數據分析在紡織服裝企業管理中的應用

劉正源，王保魯，劉鳳坤

(1.中國紡織工業聯合會 品牌工作辦公室，北京 100020；2.北京服裝學院，北京 100029；3.中國紡織信息中心，北京 100025)

數字化時代的到來，改變了人們的生活習慣和消費方式。在這個時代里，每個個體每天會產生大量的數據，包括出行、用餐、購物、娛樂、快遞等日常行為的信息數據，加上物聯網技術的快速發展，人們每天都生活在一張巨大的數據網里,據國際數據公司(IDC)預測，到2025 年，全球數據量將增至175 ZB。

與此同時，消費環境也發生著深刻的變化。物質不斷豐富，產品兩極分化；新冠疫情加快了消費線上化趨勢；高利時代逐步轉向微利時代。面對競爭愈加激烈且多變的消費環境，運用科學的手段支撐決策、指導經營和預判方向尤為重要。2011 年，IDC 和麥肯錫研究院對大數據的潛力和關鍵技術等進行了分析，指出數據為企業帶來決策價值，將成為企業的關鍵競爭力。2015 年國務院頒布《促進大數據發展行動綱要》，2019 年十九屆四中全會更是將數據列為一種生產要素。由此可見，大數據的重要作用和戰略地位。

在紡織服裝企業中，一個有效的服裝供應鏈依賴于對高度波動的需求進行快速準確預測，企業可以運用數據分析，科學地在采購、研發、生產、銷售等各個環節產生的數據中探索發現問題、分析問題、尋找規律、判斷趨勢、預測未來，進而提高企業庫存、物流、產品、客戶等方面的管理效率和整體收益。本文主要介紹數據分析方法及其應用場景，并舉例說明數據分析在服裝企業經營預測中的實踐應用。

1 數據分析思維

數據分析思維的本質是尋找事物之間的關系，兩個與多個事物之間可能存在相關關系、因果關系，或者具備一定的敏感性，數據分析就是通過科學的方法，在一堆看似雜亂無章的數據中，尋找出變量之間的聯系，探索業務背后的關聯和變化背后的原因，進而對想要分析的問題進行描述或預測。

需要注意的是，具有相關關系的變量之間并不一定存在因果關系；因果關系有很多種形式，可以是一因一果，多因一果，一因多果，多因多果。

2 數據分析方法及應用

2.1 常用數據分析方法

數據分析方法可以按照定性分析和定量分析來劃分。根據分析問題的復雜性，通常情況下，分析一個問題，需要定量分析和定性分析相結合，如果數據條件比較好，可以以定量分析作為基礎，支撐定性分析做出最后的決策。

常用的定性分析方法有：經驗觀察法、訪談法、德爾菲法、頭腦風暴法等。

常用的定量分析方法有：機器學習算法，包括描述分析類的有降維、聚類、關聯規則等，預測分析類的有回歸分析、時間序列、邏輯回歸、決策樹、臨近算法、集成學習、支持向量機、樸素貝葉斯、神經網絡等；建模算法包括漏斗模型、卡諾模型、價格敏感測試模型、巴斯模型、對應分析法、協同過濾、對比測試等。

2.2 數據分析應用

數據分析的應用場景非常廣泛，如戰略分析、經營分析和投資分析等。以經營分析為例，經營的主要目標是開源節流，開源表現在客戶管理、產品管理和營銷管理；節流主要指供應鏈，包括采購、生產和物流環節。以客戶管理和產品管理為例，例舉對應的分析方法如圖1所示。

圖1 客戶管理和產品管理分析方法舉例Fig.1 Examples of customer management and product management analysis methods

2.3 數據分析流程及應用舉例

圖2示出數據分析的完整流程。根據此流程，本文以某紡織服裝上市公司年報披露的營業收入數據為例，采用時間序列的方法，預測未來收入情況。

圖2 數據分析流程Fig.2 Data analysis process

本文要用到的數據為某上市公司年報中的公開數據，屬于二手數據，直接到官網下載該公司近11年年度報告，查找并整理出近11年的各季度營業收入數值如表1所示。

表1 某上市公司近11年季度營業收入Tab.1 Quarterly operating income of a listed company in the past 11 years 億元

通常情況下，數據預處理是個較為復雜的過程，涉及到缺失值填充，異常值處理等步驟，本文使用的數據全部來自上市公司年報，數據整齊，因此無需處理。

常用模型有機器學習中的監督學習和非監督學習算法，以及一些應用較為廣泛的模型，如AARRR、RSM、PFM、KANO、漏斗模型等。本文案例是要預測收入，經典的預測模型有回歸分析和時間序列算法，其中，時間序列適用于有季節(時間)波動、有趨勢的事物預測，如銷售、金融、股票、基金、成本、血壓等。對于既有季節波動又有趨勢的數據，可以選擇時間序列分解預測法；對于只有季節周期波動的數據，可以選擇時間序列Winter指數平滑法；對于只有趨勢變化的數據，可以選擇時間序列Holt指數平滑法；對于變化比較平穩的數據，可以選擇時間序列簡單指數平滑法。

圖3示出該上市公司近11年季度營業收入變化。通過觀察，可發現明顯的季節周期波動和上升趨勢，所以本文案例選擇時間序列分解預測法進行分析。

圖3 某上市公司近11年季度營業收入折線圖Fig.3 Line chart of quarterly operating income of a listed company in the past 11 years

本文案例以時間序列分解預測乘法模型為例，進行預測，模型如下：

=×××

式中：為預測值；(Trend)為趨勢因素，(Cycle)為生命周期，(Season)為季節因素，(Inregular)為不確定因素。

本文案例目標是預測2021年4個季度的營業收入，假設經濟環境發展平穩，即暫不考慮不確定因素(如突發疫情影響)，另外，生命周期通常情況下大于1年，所以也暫不考慮生命周期因素，通過對和的計算預測營業收入，即=×。

具體計算層面，常用的工具有Python、SPSS、Excel等，本文用相對基礎的Excel工具簡單列示基本原理和操作步驟。

基本原理：由于數據變化既有季節波動又有趨勢變化，需要將2種影響進行分解，分別計算出和。對于，采用回歸分析方法，即=+來計算；對于，因為一年4個季度，每個季度采集1次數據，即步長為4，所以要分別求出每個季度的季節因子、、、，具體步驟如下：

第1步：按照時間先后順序，將所有數據排成一列，并標記好季節序號和時間序號，共計44個數據；

第2步：通過4項移動平均消除季節波動影響，再進行2項移動平均對數據進行對稱處理，得到的40個數據(即)與原始數據前后劇中對齊，確保要求的季節因子與實際季度一一對應；

第3步：用對應的原始數據除以新得到的數據(即)，得到對應的季節因子列；

第4步：用均值法修正每一年同一季度，得到4個季節因子值：0.97、1.60、0.96、0.91；

第5步：修正，使∑=4，得到修正后季節因子=088，=144，=086，=0.82；

第6步：用Excel進行回歸分析，求的趨勢方程，先用原始數據除以對應季節因子，得到沒有季節波動的一列新數據，作為值輸入區域，值輸入區域選擇時間序號(即1，2，…，44)，然后選擇置信度95%，輸出結果如表2～4所示。

表2 回歸統計表Tab.2 Regression statistics table

表3 方差分析表Tab.3 Variance analysis table

表4 回歸參數表Tab.4 Regression parameter table

得到趨勢方程=+=2948+0106,代入時間序號(即1，2，…，48)，得到新的趨勢數據列，共計48個數據；

第7步：將48個趨勢數據乘以對應季節因子，得到預測值，前44個數據做模型擬合檢驗備用，后4個數據即為2021年4個季度的預測數據，分別是6.68、6.42、6.98、11.61億元。截至2022年5月，該公司2021年4個季度實際營業收入分別為6.28、6.81、6.81、11.90億元，與預測值相對誤差分別為6.42%、5.77%、2.46%、2.45%，均小于10%，預測準確度相對較高，另外由于已知有新冠疫情影響，可根據實際情況參考以往災害影響數據，增加不確定因素的干擾，使預測更準確。

用均方根誤差來檢驗預測值同真值之間的偏差。偏差越小，模型擬合度越好，預測越準確，公式如下：

式中：為均方根誤差；為取樣點數目。

本文案例的均方根誤差是0.615，偏差小，模型擬合相對準確。

可視化的原則是圖優于表優于文，常用的圖有：柱線結合圖、條形、直方圖、餅圖、折線圖、散點圖、氣泡圖、雷達圖、熱力圖、桑吉圖等，本文用折線圖為例，展示預測結果如圖4所示。

圖4 某上市公司近11年季度營業收入實際值與預測值對比Fig.4 Comparison of actual and predicted value of quarterly operating income of a listed company in the past 11 years

在企業實際應用中，需要展示的數據通常是繁多復雜的，通常使用Tableau、WordArt、E-charts等工具制作數據看板等形式進行展示。

3 結束語

任何決策都需要有事先預測，預測的科學性決定預測的準確性，文章通過梳理常用的數據分析方法，得出紡織服裝行業作為強季節性影響行業，可以通過時間序列分析，得出相對準確的銷售預測，進而指導采購、生產等產業鏈前端決策行為，有利于減少庫存、提高資金使用率和周轉率，進而提升企業運營質效。

除此之外，紡織服裝產品具有周期短、單品多，且銷售情況受市場喜好影響明顯，這就要求產品研發提前預判和客戶運營精準分析，企業可根據自身產品和客戶的特點組合定制分析模型，開展數據分析工作。