Your SlideShare is downloading. ×
Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Introducing the official SlideShare app

Stunning, full-screen experience for iPhone and Android

Text the download link to your phone

Standard text messaging rates apply

Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования

3,095
views

Published on

Курс "Компьютерная поддержка прогнозирования" …

Курс "Компьютерная поддержка прогнозирования"
Лекция 1. Компьютерные инструменты прогнозирования

Published in: Business

0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
3,095
On Slideshare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
54
Comments
0
Likes
1
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide
  • Charles Chase Demand Driven Forecasting:
    A few years ago during a customer visit with a large national restaurant chain the SAS team uncovered an abnormally large number of people in the demand forecasting process. We were called in to help the company assess its demand forecasting process and recommend a solution to enable the process. The first question we asked was how many people participated in the current demand forecasting process. The restaurant marketing manager explained that 100 people participated in the process. When we asked if all 100 people create the forecast, the manager explained that only 8 people actually create the statistical baseline demand forecasts. We then asked what the other 92 people did. The marketing manager replied that they make manual overrides to the statistical baseline forecasts. In this customer’s scenario, there were 92 chances of adding personal bias to the statistical baseline forecasts, making them less accurate.
    We explained that the restaurant chain needed to conduct a forecast value added (FVA) analysis to determine if value was added to the statistical baseline forecasts when manual overrides were made by all the individuals in the demand forecasting process. In other words, we advised that it measure the accuracy of the demand forecast before and after each touch point in the process to determine if the forecast accuracy improved after each manual adjustment. If not, then that touch point should be eliminated. Although the process of elimination may be long and tedious, it is truly the best way to test the value each person brings to the process when he or she adjusts the statistical baseline forecast with their judgment. Getting people to buy into this new FVA performance metric usually requires some level of change management supported by a champion, as most people prefer not to be measured or held accountable for their judgmental overrides. The purpose of FVA is not to punish people for adjusting the statistical baseline forecast but rather to improve the accuracy of the overall demand forecasting process by reducing unnecessary touch points. It has been proven in practice that the statistical baseline forecast is usually very close to actual demand; thus, a statistical baseline forecast, especially if augmented by more sophisticated methods including causal factors like promotions, external events, and other dynamic business drivers, usually will be more accurate by itself than with judgmental overrides. However, forecasters need to understand that when using more advanced statistical methods, such as regression, it is important to have company and external data that match the requirements of the independent and dependent variables.
    From these stories we learned that (1) the more people touching the forecast, the more chance you have to introduce biases and hurt accuracy, and (2) the more fact-based (information/data supported) and mathematically derived the forecast, the more likely the forecast accuracy will improve.
    Judgment almost always introduces personal bias based on the purpose or needs of the person making the override. Unfortunately, many people within the demand forecasting process do not feel they are adding value unless they touch the forecast. However, most people do not want to be measured, as they are concerned it will be used to measure their performance rather than to understand why their adjustments are not adding value. This is a corporate cultural issue that requires change management driven by an internal champion, someone who can demonstrate how structure and analytics can validate or invalidate the assumptions used in making judgmental overrides, thus reducing the amount of adjustments and putting more structure around the way they shape demand using analytics.
  • Журналы о бизнес-прогнозировании
    - FORESIGHT is respected among forecasting professionals for its concise, objective, readable articles on bestforecasting practices, methods, and tools. FORESIGHT is published by the International Institute of Forecasters.
    http://www.forecasters.org/foresight/index.html
    - International Journal of Forecasting - www.elsevier.com/locate/ijforecast
  • 1 – наиболее сомнительный и сложный для проверки этап, трудно добывать и систематизировать данные: изменения среды. изменения продуктов, методов измерения.
    2 – необходим, т.к. меняется экономическая ситуация или среда бизнеса. данные из прошлых периодов могут ухудшать модель, воздействия, вызванные исключительными ситуациями, должны быть удалены из истории
    3 – простые модели вызывают больше доверия; у каждой модели есть своя область применения
    4 – непосредственнное получение прогноза и оценка доверительного интервала; для многофакторных моделей необходим прогноз факторов
    5 – для проверки модели прогнозирования используется множество техник: оценка статистической значимости, анализ остатков модели, проверка выполнения предположений, в соответствии с которыми построена модель, расчет показателей ошибки прогноза, прогнозирование ex-post
    6 – ручная коррекция и применение более сложных методов не всегда приводят к увеличению полезности прогноза, т.е. соотношения эффекта, который благодаря нему можно получить и затрат на разработку
  • Временной ряд (time series) — упорядоченная во времени последовательность наблюдений, производимых строго через определенные интервалы времени, которые называются периодами прогнозирования (периодами временного ряда)
  • АКФ показывает связь сигнала (функции f(t)) с собственной копией, смещенной на tau
  • Transcript

    • 1. Курс «КомпьютернаяКурс «Компьютерная поддержкаподдержка прогнозирования»прогнозирования» Заходякин Глеб Викторович, кафедра Информационных систем и технологий в логистике e-mail: postlogist@gmail.com
    • 2. 2 Количественные методыКоличественные методы VSVS оценкиоценки o Почему применяются «экспертные оценки» – есть эксперт – есть знания о причинах развития ситуации – прогнозировать нужно, но данных нет – необходимо скорректировать базовый статистический прогноз o Почему применяются количественные методы и ПО – не подвержены излишнему оптимизму / пессимизму и дают меньшую ошибку по сравнению с оценочными прогнозами – позволяют оценить и величину возможной ошибки – объем работы (группы товаров, SKU, частота перепланирования) – есть потребность автоматизации прогнозирования, которая требует ПО, методологической поддержки, данных и структуризации процесса
    • 3. 3 Цели и структура курсаЦели и структура курса o Цели – Изучение возможностей статистического пакета SPSS для решения задач прогнозирования – Изучение методологии прогнозирования, моделей и статистических понятий в объеме, достаточном для корректного анализа и интерпретации результатов прогнозирования – Общее знакомство с принципами работы информационных систем статистического прогнозирования и планирования спроса, применяемых в управлении цепями поставок o Основные разделы – Временной ряд и методы исследования его структуры – Линейная регрессия, построение и анализ моделей – Множественная линейная регрессия – Методы прогнозирования временных рядов – Методология Бокса-Дженкинса и модели АРПСС – Исследование качества модели прогнозирования и оценка ошибки прогноза – Выбор наилучшей модели прогнозирования – Информационные системы планирования спроса o Объем – 26 ч
    • 4. 4 ЛитератураЛитература o Методология прогнозирования – Ханк Д.Э., Уичери Д.У., Райтс А.Дж. Бизнес-прогнозирование, 7-е изд. – М. : Вильямс, 2003. – 656 с. – Минько А.А. Прогнозирование в бизнесе с помощью Excel. – М. : Эксмо, 2007. – 208 с. – Evans M. Practical Business Forecasting. – Wiley-Blackwell, 2002. – 501 p. o Бизнес-процесс прогнозирования и планирования спроса – Уоллас Т., Сталь Р. Планирование продаж и операций: практическое руководство. – 3е изд. – СПб. : Питер, 2010. – 272 с. – Wallace T.F., Stahl R. Sales Forecasting – A New Approach. – T.F. Wallace & Company, 2002. – 166 p. – Crum, C., Palmatier G. Demand management best practices: Process, Principles and Collaboration. – J. Ross Publishing, 2003. – 239 p. – Chase C. Demand-Driven Forecasting : A Structured Approach To Forecasting. – New Jersey: Wiley, 2009. – 320 p. o Программное обеспечение – Тюрин Ю.Н., Макаров А.А. Анализ данных на компьютере. – 3-е изд. – М. : Инфра-М, 2003. – 544 с. – Бююль А., Цёфель П. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей. – С-Пб. : ДиаСофтЮП, 2005. – 608 с. – Крыштановский А.О. Анализ социологических данных с помощью пакета SPSS . – М. : ГУ- ВШЭ, 2006. – 281 с. – Yaffee, R. McGee M. Time Series Analysis and Forecasting with applications of SAS and SPSS. – Academic Press, 2000. – 528 p. – SPSS Forecasting 17.0. – Chicago : SPSS Inc., 2007. - 147 p. – SPSS Statistics 17.0 Algorithms. – Chicago : SPSS Inc., 2007 – 943 p.
    • 5. 5 Этапы прогнозированияЭтапы прогнозирования 1. Сбор данных 2. Очистка и «уплотнение» данных 3. Изучение структуры данных, построение модели и ее оценка 4. Экстраполяция модели 5. Оценка прогноза 6. Пересмотр применяемых методов и анализ полезности изменений (FVA)
    • 6. 6 Программное обеспечение дляПрограммное обеспечение для решения задач прогнозированиярешения задач прогнозирования o Виды ПО – Статистические пакеты общего назначения – Программы для автоматического прогнозирования – Системы планирования спроса o Типичный набор инструментов в пакете статистического прогнозирования: – преобразование и подготовка данных – описательные статистики и графический анализ данных – инструменты анализа структуры данных – автокорреляции, спектральный анализ – построение однофакторных и многофакторных моделей регрессии, оценка значимости коэффициентов моделей и факторов – построение моделей сглаживания временных рядов – построение однофакторных или многофакторных моделей АРПСС – инструменты для автоматического применения моделей и контроля результатов o Обзор систем 1 и 2 типа – Forecasting Software Survey (журнал OR/MS today) http://lionhrtpub.com/orms/surveys/FSS/fssmain.html
    • 7. 7 Инструменты анализа данных вИнструменты анализа данных в SPSSSPSS o Графический анализ o Преобразование и сглаживание данных o Описательные статистики и разведочный анализ o Анализ сезонных и циклических колебаний o Определение циклических компонентов даты o Сезонная декомпозиция/корректировка o Линейная регрессия и подгонка кривых o Исследование взаимосвязей между рядами – парные корреляции, кросс-корреляции o Эксперт построения моделей: – Модели экспоненциального сглаживания – Модели ARIMA и ARIMAX
    • 8. 8 Виды данныхВиды данных:: кросс-секционныекросс-секционные o Кросс-секционные данные относятся ко множеству объектов и одному периоду времени, либо сопоставимым периодам времени. Фактор времени не важен.
    • 9. 9 Виды данныхВиды данных:: временной рядвременной ряд o Временной ряд состоит из данных, зафиксированных через равные промежутки времени o В зависимости от количества значений в наборе может быть одномерным и многомерным
    • 10. 10 Модель временного рядаМодель временного ряда Модель временного ряда включает несколько составляющих: • Тенденция (тренд) • Сезонность • Циклы • Нерегулярные изменения • Случайная составляющая
    • 11. 11 Аддитивные и мультипликативныеАддитивные и мультипликативные модели временного рядамодели временного ряда 0 10 20 30 40 50 20 40 60 80 Аддитивная модель ряда Мультипликативная модель ряда Тренд ( ) ( ) ( )y t T t S t ε= + + ( ) ( ) ( )y t T t S t ε= × +
    • 12. 12 Выделение компонент рядаВыделение компонент ряда Аддитивная модель: Мультипликативная модель: ( ) ( ) ( )ˆy t T t S t= + ( ) ( ) ( )ˆy t T t S t= × ( ) ( ) ( )S t y t T t= − ( ) ( ) / ( )S t y t T t= ( ) 0S t =∑ ( ) =∑S t s y = 1.9231x + 306.67 R 2 = 0.1739 270 280 290 300 310 320 330 340 350 360 370 0 5 10 15 20 Продажи Прогноз (аддит. модель) Прогноз (мульт. модель) Линейный (Продажи)
    • 13. 13 Исследование автокорреляцийИсследование автокорреляций ( )( ) ( ) 1 2 1 n t t kt k k n tt Y Y Y Y r Y Y −= + = − − = − ∑ ∑ kr tY t kY− Y - наблюдение в момент t - наблюдение с лагом (запаздыванием) в k периодов- наблюдение в момент t - среднее значение временного ряда - коэффициент автокорреляции для лага k
    • 14. 14 Автокорреляционная функцияАвтокорреляционная функция Автокорреляционная функция (АКФ) показывает связь между периодами временного ряда с различными лагами: ( ) ( ) ( )f t f t dtψ τ τ= −∫ • Выборочная АКФ строится по данным ряда и представляет собой значения rk для разных k • График АКФ называется коррелограммой • Для упрощения анализа графиков АКФ необходимо удалять тренды из временного ряда
    • 15. 15 Применение коррелограммыПрименение коррелограммы o Вид АКФ позволяет определить: – являются ли данные случайными – содержат ли данные тренд – являются ли данные стационарными – содержат ли данные сезонные колебания o Значимость коэффициента rk можно определить с помощью доверительного интервала (обычно 95%), построенного в предположении, что rk = 0, который также выводится на график АКФ
    • 16. 16 Коррелограммы для различных рядовКоррелограммы для различных рядов
    • 17. 17 Коррелограммы для различных рядовКоррелограммы для различных рядов
    • 18. 18 Коррелограммы для различных рядовКоррелограммы для различных рядов
    • 19. 19 Применение спектрального анализаПрименение спектрального анализа o Спектральный анализ основан на представлении ряда как суммы периодических компонент
    • 20. 20 Спектральный анализ вСпектральный анализ в SPSSSPSS Периодограмма позволяет найти частоту периодических компонент f Период можно определить по формуле: T = 1/f (T = 1/0.08 = ~12) ( ) 2 2 1 2 1 2 cos2 2 sin2 n tt n tt S f x tf n x tf n π π = =   = + ÷     + ÷   ∑ ∑