數據模型在企業決策中的應用——預測損失的銷售額案例分析

張 晶，鄧海燕

(武鋼財務公司，湖北 武漢430080;武鋼集團經營財務部，湖北 武漢430080)

一個企業長遠的成功在很大程度上取決于是否能夠預測未來并制定合適的策略。合適的判斷、直覺和了解，可以使管理者對將來的態勢有一個概略的認識或“看法”，但是，將這些看法轉化為數量，用于預測下一個季度的銷售量或下一年的原材料價格等就不那么容易了。如果要得到較為準確的預測，我們往往要根據現有的數據，選擇合適的數據模型，才能使我們的預測更加科學、合理，從而為企業的決策提供支持。

本文選取Carlson 百貨公司在颶風中遭受襲擊就保險公司應向其賠償多少損失的典型案例，介紹如何利用數據模型進行預測以及如何根據預測結果進行決策。

一、案例介紹

Carlson(卡爾森)百貨公司在2003 年8 月31日颶風侵襲時，遭受了嚴重的損失，公司被迫關閉了4 個月(2003 年9 -12 月)。現在，Carlson 公司現在正與其保險公司就公司關閉期間損失的銷售總額進行談判。目前可以獲取Carlson 百貨公司在颶風前48 個月的銷售額資料(表1)。

二、案例分析

從上可知，目前卡爾森百貨公司面臨的關鍵問題是應該以多少損失向保險公司索賠。那么如何確定公司的損失至關重要，估計的損失低了，無疑加重自身的災難;過高的估計損失，在與保險公司的談判中肯定不予采信。

表1 卡爾森百貨公司1999 年9 月-2003 年8 月的銷售額(百萬美元)

卡爾森百貨公司的保險單包括實物財產，還包括由于正常商業經營被打斷而遭受的經濟損失。確定實物財產在颶風中的損失，在受理保險索賠中比較簡單。但是確定卡爾森百貨公司在2003 年9 -12 月關閉期間內的經營損失則是一件相當復雜的事情，涉及卡爾森公司與保險公司之間的談判。

三、預測

1.卡爾森百貨公司無颶風情況下銷售額預測

根據卡爾森百貨公司1999 年9 月-2003 年8 月的銷售額數據(表1)繪出散點圖(圖1):

圖1 卡爾森公司銷售額(百萬美元)與時間的散點圖

根據卡爾森百貨公司1999 年9 月-2003 年8 月銷售額數據所形成的散點圖來看，該時間序列存在明顯的線性趨勢和季節成分，因此，預測卡爾森百貨公司在無颶風情況下的銷售額應采用乘法模型:

Y=T* S* I。

其中:Y-時間序列值;T -趨勢成分;S -季節成分;I-不規則成分。

(1)首先需要剔除季節成分和不規則成分，見表2:

(2)利用消除季節影響的時間序列確定趨勢

圖2 消除影響后的數據的時間序列圖

從圖2 可以看出消除影響后的卡爾森百貨公司銷售額數據有著較為明顯的直線趨勢，因此可以擬定模型:

Tt=b0+b1t

Tt:t 期卡爾森百貨公司銷售額的趨勢值;b0:趨勢線的截距;b1:趨勢線的斜率;利用Mintab 擬合趨勢方程為:Tt= 2.1483 + 0.0114* t

各項準確度量數據較小，該模型擬合較好。

擬合圖形如圖3:

根據趨勢預測模型得到如下趨勢預測值(表4):

經過建立乘法模型以及趨勢方程，最終得到了表5，預測2003 年9 -12 月在無颶風的情況下卡爾森百貨公司銷售額為12.35 百萬美元。

表2 卡爾森百貨公司消除季節影響后1999 年9 月-2003 年8 月銷售額(百萬美元)

表3 準確度度量

圖3 消除影響后的銷售額y 的趨勢分析圖

表4 卡爾森公司消除季節影響后的銷售額趨勢預測

(3)利用季節指數調整趨勢預測值

表5 卡爾森公司在無颶風情況下銷售額(百萬美元)預測

四、卡爾森公司銷售損失預測報告

卡爾森公司遭受颶風襲擊，造成4 個月之久的停業，這給公司帶來了較大的銷售損失。根據公司停業之前48 個月即1999 -2003 年8 月份銷售數據分析，無颶風情況下估計卡爾森公司2003年9 -12 月可能會實現12.35 百萬美元的銷售收入。通過上述分析，我們認為卡爾森百貨公司2003 年9 -12 月的銷售損失為12.35 百萬美元。卡爾森百貨公司完全可以以該數據向保險公司索賠。第一，這個預測數據考慮了颶風對公司的影響，尊重客觀事實;第二，該數據對于公司的損失估計比較保守，沒有夸大數據。用科學的方法進行預測，而不是簡單的估計，經得起檢驗。

災難常常無法預知，但是我們可以居安思危。我認為卡爾森公司應將這次颶風事件立案，建立數據和颶風應急預案，一方面保證在今后的突發事件中企業能準確估計企業的經濟損失;另一方面保證颶風來臨時，公司依然能夠正常營業，從而能夠從正常銷售的收入中得到補償。

通過對歷史數據建立數據模型挖掘潛在規律，會給我們更加放心的答案。從上面的案例中，我們看到數據模型在企業的數量預測中是一個很好的工具，是一種科學的預測方法。但是，我們針對不同的數據，我們選擇的模型則不同，還有，同樣的數據，有多個模型適合的時候，我們要根據客觀實際情況去選擇最佳的模型。預測并不是僅僅只考慮數據本身，很多時候，為了預測，還要尋找相關數據。

數據模型將佐證我們的直覺和判斷，讓我們的決策更加準確。