见表 1。 表 1 家居 购买量（把） 5-59 60-599 600 价格（元） 15 13. 5 12. 5 Y 户外 购买量（把） 5-79 80-9999 10000 价格（元） 10. 5 10 9.4 S 伞业 购买量（把） 50-1000 1001-9999 10000 价格（元） 11 9. 8 8. 5 截至 6月 3 日，各店铺成交总量见图 2。 成交总量 160000 140

8、000 120000 100000 80000 60000 40000 20000 0 图 2 己购买者可以对己购买商品进行打分，从低到高依次为一星到五星 ，图 3 图 5是各个店铺彩虹伞的打分情况： 4 0 家居买家打分情况 5 S 伞业买家打分情况 图 5 由于店铺为得到买家的高分评价，通常会采用“好评返现”办法，即买家收 到货品后若给店家全部五星好评，店家会返还买家少数现金作为酬谢。故淘宝店 铺的打分情况通常要高于实际情况。但由于这种情况在淘宝平台较为普遍，故我 们在本文并未排除这一影响因素。 第二章品牌竞争力模型 _ 品牌完争力 品牌竞争力是企业竞争力的外部表现，是在产品竞争过程中表现

9、出来的竞争 能力。品牌竞争力模型主要是基于消费者的角度，评 价多个品牌的优劣。品牌竞 争力模型将消费者心理和消费者行为结合起来，尽可能的贴近消费者的真实消费 行为。对于影响品牌竞争力模型的因素，也都是从消费者的角度出发，根据电商 所提供的、消费者可以观测到的具体数据作为影响因素，尽可能的贴近消费者心 理以及消费者行为。 对于某一位消费者来说，他对某品牌商品的反应过程应该大致见图 6所示。 6 图 6 对于一位普通的消费者来说，当他在电子商务平台上搜索某类商品后，他能 够直接看到的是电子商务平台根据搜索关键字列出的，并按照一定的规则排序的 产品信息。 由于各商家排序分类有：综合、销量、回头率、价

10、格四个方面，同时又根 据大众的消费心理与行为，本文数据采用销量排行靠前部分商家信息进行分析。 因此当消费者搜索到自己需要的产品之后，按照大多数人的行为习惯，需要点开 该商品寻找进一步信息来了解该商品。 进入商品页面之后，作为消费者可以看到 的商家展示的因素包括产品图片， 产品价格，商家信息，产品详细信息，成交量，产品评价，订购说明以及联系方 式。消费者通过网页上的其他链接还可以间接的获得其他信息，比如店铺评分， 商家规模等。 我们搜集了作为一位普通消费者通过直接或者间接方式可以获得的信息（见 图 7)。 7 图 7 上述十三个因素是消费者可以在网站上搜集到的数据，也是建立模型时采用 的影响因素

11、。虽然各因素都对竞争力有所影响，但是影响因素同竞争力之间不一 定有直接的因果关系，同时各个因素之间也可能有某种联系，在建模的时候，我 们会进行相应的标准化、独立化处理。 由于影响因素较多，而且数据量较大，因此对于这些因素的处理，我们选用 了主成分分析的方法。 二、主成分分析 主成分分析是将多指标化为少数几个综合指标的一 种统计分析方法。主成分 分析的主要思想是降低维度，用较少的综合变量来代替原来较多的变量，且这几 个综合变量又能够尽可能多的反应原来变量的信息且彼此之间不相关。 由于该模型统计分析处理的变量个数太多，并且彼此之间存在着一定的相关 性，因此使得所观察的数据在一定程度上反应的信息有所

12、重叠，同时在高维空间 中研宄样本的分布规律比较复杂，变量个数的增加势必增加分析问题的复杂性， 因此选用以降维思想所产生的主成分分析法进行分析建模。 (一）相关名词解释 定义 1 设尤 =(;,;,.,;为 p 维随机向量，称 Z, 为 X 的 第 1 个主成分 （ i=l,2,.,p)， 如果： ( i ) a： at =l(i = l,2,.,p)； (ii)当 il 时， 8 (iii) VarZi)= max Far(aX). aa=l， Za7 =0(y=l， .， z-l) 定理 l 设 z为 p 维随机向量，且协方差阵 D(； n=s,E 的特征值为次 2&为 相 应 的 单 位

13、正 交 特 征 向 量 ，则 X 的 第 i 个主成分为： Z; =a/Z (/ = l,2,.j). 定义 2 f,=文為，通常成为 ;为原总体 X 的总方差（或称总惯量 )。 1= 1= 1= 定义 3 主成分 Z, 与 原 始 变 量 X, 的 相 关 系 数 为 P(zk， x,) = a,k (k,i = ,2,-p) 并把主成分 Z,与原始变量 X,的相关系数成为因子负荷量 （ 或因子载荷量）。 定义 4 我 们 称 为 主 成 分 Z, 的 贡 献 率 ； 又 称 为 主 成 分 i= k= i= .人 （ m600 15 13.5 12.5 b 5-79 80-9999 100

14、00 10.5 10 9.4 c 50-1000 1001-9999 10000 11 9.8 8.5 d 3-50 51-499 彡 500 13.9 13.5 12.9 e 50-999 1000-9999 彡 10000 10 9.8 9.6 f 50-1999 2000-19999 =?20000 9.8 9.5 8.6 g 1-199 200-99999 =5100000 13 11 10.5 h 0-59 60-299 =?300 16.5 13.3 13 i 1-59 60-2999 =?3000 19.5 9.5 8.9 j 1-499 500-1999 =?2000 8.8

15、8.4 8.3 k 3-59 60-299 =?300 15 13 11.5 1 500-4999 5000-9999 =510000 9.8 9.7 9.6 m 1000-4999 =?5000 10.5 9.9 由图标可以看出价格的影响因素与购买数量相关，而且各店家所确定的价格 区间各不相同。 这里我们对于价格区间做一个简单的小分类，不 考虑价格区间的具体分类， 只是简单分成三段，那么我们可以得到三组向量： px =(15,10.5,11,13.9,10,9.8,13,16.5,19.5,8.8,15,9.8,10.5) p2 =(13.5,10,9.8,13.5,9.8,9.5,11,1

16、3.3,9.5,8.4,13,9.7,9.9) 10 p3 = (12.5,9.4,8.5,12.9,9.6,8.6,10.5,13,8.9,8.3,11.5,9.6,0) (1) 对这三组向量求均值与 方差可得： 五 (凡 ） =12.5615， Far(凡 ） =10.3692。 （ 2) 五 (/?2) =10.8385， F a r = 3.2909。 （ 3) 由于第三组数据最后一项为 0,为了避免大的误差，因此并没有计算第三组 数据的均值及方差。 通过均值与方差，我们可以发现，不同商家的价格波动并不大，并且根据消 费者的心理，不可能选择价格过于低廉的或者价格极端昂贵的商品。 对于其

17、他十二个因素，仅从数据上就可以看出，数据比较易于处理，而且均 是影响消费者判断的因素。 因此为了简化模型，方便建立模型，我们在建模的时候忽略了价 格因素，只 考虑其他十二个因素的影响。我们选取的样本值如附件 1所示，由于各个影响因 素计量单位大小不同，为了避免不同因素因为计量单位不同导致的差异，我们将 数据进行了处理，使得具体数值都处于 100 10000 之间，处理后的数据如附件 2 所示。 (二）模型建立 由于影响因素较多，所以我们选择主成分分析法对数据进行分析，使用 MATLAB软件，对数据进行了初步分析，详细程序见附件 3。 步骤 1:对原始数据进行标准化处理，计算相关系数矩阵及得分矩

18、阵。具体 相关系数矩阵数值见附录 3 步骤 2:计算相关系数矩阵特征值。相 关系数矩阵特征值见表 3。 表 3 特征值 A 义 2 乂 3 乂 5 义 8 Ao 数值 3.6793 1.9629 1.8664 1.6273 1.1487 0.9151 0.4811 0.151 0.0937 0.0650 0.0081 0.0014 步骤 3:计算贡献率以及累计贡献率见表 4。 表 4 个数 1 2 3 4 5 6 7 8 9 10 11 12 累计值 30.6605 47.0177 62.5712 76.1319 85.7041 93.33 97.3395 98.598 99.379 99.9

19、206 99.9884 100 (三） 结果分析 11 从累计贡献率来看，前五个主要成分的贡献率达到了 85.7041%，因此选用 前 5 个主要成分来表达所建立的模型。 前 5 个模型的表达式如下： yl =-0.2943x1 +0.1150x2 +0.4120x3 +0.4835x4 -0.1755x5 -0.0724x6 -0.3263x7 -0.0937X8 -0.3320X9 +0.0838X10 -0.4393xn +0.1876x12 y2 =-0.0150x1 -0.1583X2 -0.1689X3 +0.0106X4 -0.0808X5 +0.6336X6 -0.0032X7

20、 + 0.5971X8 -0.2908X9 -0.1457X10 -0.2405xn -0.1336x12 少 3 二 + 0.0445X2 + 0.2013X3 + 0.0475X4 + 0.6317X5 + 0.1630X5 + 0.0647X7 -0.0372X8 -0.1775X9 +0.3978X10 -0.1693XU +0.1160X12 y4 = 0.0135x1 +0.6510X2 - 0.0450X30.2167X4 -0.0724X5 +0.1452X6 -0.2485X7 + 0.3313X8 +0.4300X9 +0.3248X10 +0.1763xn -0.0872

21、x12 y5 =-0.0548x1 +0.2192x2 -0.3993x3 -0.1813x4 -0.2178x5 -0.0120x6 +0.2906x7 + 0.0242X8 -0. 1371X9 + 0.2420x10 + 0.1534xu + 0.7233X12 由于成分较多，我们考虑最简单的情形，即线性情形，对于各成分权重，我 们采用下面的方法赋值： =又 2Wt_2 + . + Wt_ +et -dxet_x - 2et-i (8)15 或者用观测序列符号来表示 : Yt Yt- = 1 (-1 _ f-2 ) + 2 (Xt-7 _ -3 ) + + (Xt-p Yt-p- ) +

22、 et et-7 2et-2 - qet-q 将上式中的 Yg 移项合并后得： = (1 + 戎 )r( j + (2 -戎 )r( 2+ + ( - 】冗 户 -户 j + - 6 j -沒 2 2 - 。 二阶差分后，即 =v2， 检验数据是否趋于平稳，使用 ADF 方法，考虑模 型 1； =#_1+七， t=l， 2,，其中 X 是平稳过程，如果系数 d=l， 贝 HYt过程非 平稳，如果 I a | 1，则过程平稳。 ADF 检验统计量是用最小二乘回归所得估计系 数a 的 t 统计量。零假设对应存在单位根，即过程非平稳，备择假设对应不存在 单位根，即过程平稳。通过 ADF 单位根检验，

23、得出检验 p值为 0.01，拒绝存在 单位根的原假设，序列是平稳的，同时得到时序图（见图 11)初步判断模型为 ARIMA(p, 2, q) 图 11 对数差分时序图 四、模型识别 对序列进行平稳化后，就可以初步建立时间序列模型，首先对 ARIMA(P, d, q) 中的 P 和 q 的值进行确定， （ d 已经确定为差分次数，本文中为 2)，即模型的定 阶。在此，我们利用 ARMA 模型的 ACF 自相关系数和 PACF 偏自相关系数的一般特 征对阶数进行确定。它们之间的关系见表 5。 表 5 ARMA 模型 ACF 和 PACF 的一般特征 AR(p) MA(q) ARMA(p, q) A

24、CF 拖尾 滞后 q 阶截尾 拖尾 PACF 滞后 P 阶截尾 拖尾 拖尾 16 下面对 ARM模型中的 P和 q进行确定，利用 ACF图（见图 12)和 PACF图 (见图 13)进行判断，初步判断 p 值取 3， q 值取 1。 Series logdiffyd Series logdiffyd Lag Lag 图 12 ACF 图 图 13 PACF 图 进一步利用 AIC 和 BIC 检验方法进行判断模型的最优阶数。通过检验发现 ARIMA(3, 2, 1)模 型的拟合效果比较好。因此，可以初步判断 Y 户外运动销售的 数据近似服从 ARIMA(3, 2， 1)序列。 五、参数估计 接

25、下来对模型中的参数值进行估计，考虑模型 ARMA(3， 1)，即 % - ， 需 要 估 计 其 中 的 参 数 ， ， 和沃估 计时间序列参数的方法有许多种，常用的方法有矩估计、最小二乘估计、极大似 然估计、 Yule-Walker 估计等方法。本文采用极大似然估计法。 本文利用 R 中的 arima 函数对参数进行估计，估计得出的结果见表 6。 表 6 则模型可以写成 + .586WM+0.4964%_2 + 0.3342%_3 ，由于上文 对数据进行了对数及差分平稳化处理，因此，模型为： (ln -ln7M) + 0.5861(ln7M -ln_2) + 0.4964(ln_2 -ln_

26、3) (9) + 0.3342(lnF 3-lnK 4) = +eM 八 x 八 i 八 彡 3 八 0i MLE 法估计值 -0.5861 -0.4964 -0. 3342 -1. 0000 s. e. 0. 1053 0.1135 0. 1141 0.0569 17 图 14 进一步的，对残差序列进行正态性检验，画出 qq 图，可以直观看出，模型 的残差近似服从正态分布。 因此我们可以得出结论，拟合出的 ARIMA (3,2， 1)模型可以很好的拟合 Y 店铺的销售量，模型具有合理性。 六、模型诊断 模型建立后需对模型进行诊断，证明模型的合理性，检验模型拟合是否充分。 本文主要对拟合模型的

27、残差进行分析，上文己经估计出碎 2,色，因此本文模 型中的残差定义为 & = 。 如果模型拟合的较为充分，并且参数估计充分接近真值，根据时间序列原理， 残差序列应近似具有白噪声序列的性质，即平稳的，独立同分布具有零均值和相 同方差的正态变量。如果检验不符合，需对模型进行重新构造或在己有模型基础 上对模型进行调整。 首先，对残差的平稳性进行检验，通过单位根检验，得出 P 值小于 0.01， 拒绝存在单位根的原假设，可以说明序列是平稳的。 其次残差应该近似服从标准正态分布，即均值为 ,方差为 1。利用 R 得到 图 14,可以直观看出残差近似服从 正态分布，且残差的均值为 -0.02662081，

28、 因此残差序列可近似看成是服从标准正态分布的，即白噪声序列。 Histogram of forecasterrors 18 七、预测 时间序列最重要的目标是根据历史对未来进行预测，下面根据已经建立好的 模型对 Y 户外用品商店六月份未来五天的销量进行预测。 利用 R 中的 forecast. Arima 函数对销量进行预测，得到置信系数分别为 80% 和95%的置信区间，见表 7。 表 7 forecast L 80% Hi80% L 80% Hi95% 1 4.138288 1. 812523 6.464053 0. 5813376 7.695239 2 5. 255429 2.707053

29、 7.803805 1. 3580238 9. 152834 3 5.671089 3. 021421 8.320756 1. 6187721 9.723406 4 4. 861484 2. 052317 7.670651 0.5652332 9.157735 5 4.199657 1. 024011 7.375304 -0.6570750 9.056390 Forecasts from ARIMA(3,2,1)(0,1,1)3 0 20 40 60 80 图 15 预测未来五天的销售量分别为 4. 138288、 5. 255429、 5. 671089、 4. 861484 和4. 199

30、657。由于之前为了去除序列的趋势性，对数据进行了对数变换，因此， 对应未来 5天的预测值应分别约为 62. 7、 191.6、 290. 35、 129. 22、 66. 66。 由 于数据本身的属性，店铺属性，网络存在一些不真实性，如恶意刷单、邮寄空包 裹等行为，预测值可能有一些误差。当忽略这 些不可控因素，理想状态下，可以 判定预测是合理的。 19 第四章结论及建议 一、 随着近几年网络购物平台呈现爆炸式发展，各个平台都产生了大量数据，也 是现在大数据时代的重要组成部分。这些数据的出现具有其深远意义。数据通过 处理，判断，分析，可以得到许多有价值信息。这些信息可以服务于网店各级决 策并帮

31、助我们的生产生活。故深度挖掘这些信息是极其重要的。 二 、 由竞争力模型来看，销量，店铺评分，商品评分都与品牌竞争力均呈 正相关， 这些与我们的思维习惯也是相符的。故提高店铺评分，商品评分可以在一定程度 上刺激消费者的购买欲。并且商品的已有销量也可以进一步提高购买者的购买 率。但本文也提到过，由于卖家“好评返现”以及恶意刷单情况，这些评分以及 成交量通常要高于实际情况，从中我们也可以窥见网络交易的低诚信性，这是网 络交易存在的隐患之一。诚信经营更是未来电商要努力的方向。 三、 时间序列分析最重要的目标是进行预测。前面所做分析及预测是较为稳定和 可靠的。根据预测，店家可以根据商品过去三月或更久的

32、每天销量来预测未来一 段时间销量。 这些预测销量可以帮助商家确定未来一段时间商品生产量，囤货量 等信息，从而保证商家收益。 第五章模型评价 一、 对品牌竞争力模型的评价 该模型简要的叙述了一种建立品牌竞争力模型法方法，但是由于样本数据不 够庞大，且对于价格影响没有具体讨论，各成分的对于竞争力的影响也只是选择 了最简单的线性模型，故该模型还有很大的改进空间。 二、 时间序列分析评价 互联网购物平台每天会产生大量的数据，为数据分 析提供了很好的素材，但 由于网络本身性质的一些限制，数据中有很大一部分需要进行处理、清洗后才能 进行分析，加上网络的虚拟性，很多数据并不能保证其真实性，因此需要不断总 结

33、归纳，用一些方法消除这些因素对数据分析的影响。网络、电商等为大数据的 发展打开了一片新的天地，但是也需要我们不断的发现、总结创造新的方法，在 传统数据分析的方法上进行不断进行改进创新，灵活运用所学知识，让数据发挥 他们的作用，创造更多的价值。 20 参考文献 1 高惠璇 .应用多元统计分析 .M北京：北京大学出版社， 2008. 2 北 京 新 华 市 场 研 究 咨 询 有 限 公 司 数 据 分 析 及 研 发 部 . 百 度 文 库 EB/OL,(2005-07-29) http:/ cqq.c2c. 3 谢中华 +MATLAB 统计分析与应用 40个案例分析 .M北京：北京航空航天大学

34、 出版社， 2010. 4 YangchangZhao. R 语言与数据挖掘最佳实践和经典案例 M.北京：机械工业 出版社 2014 5 DCryerJ， Chan K.时间序列分析及应用 M.第二版 .北京：机械工业出版社 2011 6 Coghlan A. ALittleBook Of RFor Time SeriesDB/OL.(2014-1-24) httr):/a-little-book-of-r-for-time-series.readthedocs.org/en/latest/src/timeseries.html. 7 Luis Torgo.数据挖掘与 R 语言 M.北京：机械工业出版社 2013 21