数据分析在纺织服装企业管理中的应用

刘正源，王保鲁，刘凤坤

(1.中国纺织工业联合会 品牌工作办公室，北京 100020；2.北京服装学院，北京 100029；3.中国纺织信息中心，北京 100025)

数字化时代的到来，改变了人们的生活习惯和消费方式。在这个时代里，每个个体每天会产生大量的数据，包括出行、用餐、购物、娱乐、快递等日常行为的信息数据，加上物联网技术的快速发展，人们每天都生活在一张巨大的数据网里,据国际数据公司(IDC)预测，到2025 年，全球数据量将增至175 ZB。

与此同时，消费环境也发生着深刻的变化。物质不断丰富，产品两极分化；新冠疫情加快了消费线上化趋势；高利时代逐步转向微利时代。面对竞争愈加激烈且多变的消费环境，运用科学的手段支撑决策、指导经营和预判方向尤为重要。2011 年，IDC 和麦肯锡研究院对大数据的潜力和关键技术等进行了分析，指出数据为企业带来决策价值，将成为企业的关键竞争力。2015 年国务院颁布《促进大数据发展行动纲要》，2019 年十九届四中全会更是将数据列为一种生产要素。由此可见，大数据的重要作用和战略地位。

在纺织服装企业中，一个有效的服装供应链依赖于对高度波动的需求进行快速准确预测，企业可以运用数据分析，科学地在采购、研发、生产、销售等各个环节产生的数据中探索发现问题、分析问题、寻找规律、判断趋势、预测未来，进而提高企业库存、物流、产品、客户等方面的管理效率和整体收益。本文主要介绍数据分析方法及其应用场景，并举例说明数据分析在服装企业经营预测中的实践应用。

1 数据分析思维

数据分析思维的本质是寻找事物之间的关系，两个与多个事物之间可能存在相关关系、因果关系，或者具备一定的敏感性，数据分析就是通过科学的方法，在一堆看似杂乱无章的数据中，寻找出变量之间的联系，探索业务背后的关联和变化背后的原因，进而对想要分析的问题进行描述或预测。

需要注意的是，具有相关关系的变量之间并不一定存在因果关系；因果关系有很多种形式，可以是一因一果，多因一果，一因多果，多因多果。

2 数据分析方法及应用

2.1 常用数据分析方法

数据分析方法可以按照定性分析和定量分析来划分。根据分析问题的复杂性，通常情况下，分析一个问题，需要定量分析和定性分析相结合，如果数据条件比较好，可以以定量分析作为基础，支撑定性分析做出最后的决策。

常用的定性分析方法有：经验观察法、访谈法、德尔菲法、头脑风暴法等。

常用的定量分析方法有：机器学习算法，包括描述分析类的有降维、聚类、关联规则等，预测分析类的有回归分析、时间序列、逻辑回归、决策树、临近算法、集成学习、支持向量机、朴素贝叶斯、神经网络等；建模算法包括漏斗模型、卡诺模型、价格敏感测试模型、巴斯模型、对应分析法、协同过滤、对比测试等。

2.2 数据分析应用

数据分析的应用场景非常广泛，如战略分析、经营分析和投资分析等。以经营分析为例，经营的主要目标是开源节流，开源表现在客户管理、产品管理和营销管理；节流主要指供应链，包括采购、生产和物流环节。以客户管理和产品管理为例，例举对应的分析方法如图1所示。

图1 客户管理和产品管理分析方法举例Fig.1 Examples of customer management and product management analysis methods

2.3 数据分析流程及应用举例

图2示出数据分析的完整流程。根据此流程，本文以某纺织服装上市公司年报披露的营业收入数据为例，采用时间序列的方法，预测未来收入情况。

图2 数据分析流程Fig.2 Data analysis process

本文要用到的数据为某上市公司年报中的公开数据，属于二手数据，直接到官网下载该公司近11年年度报告，查找并整理出近11年的各季度营业收入数值如表1所示。

表1 某上市公司近11年季度营业收入Tab.1 Quarterly operating income of a listed company in the past 11 years 亿元

通常情况下，数据预处理是个较为复杂的过程，涉及到缺失值填充，异常值处理等步骤，本文使用的数据全部来自上市公司年报，数据整齐，因此无需处理。

常用模型有机器学习中的监督学习和非监督学习算法，以及一些应用较为广泛的模型，如AARRR、RSM、PFM、KANO、漏斗模型等。本文案例是要预测收入，经典的预测模型有回归分析和时间序列算法，其中，时间序列适用于有季节(时间)波动、有趋势的事物预测，如销售、金融、股票、基金、成本、血压等。对于既有季节波动又有趋势的数据，可以选择时间序列分解预测法；对于只有季节周期波动的数据，可以选择时间序列Winter指数平滑法；对于只有趋势变化的数据，可以选择时间序列Holt指数平滑法；对于变化比较平稳的数据，可以选择时间序列简单指数平滑法。

图3示出该上市公司近11年季度营业收入变化。通过观察，可发现明显的季节周期波动和上升趋势，所以本文案例选择时间序列分解预测法进行分析。

图3 某上市公司近11年季度营业收入折线图Fig.3 Line chart of quarterly operating income of a listed company in the past 11 years

本文案例以时间序列分解预测乘法模型为例，进行预测，模型如下：

=×××

式中：为预测值；(Trend)为趋势因素，(Cycle)为生命周期，(Season)为季节因素，(Inregular)为不确定因素。

本文案例目标是预测2021年4个季度的营业收入，假设经济环境发展平稳，即暂不考虑不确定因素(如突发疫情影响)，另外，生命周期通常情况下大于1年，所以也暂不考虑生命周期因素，通过对和的计算预测营业收入，即=×。

具体计算层面，常用的工具有Python、SPSS、Excel等，本文用相对基础的Excel工具简单列示基本原理和操作步骤。

基本原理：由于数据变化既有季节波动又有趋势变化，需要将2种影响进行分解，分别计算出和。对于，采用回归分析方法，即=+来计算；对于，因为一年4个季度，每个季度采集1次数据，即步长为4，所以要分别求出每个季度的季节因子、、、，具体步骤如下：

第1步：按照时间先后顺序，将所有数据排成一列，并标记好季节序号和时间序号，共计44个数据；

第2步：通过4项移动平均消除季节波动影响，再进行2项移动平均对数据进行对称处理，得到的40个数据(即)与原始数据前后剧中对齐，确保要求的季节因子与实际季度一一对应；

第3步：用对应的原始数据除以新得到的数据(即)，得到对应的季节因子列；

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

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

第6步：用Excel进行回归分析，求的趋势方程，先用原始数据除以对应季节因子，得到没有季节波动的一列新数据，作为值输入区域，值输入区域选择时间序号(即1，2，…，44)，然后选择置信度95%，输出结果如表2～4所示。

表2 回归统计表Tab.2 Regression statistics table

表3 方差分析表Tab.3 Variance analysis table

表4 回归参数表Tab.4 Regression parameter table

得到趋势方程=+=2948+0106,代入时间序号(即1，2，…，48)，得到新的趋势数据列，共计48个数据；

第7步：将48个趋势数据乘以对应季节因子，得到预测值，前44个数据做模型拟合检验备用，后4个数据即为2021年4个季度的预测数据，分别是6.68、6.42、6.98、11.61亿元。截至2022年5月，该公司2021年4个季度实际营业收入分别为6.28、6.81、6.81、11.90亿元，与预测值相对误差分别为6.42%、5.77%、2.46%、2.45%，均小于10%，预测准确度相对较高，另外由于已知有新冠疫情影响，可根据实际情况参考以往灾害影响数据，增加不确定因素的干扰，使预测更准确。

用均方根误差来检验预测值同真值之间的偏差。偏差越小，模型拟合度越好，预测越准确，公式如下：

式中：为均方根误差；为取样点数目。

本文案例的均方根误差是0.615，偏差小，模型拟合相对准确。

可视化的原则是图优于表优于文，常用的图有：柱线结合图、条形、直方图、饼图、折线图、散点图、气泡图、雷达图、热力图、桑吉图等，本文用折线图为例，展示预测结果如图4所示。

图4 某上市公司近11年季度营业收入实际值与预测值对比Fig.4 Comparison of actual and predicted value of quarterly operating income of a listed company in the past 11 years

在企业实际应用中，需要展示的数据通常是繁多复杂的，通常使用Tableau、WordArt、E-charts等工具制作数据看板等形式进行展示。

3 结束语

任何决策都需要有事先预测，预测的科学性决定预测的准确性，文章通过梳理常用的数据分析方法，得出纺织服装行业作为强季节性影响行业，可以通过时间序列分析，得出相对准确的销售预测，进而指导采购、生产等产业链前端决策行为，有利于减少库存、提高资金使用率和周转率，进而提升企业运营质效。

除此之外，纺织服装产品具有周期短、单品多，且销售情况受市场喜好影响明显，这就要求产品研发提前预判和客户运营精准分析，企业可根据自身产品和客户的特点组合定制分析模型，开展数据分析工作。