考虑用户行为的产品市场需求预测研究

论文摘要

跨境电子商务交易规模不断增长,占货物进出口总额比例逐年增加,跨境电商由于国家与国家之间物理距离和贸易政策等因素,此时跨境电商企业的市场捕捉能力和物流时效无法与在国内单一市场时无法比拟,特别是在选择海运物流渠道情况下,对市场的需求时效把握能力变得尤为困难,因此准确预测目标市场的销量就显得尤为重要。本文以跨境电商企业供应链备货场景的商品预测为研究对象,结合行为金融学中的用户行为分析,包括用户价值分级、用户网络行为分析、用户商品评论分析、搜索指数、以及商品历史销售数据、商品属性数据等数据对商品未来1个月的市场需求进行预测分析,先通过ARIMA,EMA,GBM,NN模型进行预测,最后再使用Stacking模型融合的方式融合多个模型的预测结果,以提高整体预测的准确性,其中GBM模型对比了加入用户行为和未加入用户行为数据前后的预测准确性。结果显示,ARIMA,EMA这类时间序列模型优于只考虑了历史销售这个维度的数据,准确性比GBM这类使用多因素预测的模型的准确性要差,GBM在考虑了用户行为数据后预测准确性能进一步提高,证明了更多的数据更多的信息能够带来更好的结果。最后对预测结果做模型融合,结果显示,相比于单一模型,融合模型的准确度均比每一个单模型高,而且时间跨度越大准确度越高,在预测30天需求量下融合模型比基准模型高22%,比时间序列模型ARIMA高27%,比梯度提升机GBM高8%,比神经网络高39%。最后基于经济批量订购模型分析了不同商品分类的采购策略,以实现既满足市场需求,又能节省采购成本提高企业经济效益的方法。

论文目录

• 摘要
• Abstract
• 第一章 序论
•   1.1 研究背景及其研究意义
•   1.2 研究内容与论文结构
• 第二章 需求预测方法综述
•   2.1 影响销售的相关因素分析
•     2.1.1 外部因素
•     2.1.2 内部因素
•   2.2 国内外研究现状
•   2.3 用户行为相关模型优缺点
•   2.4 本章小结
• 第三章 GBM预测模型概述
•   3.1 GBM模型原理
•     3.1.1 Boosting
•     3.1.2 Gradient Boosting
•     3.1.3 决策树
•     3.1.4 GBDT
•     3.1.5 XGBoost
•   3.2 模型融合
•   3.3 本章小结
• 第四章 X公司商品需求预测
•   4.1 销量预测模型设计
•     4.1.1 销量预测的流程
•     4.1.2 描述性统计分析
•     4.1.3 预测目标与流程
•     4.1.4 模型评价指标
•   4.2 用户行为分析
•     4.2.1 用户分级
•     4.2.2 用户评论
•     4.2.3 搜索指数
•   4.3 产品销售预测
•     4.3.1 EMA预测
•     4.3.2 ARIMA预测
•     4.3.3 未考虑用户行为的GBM预测
•     4.3.4 考虑用户行为的GBM预测
•     4.3.5 NN预测
•     4.3.6 模型融合
•   4.4 经济订货批量
•   4.5 本章小结
• 第五章 结论
•   5.1 总结
•   5.2 下一步工作
• 参考文献
• 致谢

文章来源

类型: 硕士论文

作者: 苏振裕

导师: 许永洪

关键词: 行为金融,需求预测,模型融合

来源: 厦门大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,企业经济,贸易经济

单位: 厦门大学

分类号: F224;F274;F724.6

DOI: 10.27424/d.cnki.gxmdu.2019.000088

总页数: 63

文件大小: 3437K

下载量: 3