Прогнозирование - Лекция 1. Компьютерные инструменты...
-
Upload
gleb-zakhodiakin -
Category
Business
-
view
3.411 -
download
7
description
Transcript of Прогнозирование - Лекция 1. Компьютерные инструменты...
![Page 1: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/1.jpg)
Курс «Компьютерная Курс «Компьютерная поддержка поддержка
прогнозирования»прогнозирования»
Заходякин Глеб Викторович,
кафедра Информационных систем и технологий в логистикеe-mail: [email protected]
![Page 2: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/2.jpg)
2
Количественные методы Количественные методы VS VS 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
![Page 3: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/3.jpg)
3
Цели и структура курсаЦели и структура курсаo 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
![Page 4: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/4.jpg)
4
ЛитератураЛитератураo 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.
![Page 5: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/5.jpg)
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)
![Page 6: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/6.jpg)
6
Программное обеспечение для Программное 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
![Page 7: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/7.jpg)
7
Инструменты анализа данных в Инструменты 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
![Page 8: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/8.jpg)
8
Виды данныхВиды данных: : кросс-секционныекросс-секционныеo Кросс-секционные данные относятся ко множеству объектов и
одному периоду времени, либо сопоставимым периодам времени. Фактор времени не важен.
![Page 9: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/9.jpg)
9
Виды данныхВиды данных: : временной рядвременной рядo Временной ряд состоит из данных, зафиксированных через
равные промежутки времениo В зависимости от количества значений в наборе может быть
одномерным и многомерным
![Page 10: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/10.jpg)
10
Модель временного рядаМодель временного ряда
d
tтекущий период
доверительный интервал прогноза
тренд
тренд+сезонная волна
наблюденное значение ряда
прогнозируемое значение ряда
Модель временного ряда включает несколько составляющих:• Тенденция (тренд)• Сезонность• Циклы• Нерегулярные изменения• Случайная составляющая
![Page 11: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/11.jpg)
11
Аддитивные и мультипликативные Аддитивные и мультипликативные модели временного рядамодели временного ряда
0 10 20 30 40 50
20
40
60
80Аддитивная модель рядаМультипликативная модель рядаТренд
y t T t S t y t T t S t
![Page 12: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/12.jpg)
12
Выделение компонент рядаВыделение компонент ряда
Аддитивная модель:
Мультипликативная модель:
y t T t S t
y 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
R2 = 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)
![Page 13: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/13.jpg)
13
Исследование автокорреляцийИсследование автокорреляций
12
1
n
t t kt kk n
tt
Y Y Y Yr
Y Y
krtY 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
![Page 14: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/14.jpg)
14
Автокорреляционная функцияАвтокорреляционная функцияАвтокорреляционная функция (АКФ) показывает связь между периодами временного ряда с различными лагами:
f t f t dt • 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
![Page 15: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/15.jpg)
15
Применение коррелограммыПрименение коррелограммыo 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
![Page 16: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/16.jpg)
16
Коррелограммы для различных рядовКоррелограммы для различных рядов
![Page 17: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/17.jpg)
17
Коррелограммы для различных рядовКоррелограммы для различных рядов
![Page 18: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/18.jpg)
18
Коррелограммы для различных рядовКоррелограммы для различных рядов
![Page 19: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/19.jpg)
19
Применение спектрального анализаПрименение спектрального анализаo Спектральный анализ основан на представлении ряда как суммы
периодических компонент
![Page 20: Прогнозирование - Лекция 1. Компьютерные инструменты прогнозирования](https://reader031.fdocuments.net/reader031/viewer/2022013114/5562a28dd8b42a15548b47e3/html5/thumbnails/20.jpg)
20
Спектральный анализ в Спектральный анализ в SPSSSPSS
Периодограмма позволяет найти частоту периодических компонент fПериод можно определить по формуле: T = 1/f (T = 1/0.08 = ~12)
2
2
1
2
1
2cos2
2sin 2
n
tt
n
tt
S f x tfn
x tfn