基于BP神经网络的营销网格资源需求预测

【摘 要】利用企业历史积累的营销数据,采用人工神经网络的方法,对未来的营销资源需求进行预测,首先选取具有代表性的网格属性数据作为输入变量,将其对应的营销资源需求进行定量化表述并作为输出变量,将这些数据作为样本数据对以构建好的人工神经网络进行反复训练,直至得到理想结果为止,这样就构成了营销网格资源需求预测模型.

【关 键 词 】营销网格；神经网络；营销资源

1.序言

随着时间的推移,企业积累了大量的各个网格客户的信息以及各个网格内客户对于营销资源的需求信息.这时企业可以采用数据挖掘的方法,利用历史数据预测各个网格客户群对于营销资源的需求.

传统的预测方法有：线性回归法、状态空间法和指数平滑法等,这些预测方法需要大量的数据和参数作为预测依据,只能用来预测短时间内物流量变化的大致趋势.近年来应用广泛的预测方法有：支持向量回归法、灰色系统模型法和神经网络法等[1].由于支持向量回归法是建立在统计学习理论基础上的,需要预先确定样本数据的数学模型,适合解决小样本预测问题；灰色系统预测要求原始时间序列是非负单调的,在实际需求量预测中这个条件不一定能完全满足[3-6].

2.BP神经网络

BP神经网络是一种多层前馈神经网络,因在网络训练中,调整网络权值的训练算法是误差反向传播学习算法,即BP（back propagation）算法而得名.BP神经网络是一种高度自适应的非线性动力系统,通过BP神经网络学习可以得到输入与输出之间的高度非线性映射.因此使用BP神经网络可以建立起输入与输出之间的非线性关系.相对于传统的预测方法,BP神经网络对处理这方面问题有着独特优势[2],表现在：

（1）容错能力强.由于网络的知识信息采用分布式存储,个别单元的损坏不会引起输出错误,这就使得预测过程的容错能力强,可靠性高.

（2）预测速度快.训练好的网络在对未知样本进行预测运算时仅需少量加法和乘法,使得其运算速度明显快于其他方法.

（3）避开了特征因素与判别目标的复杂关系描述,特别是公式的表达,网络可以自己学习和记忆各输入量和输出量之间的关系.

BP神经网络的结构如图1所示,由输入层、隐含层和输出层构成,隐含层可以有多层.上下层之间实现全连接,每层神经元之间无连接.当一对学习样本提供给网络后,神经元的激活值从输入层经各中间层向输出层传播,在输出层的各神经元获得网络的输入响应,然后按照减少实际输出与目标输出之间误差的方向,从输出层反向经过各中间层回到输入层,从而逐层修正各连接权值这种算法称为误差反向传播算法即算法.随着这种误差逆向的传播修正不断进行,网络对输入模式响应的正确率也不断上升.

选择具典型代表性的网格作为样本,将网格内客户群的属性数据作为BP神经网络的输入部分,将对应网格的营销资源需求数据作为输出,然后对BP神经网络进行训练,直至达到设定的均方误差MSE后停止训练.最后以目标网格客户群属性数据作为输入,利用已训练好的BP神经网络对该网格营销资源需求进行预测.

3.营销网格资源需求预测模型的构建

营销资源需求按照投入的方式不同可以划分为人力资源需求、物力资源需求和财力资源需求.人力资源需求是指企业在一定时期内进行必需的营销活动而投人的各类营销人员,包括销售人员、售后怎么写作人员日常业务人员及各级营销管理人员.物力资源需求是指为完成销售目的而必须投人的各种物力消耗,包括运输车辆、装卸工具、低值易耗品、办公用品等.财力资源需求是指各项营销费用支出,如营销人员工资、差旅费、运输费、三包费、广告费、怎么写作费等等.本文以某企业为例,利用以往几年的各项营销费用来预测未来一年的各项费用需求.

2010年共发生营销类费用25468742.61元,其中支付营销人员工资3466765元；怎么写作费：7940507.68元；办公用品：7846.3元；邮电费：146465.32元；运输费：71390.54元；差旅费：482331.82元；会议费600000元；广告费157721元；商品资料费101709.35元；仓库租用费：453600元；市场开拓费：11867800元；业务招待费：171157.6元；人员培训费：1448元.07、08和09年各项资源需求费用见表1.

4.总结

运用人工神经网络算法,从定量角度构建企业营销资源与网格资源需求之间的需求映射模型,选取具有代表性的网格客户作为输入变量,将其对应的资源需求进行定量化表述并作为输出变量,将这些数据作为样本数据对以构建好的神经网络进行反复训练,直至得到理想结果为止,这样就构成了营销网格资源需求预测模型.需求量的准确预测可以帮助企业更好地控制自身的财务状况,更有效地分配有限的资源.