WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 || 3 | 4 |   ...   | 13 |

кое применение предложенных методов не обязательно и прогнозиро-

вание быть проведено для каких-либо других целей и включать дру-

гие типы переменных. Однако, предполагая именно такую направлен-

ность, мы сформулируем специальные комментарии описывающие общие

принципы решения проблемы прогнозирования. Сформулированные прин-

ципы могут быть применены при прогнозировании в других целях.

Для того, чтобы определить проблему прогнозирования, рас-

смотрим ее подробнее. Результаты прогнозирования используются для

поддержки принятия решений. Следовательно, природа принимаемых

решений определяет большинство желаемых характеристик прогнози-

рующей системы. Изучение решаемой проблемы должно помочь отве-

тить на вопросы о том, что нужно прогнозировать, какую форму дол-

жен принять прогноз, какие временные элементы включаются и како-

ва желательная точность прогноза.

При определении того, что нужно прогнозировать, мы указы-

ваем переменные, которые анализируются и предсказываются. Здесь

очень важен требуемый уровень детализации. Система проектирова-

ния производства может требовать прогноз требуемого количества

продукции в единицах по каждому виду конечного продукта произво-

димого предприятием и прогноз по запасным частям для оборудова-

ния предприятия. С другой стороны, менеджер по продаже может пот-

ребовать только прогноз общей суммы продажи продукта в долларах,

для определения вклада в бюджет. В первом случае прогнозирование

построено на единичном базисе, во втором случае прогнозирование

построено на обобщенном базисе. Пока от нас требуется результи-

рующая информация первого или второго типа нельзя однозначно выб-

рать анализируемые переменные. При планировании производства мы

можем прогнозировать на некотором обобщенном уровне, например, на

уровне семейства продуктов и потом разбить обобщенный прогноз до

единичного уровня, используя дополнительные расчеты. При прогно-

зировании общей суммы продаж в долларах, мы можем прогнозировать

продажу по каждому из продуктов, скажем того же семейства продук-

тов, результат преобразовать в доллары, используя предсказанные

цены и потом оценить общий уровень продаж в долларах.

На используемый уровень детализации влияет множество факто-

ров: доступность и точность данных, стоимость анализа и предпоч-

тения менеджера. В ситуациях, когда наилучший набор переменных

неясен, можно попробовать разные альтернативы и выбрать один из

вариантов, дающий наилучшие результаты. Обычно так осуществляет-

ся выбор при разработке прогнозирующих систем, основанных на ана-

лизе исторических данных.

Второй важный этап при построении прогнозирующей системы -

это определение следующих трех параметров: периода прогнозирова-

ния, горизонта прогнозирования и интервала прогнозирования. Пе-

риод прогнозирования - это основная единица времени, на которую

делается прогноз. Мы можем пожелать знать требование на продукт

через неделю. В этом случае период - неделя. Горизонт прогнозиро-

вания - это число периодов в будущем, которые покрывает прогноз.

То есть, нам может понадобиться прогноз на 10 недель вперед, с

данными по каждой неделе. В этом случае период - неделя, а гори-

зонт - 10 недель. Наконец, интервал прогнозирования - частота, с

которой делается новый прогноз. Часто интервал прогнозирования

совпадает с периодом прогнозирования. В этом случае прогноз пе-

ресматривается каждый период, используя требование за последний

период и другую текущую информацию в качестве базиса для перес-

матриваемого прогноза. Если горизонт всегда имеет одну и ту же

длину (Т-периодов) и прогноз пересматривается каждый период, го-

ворят что мы работаем на основе движущего горизонта. В этом слу-

чае, мы репрогнозируем требование для Т-1 периода и делаем ориги-

нальный прогноз для периода Т.

Выбор периода и горизонта прогнозирования обычно диктуется

условиями принятия решений в области для которой производится

прогноз. Для того, чтобы прогнозирование имело смысл, горизонт

прогнозирования должен быть не меньше, чем время, необходимое для

реализации решения принятого на основе прогноза.Таким образом,

прогнозирование очень сильно зависит от природы принимаемого ре-

шения. В некоторых случаях, время, требуемое на реализацию реше-

ния не определено, например, как в случае поставки запасных час-

тей для пополнения запасов ремонтных предприятий. Существует ме-

тоды работы в условиях подобной неопределенности, но они повы-

шают вариацию ошибки прогнозирования. Поскольку с увеличением го-

ризонта прогнозирования точность прогноза, обычно, снижается,

часто мы можем улучшить процесс принятия решения, уменьшив время,

необходимое на реализацию решения и, следовательно, уменьшив го-

ризонт и ошибку прогнозирования.

Интервал прогнозирования часто определяется операционным ре-

жимом системы обработки данных, которая обеспечивает информацию о

прогнозируемой переменной. В том случае, если уровень продаж

сообщается ежемесячно, возможно для еженедельного прогноза про-

даж этих данных недостаточно и интервал прогнозирования месяц -

является более обоснованным.

Хотя различие не велико, мы хотели бы обратить внимание на

различие между данными за период и точечными данными. Данные за

период характеризуют некоторый период времени. Например, общий

уровень продаж за месяц, и средняя температура за день, характе-

ризуют период времени. Точечные данные представляют значение пе-

ременной в конкретный момент времени, например, количество запас-

ных частей на конец месяца и температура в полдень. Различие меж-

ду этими двумя типами данных важно в основном для выбора ис-

пользуемой системы сбора данных, процесса измерений и определе-

ния ошибки прогнозирования.

Третьим аспектом прогнозирования является требуемая форма

прогноза. Обычно при прогнозировании проводится оценка ожидаемо-

го значения переменной, плюс оценка вариации ошибки прогнозирова-

ния или промежутка, на котором сохраняется вероятность содержа-

ния реальных будущих значений переменной. Этот промежуток назы-

вается предсказуемым интервалом.

В некоторых случаях нам не так важно предсказание конкрет-

ных значений прогнозируемой переменной, как предсказание значи-

тельных изменений в ее поведении. Такая задача возникает, напри-

мер, при управлении технологическими процессами, когда нам необ-

ходимо предсказывать момент, когда процесс перейдет в неуправляе-

мое состояние.

Точность прогноза, требуемая для конкретной проблемы оказы-

вает огромное влияние на прогнозирующую систему. Мы уже показали

это на рис. 1.1. Важнейшей характеристикой системы управления яв-

ляется ее способность добиваться оптимальности при работе с неоп-

ределенностью.

До сих пор, мы обсуждали набор проблем связанных с процес-

сом принятия решения. Существует ряд других факторов, которые

также необходимо принимать во внимание при рассмотрении проблемы

прогнозирования. Один из них связан с процессом генерирующим пе-

ременную. Если известно, что процесс стабилен, или существуют

постоянные условия, или изменения во времени происходит медленно

- прогнозирующая система для такого процесса может достаточно

сильно отличаться от системы, которая должна производить прогно-

зирование неустойчивого процесса с частыми фундаментальными изме-

нениями. В первом случае, необходимо активное использование исто-

рических данных для предсказания будущего, в то время как во вто-

ром лучше сосредоточиться на субъективной оценке и прогнозирова-

нии для определения изменений в процессе.

Другой фактор это доступность данных. Исторические данные

необходимы для построения прогнозирующих процедур; будущие наблю-

дения служат для проверки прогноза. Количество, точность и досто-

верность этой информации важны при прогнозировании. Кроме этого

необходимо исследовать представительность этих данных. Классичес-

ким примером, является прогнозирование требования клиентов на

производимый продукт, когда компания хранит записи о заказах по

времени их доставки.

Такой учет не отражает фактического требования, так как в

нем не учитываются заказы, поставленные раньше срока, и заказы

отмененные из-за неудовлетворительного срока поставки. Компания

должна установить специальную процедуру сбора данных, если ее ин-

тересует информация о том, сколько же ее клиенты на самом деле

желают приобрести продукции. Проблемы подобного типа возникают

также, когда не учитываются потери продаж из-за ограниченных воз-

можностей производства.

Источником ошибок при прогнозировании продаж является разли-

чие между прогнозом "того, что может быть продано" и "тем, что

будет продано". Первая задача оценивает реальную возможность для

компании продать свой продукт, без учета ограничений по объему.

Такой прогноз необходим при определении доли продукта в общем

производстве. Вторая задача отражает ограничения объема производ-

ства, решение менеджеров, а также план или цель. Такой прогноз,

скорее, следует назвать бюджетом. Здесь мы предполагаем, что

прогноз продажи, в большинстве случаев, будет коррелировать с

бюджетом продажи - ведь цель менеджера бороться за то, чтобы по-

высить уровень продаж.

Необходимо отметить вычислительные ограничения прогнозирую-

щих систем. Если изредка прогнозируется несколько переменных, то

в системе возможно применение более глубоких процедур анализа,

чем если необходимо часто прогнозировать большое число перемен-

ных. В последней ситуации, необходимо большое внимание уделить

разработке эффективного управления данными.

И, наконец, два важных фактора проблемы прогнозирования -

возможности и интерес людей, которые делают и используют прогноз.

В идеале, историческая информация анализируется автоматически и

прогноз представляется менеджеру для возможной модификации. Вве-

дение эксперта в процесс прогнозирования является очень важным,

но требует сотрудничества опытных менеджеров. Далее прогноз пере-

дается менеджерам, которые используют его при принятии решений. И

даже если они говорят, что прогноз это всего-лишь болтовня, они

могут получить реальную пользу от его использования.

1.3. Методы прогнозирования

Методы прогнозирования можно разделить на два класса квали-

тативные и квантитативные, в зависимости от того, какие математи-

ческие методы используются.

Квалитативные процедуры производят субъективную оценку, ос-

нованную на мнении экспертов. Обычно, это формальная процедура

для получения обобщенного предсказывания, на основе ранжирования

и обобщения мнения экспертов (например на основе методов Делфи).

Эти процедуры основываются на опросах, тестах, оценке эффектив-

ности продаж и исторических данных, но процесс с помощью которо-

го получается прогноз остается субъективным.

С другой стороны, квантиативные процедуры прогнозирования

явно объявляют - каким образом получен прогноз. Четко видна логи-

ка и понятны математические операции. Эти методы производят ис-

следование исторических данных для того, чтобы определить глубин-

ный процесс, генерирующий переменную и предположив, что процесс

стабилен, использовать знания о нем для того, чтобы экстраполиро-

вать процесс в будущее. К квантитативным процедурам прогнозирова-

ния относятся методы основанные на статистическом анализе, анали-

зе временных последовательностей, байесовском прогнозировании,

наборе фрактальных методов, нейронных сетях.

Сейчас используется два основных типа моделей: модели вре-

менных последовательностей и причинные модели.

Временная последовательность - это упорядоченная во времени

последовательность наблюдений (реализаций) переменной. Анализ

временных последовательностей использует для прогнозирования пе-

ременной только исторические данные о ее изменении. Таким обра-

зом, если исследование данных о ежемесячных продажах автомо-

бильных шин, показывает, что они линейно возрастают - для пред-

ставления данного процесса может быть выбрана линейная модель

тренда. Наклон и смещение этой прямой могут быть оценены на осно-

ве исторических данных. Прогнозирование может быть осуществлено

путем экстраполяции подходящей модели, как показано на рис. 1.2.

Месячная │ Прогноз

продажа │ *

шин │

L---+---+---+---+---+---+---+---+---+---+---+---

Сегодня Будущее

Месяцы

Рис. 1.2. Прогноз на основе линейного тренда. Иллюстрация к

прогнозированию на основе временной последовательности.

Причинные модели используют связь между интересующей нас

временной последовательностью и одной или более другими временны-

ми последовательностями. Если эти другие переменные коррелируют с

интересующей нас переменной и если существуют причины для этой

корреляции, модели прогнозирования, описывающие эти отношения мо-

гут быть очень полезными. В этом случае, зная значение коррели-

рующих переменных, можно построить модель прогноза зависимой пе-

ременной. Например, анализ может указать четкую корреляцию между

уровнем ежемесячной продажи шин и уровнем месячной продажи новых

автомобилей 15 месяцев назад. В этом случае информация о прода-

жах новых автомобилей 14 месяцев назад будет полезной для того,

чтобы предсказывать продажу шин в следующем месяце. Это показано

на рис. 1.3.

Месячная │

продажа │

шин │

L---+---+---+---+---+---+---+---+---+---+---+---

Продажа автомобилей 15 месяцев назад

Рис. 1.3. Иллюстрация к прогнозированию на основе причинной

модели.

Серьезным ограничением использования причинных моделей яв-

ляется требование того, чтобы независимая переменная была извес-

Pages:     | 1 || 3 | 4 |   ...   | 13 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.