1.案例背景
某制造商的产品使用了成像传感器、内存条、处理器及液晶面板等部件。要求分析每个月的销量，制定次月的生产计划及部件的采购计划。
2.案例数据
2.1 数据概况
数据只有过去5年的每个月的产品销售记录，部分数据如图1所示。
图1.png
图2.png
根据图2，产品的月销量在特定的月份较高，具有季节性变动的特点。
2.2 输出结果
本案例的输出结果是“预测的销量”，期望把预测值跟实际销量的差值最小化。
2.3 分析单位
分析单位是“月”。
2.4 解释变量
根据分析单位“月”可知，能体现月份特点的要素就是解释变量。但是，原始数据只有月份和销量，那么解释变量是什么？
- 解释变量是分析单位“月”。
- 解释变量是“预测日之前得到的输出结果”。
2.5 分析方法
使用时间序列分析方法ARIMA（自回归移动平均）模型。
3.案例过程
3.1 数据表格化
如图3所示，选择日期和销量，将数据表格化。
图3.png
图4.png
3.2 对表格化的数据进行预测
使用Excel的预测工作表功能，设定预测没有数据的月份的销量，创建工作预测表后，会生成一个包含原始数据的销量预测图表。其中，销量预测表如图5所示。
图5.png
3.3 验证预测的精确度
用截止到2012 年12 月的数据预测2013 年的数据，将其与实测值作比较，得到如图6所示的结果。
图6.png
根据图6所示的预测结果来看，大多月份的销量预测值都比实测值少很多。为什么？要考虑为未来12个月长时间段的预测会发生在预测的基础上进行重复预测的情况发生，这会导致预测精确度低。按如下步骤，试试对每月“用之前的实测值来预测未来一个月的数据”。
- 将表格化的全部数据复制粘贴到新的工作表中，留下预测前的数据。比如，如果要预测2013 年1 月的销量，只保留2013 年1 月之前的数据。
- 预测2013年1月的销量。
-
对其余月份重复上述步骤。最终得到的预测值表如图7所示。图7.png
根据图7的预测结果，对比分析用AR模型得到的预测结果，用上述方法重新预测得到的值，精确度并没有得到改善。为什么？可能是因为销售淡季和旺季这种以年为单位的周期性影响大到ARIMA模型的预测无法正常运行。
4.案例结论
像这种周期性影响太大的时间序列问题，以致于ARIMA模型无法正常运行的时候，可以考虑用SARIMA（季节性自回归移动平均）模型来分析。
