数智化转型多元回归模型与产品多维决策分

长安汽车量价分析模型（CA-MDM）应用探索

汽车行业是典型的资本密集型行业，产品开发周期较长，如何更准确地预计在研产品上市后的价格和销量，从而基于收入假设有效地采用目标成本法来控制产品成本、达成盈利目标一直是一个难题。针对传统产品量本利分析模型的多重局限性、企业数智化管控加速转型和汽车行业市场竞争进入白热化，汽车新产品、新赛道、新场景等诸多方面日新月异的背景，重庆长安汽车创造性地提出了量价分析模型（CAMDM）。该模型利用岭回归算法预测相关产品的均衡销量和价格，强调产品经营的前瞻性，强化新品上市的规模、价格与市场实际需求的匹配度和互动，确保产品上市的量价和市场需求基本一致，为企业资源精准投放、盈利能力持续提升和管理经验积淀推广提供了系统方案。我们认为，本文极具创新性和实践性，理应成为中国企业数智化财务管理的最佳实践案例之一。

01

研究背景

（一）文献基础

在管理会计原理中，本量利分析（CVP）是以数学化的会计模型来揭示产品经营中固定成本、变动成本、销售量、销售价格、利润等变量之间的内在规律性联系，进而进行产品保本分析和利润分析。这一模型应用特别广泛，但弊端十分明显，比如单变量、线性模型、缺少多情景分析等（潘飞等，；温素彬等，）。

（二）行业背景

当前，电池价格不断下降，华为、小米等互联网造车势力陆续入场布局，新一轮的行业洗牌正式开始，这势必带来更加惨烈的价格战。对汽车厂商而言，新品上市不久价格就严重跳水，极易引起消费者不满情绪，造成不可控制的市场舆情，给产品和品牌带来极大的负面影响，进一步导致降价后的产品销量得不到明显提升。同时，单个产品的大幅降价会引发连锁反应，影响同品牌其他车型价格点位，进而影响整个价格谱系（张政等，；崔吉男，）。

在过往的实践中，产品策划团队的策划方案贯穿产品开发各个里程碑，管理层定价决策往往仅依靠策划方案。这种单一的定价模式通常是基于常规经验和市场调研，缺少对目标市场的谨慎意识、对核心竞品竞争策略变化的预防和反应措施，难以应对日趋复杂的市场环境。因此，多次出现产品在研阶段策划趋于乐观但上市后出现大幅“跳水”现象，进而导致产品效益不达预期。而财务部门由于缺乏科学合理的前瞻性管理工具，无法有效支持管理层进行多方案决策，只能被迫采纳产品策划单一方案。

（三）案例企业背景

长安汽车是中国汽车四大集团阵营企业，拥有年历史底蕴、39年造车积累，在全球有多个生产基地及整车、发动机及变速器工厂。年，长安汽车发起“第三次创业——创新创业计划”，将软件能力和效率打造成为核心竞争力，向智能低碳出行科技公司转型。长安汽车推出了CS系列、逸动系列、UNI系列等热销产品，坚持“节能环保、科技智能”理念，大力发展智能新能源汽车。在新能源领域，发布“香格里拉计划”，制定四大战略行动，预计到年，全面停售传统意义燃油车，实现全谱系产品的电气化。

长安汽车历经三次创业，每一次发展都伴随着财务转型，每个阶段都通过管理会计工具的继承、创新和运用，支撑企业成功转型和保持高质量发展。管理会计工具的创新和运用要与企业经营发展步调相匹配，既要通过业务模式变革，牵引工具创新，又要通过工具运用，反向推动业务成功转型，持续提供效益效率提升的方法论。综上，长安汽车应以主动创新为抓手，以业财融合为载体，以数智化转型为支撑，三者结合，形成企业最佳实践（张登洲等，；张德勇，）。

02

理论基础：市场需求曲线

微观经济学中消费者选择理论重点研究了收入和支出之间的联系以及对消费者选择的影响，即在预算约束的条件下，消费者的最优选择。一种商品价格的变动改变了消费者的预算约束曲线，商品的需求反映了这些消费决策。需求曲线作为由预算约束曲线和无差异曲线引起的最优决策的总结，消费者选择理论为消费者需求曲线提供了理论基础（Boxetal.,）。

量价分析模型理论的核心是市场需求曲线。它描述了在不同价格下消费者对产品或服务的需求量。根据市场需求曲线，企业可以确定产品的定价策略，以满足消费者的需求并实现最大利润。市场需求理论的应用不仅限于产品定价，还包括市场细分、产品定位和市场营销策略等方面。通过深入了解消费者的需求和偏好，企业可以根据不同的市场细分制定针对性的营销策略，提高产品的市场竞争力。市场需求理论主要有以下几个应用方向。

（1）描述消费者行为：需求曲线显示了在不同价格水平下，消费者所需求的商品数量。这有助于了解消费者的购买需求和行为。

（2）预测市场行为：需求曲线可以帮助预测市场在不同价格下的消费者需求变化。当价格上升时，消费者可能减少购买数量，需求曲线向左倾斜；当价格下降时，消费者可能增加购买数量，需求曲线向右倾斜。

（3）价格弹性分析：需求曲线可以用来计算价格弹性，即价格变化对需求量的敏感程度。根据需求曲线的陡峭程度和斜率，可以判断商品的价格是弹性的（价格变化导致需求变化较大）还是非弹性的（价格变化对需求变化的影响有限）。

需求曲线只反映市场上消费者的购买意愿，而不考虑供给方面的因素。当考虑到供给曲线与需求曲线的交点时，可以找到市场的均衡价格和数量，即市场上消费者愿意购买的数量等于供应商愿意提供的数量。

03

模型构建：框架与运用四步法

量价模型以汽车行业和客户数智化为基础，运用市场需求理论，对各类影响因子进行量化分析，建立以市占率和价格为核心的多元回归模型，利用岭回归算法预测相关产品的均衡销量和价格；考虑到汽车不同细分市场的价格弹性特点，分别推导出对应的需求曲线，辅助上市定价决策和市场销售管理等工作。基于量价模型运用四步法，以量价分析模型数智化推动新品上市定价，最大限度贴合市场需求。模型运用过程如图1所示。

（一）第一步：关键假设因子数字化

长安汽车在企业经营管理过程中积累了大量的数据，通过数智化转型项目实现了内外部数据的统一集中管理，大量历史数据为模型提供了坚实的基础。除了利用原始数据模型外，还构建了具有长安特色的数据产品。

（1）销量模型。基于Facebook开源框架Prophet模型进行算法建模，依据历史各细分市场车型销量数据，叠加市场需求多因子，通过收集、清洗、分析对销量因子数据进行预测。

Prophet预测模型使用时间为回归元，尝试拟合线性和非线性的时间函数项，采取类似指数平滑方法，将季节作为额外的成分建模。Prophet模型可分解为三个主要组成部分：用于拟合时间序列中的分段线性增长或逻辑增长等非周期变化g(t)、季节性周期变化s(t)、非规律性的节假日效应h(t)。根据公式：y(t)=g(t)+s(t)+h(t)+et，其中，误差项et反映异常变动。

趋势是对时间序列中的非周期部分或趋势部分拟合分段线性函数，线性拟合会将特殊点和缺失数据的影响降到最小，同时，可根据随着人口变化的汽车保有量限制确定饱和增长曲线的最大值。当出现新产品发布、不可预见的灾难等情况时，增长率会发生突变，这些突变点是自动选择的，有需要的时候可以手动输入突变点。随着突变点数量的增多，拟合变得更灵活。具体包括如下几个方面。

①季节分析。为了拟合并预测季节的效果，Prophet模型基于傅立叶级数建立季节效应模型S(t)，具体方程如下：

其中，P是周期（如年度数据的P是.25，周数据的P是7），t是时间，n是累计求和的变量。傅立叶级数N是一个重要的参数，用来定义模型中是否考虑高频变化，并用于提升预测精度，对季节性建模时，需要在给定N的情况下，估计参数[a1,b1……aN,bN]。

②节假日和大事件分析。将历史上在节假日和政策等内外部事件对汽车销量变化的影响周期和强度进行归纳汇总，并内置为prophet参数集，解决了人为标注的问题；根据分析结果确定不同节假日和事件的影响周期和强度。其包括：若阳历节假日，直接分析在当日前后14天、当月前后3个月的销量变化；若阴历节假日，转换为对应阳历日期，分析其影响周期和强度，销量均值持续偏离高于50%的时间段定义为影响周期，销量均值变化量为强度；若为事件，例如购置税政策、产品质量问题等，分析事件发生前后销量的变化，确定不同级别事件的影响周期和强度；周期和强度确定方式同上。通过影响因子的相关性及回归效果确定影响因子。每一个影响因子都有历史数据，例如时间段内每天的实销数据、库存数据、线索量数据、舆情数据，每月的宏观经济数据、竞品情报数据等。

③因子分析。对内外部影响因子数据进行深入分析，若影响因子的历史数据存在缺失且缺失量未超过预定量，根据缺失值两侧数据的均值进行填充，否则删除对应影响因子的历史数据，如缺失预定量不超过10%；若影响因子的历史数据变化剧烈，则进行移动平均处理，如数据方差较大即判断为变化剧烈，通过移动平均处理可得到一条平稳变化的曲线。若影响因子的历史数据量级差异大，则对因子进行取对数处理，如数据最大最小值相差10倍以上，通过对数坐标变换，得到一条平滑的曲线。

若多个影响因子存在较强的相关性，则进行加权聚合构建一个复合因子，如相关系数大于阈值，通过特征线性组合结合阈值得到一条与各因子都相关的综合曲线。若影响因子的历史数据与销量相关性绝对值低于预设值，则删除该影响因子。对影响因子的总量、同比等形式进行分析，选择最优的形式，基于影响因子与销量的时间差，对影响因子做相应的滞后处理，有业务逻辑关系的，直接数据后退相应的周期，没有业务逻辑关系的，取相关性最大的周期为滞后期。

④模型训练。训练模块利用历史销量数据及影响周期和强度对Prophet模型进行训练和测试，得到销量最优Prophet模型，预测模块利用该销量的最优Prophet模型对销量进行预测，得到销量预测值1。数据处理模块根据历史销量数据的相关性及回归效果预测影响因子，对影响因子和历史销量数据进行移动平均、变形、滞后处理，输入机器学习模型训练和测试得到最优机器学习模型，预测模块利用最优机器学习模型和影响因子进行预测得到销量预测值2。对销量预测值1和销量预测值2的总和取平均值得到最终的销量预测值。

采用两种算法模型进行销量数据的预测，解决了已有技术中算法模型单一不能充分体现数据之间复杂关系的问题，考虑汽车行业销售中受事件影响、改型周期长、占用资金量大等方面因素，提升了销量预测方法的准确率和合理性。

（2）价格指数预测模型。基于各细分市场目标车型的成交价格数据，建立行业、细分市场、各竞争厂商的价格指数，评估价格指数在年对年、季对季、月对月维度的价格变化趋势，掌握行业价格波动规律。汽车企业价格指数是反映其产品竞争力和营销力的重要指标，通过预测价格指数走势可判断产品收入变化趋势及销售资源风险评估等。

价格指数通常有两种衡量口径，即完全（All-In）价格指数和延续（Carry-Over）价格指数。完全价格指数是基于原始目视成交价格数据分析建立的指数，直观地反映了产品总的价格趋势，缺乏前后（纵向）可比性。延续价格指数是基于排除了混合比和产品配置变化影响后的价格指数，能更准确地反映相似配置产品价格趋势和新产品的溢价能力，对于财务分析更具有价值。延续价格指数的特点、指标维度和应用价值如图2所示。

行业降价（IP）跟踪与预测逻辑：①聚焦竞争圈中的核心竞品；②计算各车型月度销量，综合MIX与成交价环比IP；③SUM（MIX×IP）计算价格指数；④选择合适的模型拟合价格指数历史曲线；⑤建立残差与因子多元回归模型，预测因子及价格指数。其中，行业降价影响因子如表1所示。

（3）产品和品牌力模型。融合产品力市场调研、汽车之家等大数据，结合用户需求配置感知溢价分析、用户接受度测试等要素，模拟未来客户需求，形成产品力得分数据，构建客户需求对价格影响的关系。基于品牌调研溢价趋势及产品

转载请注明：http://www.jinyawz.com/zflzy/11115.html