Технологія створення прогнозів попиту товарів масового споживання з застосуванням експертів

У статті запропоновано технологію отримання прогнозів попиту товарів масового споживання, основою якої є математична модель процесу, що використовує знання експерта у даній галузі....

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2013
1. Verfasser:	Сичов, О.С.
Format:	Artikel
Sprache:	Ukrainian
Veröffentlicht:	Інститут проблем математичних машин і систем НАН України 2013
Schriftenreihe:	Математичні машини і системи
Schlagworte:	Інформаційні і телекомунікаційні технології
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/83840
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Технологія створення прогнозів попиту товарів масового споживання з застосуванням експертів / О.С. Сичов // Мат. машини і системи. — 2013. — № 2. — С. 73-80. — Бібліогр.: 6 назв. — укр.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-83840
record_format	dspace
spelling	irk-123456789-838402015-07-05T11:48:42Z Технологія створення прогнозів попиту товарів масового споживання з застосуванням експертів Сичов, О.С. Інформаційні і телекомунікаційні технології У статті запропоновано технологію отримання прогнозів попиту товарів масового споживання, основою якої є математична модель процесу, що використовує знання експерта у даній галузі. В статье предложена технология получения прогнозов спроса товаров массового потребления, основанная на создании математической модели процесса, использующей знание эксперта в заданной области. In this paper the technology of demand forecasts of consumer goods, based on the creation of mathematical model of the process using expert knowledge in a define area. 2013 Article Технологія створення прогнозів попиту товарів масового споживання з застосуванням експертів / О.С. Сичов // Мат. машини і системи. — 2013. — № 2. — С. 73-80. — Бібліогр.: 6 назв. — укр. 1028-9763 http://dspace.nbuv.gov.ua/handle/123456789/83840 004.9: 519.7:004.8 uk Математичні машини і системи Інститут проблем математичних машин і систем НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Ukrainian
topic	Інформаційні і телекомунікаційні технології Інформаційні і телекомунікаційні технології
spellingShingle	Інформаційні і телекомунікаційні технології Інформаційні і телекомунікаційні технології Сичов, О.С. Технологія створення прогнозів попиту товарів масового споживання з застосуванням експертів Математичні машини і системи
description	У статті запропоновано технологію отримання прогнозів попиту товарів масового споживання, основою якої є математична модель процесу, що використовує знання експерта у даній галузі.
format	Article
author	Сичов, О.С.
author_facet	Сичов, О.С.
author_sort	Сичов, О.С.
title	Технологія створення прогнозів попиту товарів масового споживання з застосуванням експертів
title_short	Технологія створення прогнозів попиту товарів масового споживання з застосуванням експертів
title_full	Технологія створення прогнозів попиту товарів масового споживання з застосуванням експертів
title_fullStr	Технологія створення прогнозів попиту товарів масового споживання з застосуванням експертів
title_full_unstemmed	Технологія створення прогнозів попиту товарів масового споживання з застосуванням експертів
title_sort	технологія створення прогнозів попиту товарів масового споживання з застосуванням експертів
publisher	Інститут проблем математичних машин і систем НАН України
publishDate	2013
topic_facet	Інформаційні і телекомунікаційні технології
url	http://dspace.nbuv.gov.ua/handle/123456789/83840
citation_txt	Технологія створення прогнозів попиту товарів масового споживання з застосуванням експертів / О.С. Сичов // Мат. машини і системи. — 2013. — № 2. — С. 73-80. — Бібліогр.: 6 назв. — укр.
series	Математичні машини і системи
work_keys_str_mv	AT sičovos tehnologíâstvorennâprognozívpopitutovarívmasovogospoživannâzzastosuvannâmekspertív
first_indexed	2025-07-06T10:43:23Z
last_indexed	2025-07-06T10:43:23Z
_version_	1836893972608319488
fulltext	© Сичов О.С., 2013 73 ISSN 1028-9763. Математичні машини і системи, 2013, № 2 УДК 004.9: 519.7:004.8 О.С. СИЧОВ* ТЕХНОЛОГІЯ СТВОРЕННЯ ПРОГНОЗІВ ПОПИТУ ТОВАРІВ МАСОВОГО СПОЖИВАННЯ З ЗАСТОСУВАННЯМ ЕКСПЕРТІВ *Інститут проблем математичних машин і систем НАН України, Київ, Україна Анотація. У статті запропоновано технологію отримання прогнозів попиту товарів масового споживання, основою якої є математична модель процесу, що використовує знання експерта у даній галузі. Ключові слова: математичне моделювання, експертна оцінка, економетрика. Аннотация. В статье предложена технология получения прогнозов спроса товаров массового потребления, основанная на создании математической модели процесса, использующей знание эксперта в заданной области. Ключевые слова: математическое моделирование, экспертная оценка, эконометрика. Abstract. In this paper the technology of demand forecasts of consumer goods, based on the creation of mathematical model of the process using expert knowledge in a define area. Keywords: mathematic modeling, expert evaluation, econometrics. 1. Вступ Чим далі відходить Україна від планової економіки до ринкової, тим суттєвішим для виро- бників товарів стає проблема прогнозування попиту. Особливо це стосується крупних ви- робників товарів масового попиту, для яких зміна попиту на декілька відсотків може приз- вести до багатомільйонних збитків. Тому з кожним роком задача отримання якісних про- гнозів стає все гострішою. Створення математичної моделі процесу стандартними матема- тичними методами в багатьох випадках не дає якісного результату [1] і цьому є декілька причин [2, 3]. Ми зупинимось більш детально на них у наступних розділах нашої роботи, але ос- новною причиною є недостатня кількість даних для проведення повноцінного аналізу. Од- нак цей недолік можна компенсувати, використовуючи як додаткові дані знання експерта [4]. Не дивлячись на те, що знання експертів погано формалізовані [5], вони можуть бути використані як при створенні моделі попиту, так і при оцінці результатів прогнозування. У даній статті ми пропонуємо до розгляду технологію побудови прогнозів попиту товарів масового споживання (ПТМС), основа якої полягає у використанні експертних знань та їх формалізації. 2. Проблеми, що виникають при створенні моделі ПТМС Вимоги до кожної моделі ПТМС індивідуальні і залежать від потреб і можливостей замов- ника. Однак ми можемо сформулювати типові вимоги та проблеми, що є характерними для більшості моделей ПТМС. Для більшої прозорості як приклади ми спробуємо описати створення моделі попиту для солодкої газованої води вигаданої марки Кола-лока. 2.1. Довжина часових послідовностей Вхідними даними для моделі можуть бути історія продаж товару, його характеристики, рекламні акції, мікро- та макроекономічні тренди, що мають на нього вплив, тощо. Набір даних визначається, як було зазначено раніше, окремо в кожному конкретному випадку. Але для більшості моделей ПТМС є спільним те, що при моделюванні використовуються історичні дані за останні 3–7 років. Це зумовлено тим, що ринок за 3–7 років зазнає насті- 74 ISSN 1028-9763. Математичні машини і системи, 2013, № 2 Рис. 1. Довгострокова динаміка попиту на різні види грилів у США, за даними «Hearth, Patio & Barbecue Association (HPBA)» льки суттєвих змін (рис. 1), що ті закономірності, які були суттєвими раніше, можуть бути зайвими або навіть шкідливими у теперішній ситуації. Використання таких коротких істо- ричних інтервалів робить неєфективним використання більшості методів регресійного аналізу. І це є однією із основних проблем при створенні моделей ПТМС. Брак статистич- ного матеріалу приводить до того, що, використовуючи різні підходи, можна отримати прогнози, які не тільки відрізняються за значенням, а й мають різні тенденції: одна модель може показувати, що споживання товару буде істотно збільшуватись, тоді як друга вказує на те, що його споживання істотно зменшиться. Повертаючись до при- кладу Кола-локи, на її продаж впливає більше 2 десятків фа- кторів, основними з яких є: ціна базова (впливає на прес- тижність товару), ціна акцій- на, реклама зовнішня, реклама в магазинах, кількість і якість магазинів, де представлено наш товар, асортимент товару, ціни конкурентів, сезонність, нерегулярні події (наприклад, фестивалі), температура пові- тря, кількість людей в регіоні, для яких проводиться прогно- зування, і відсоток людей, які можуть собі дозволити (з фінансової точки зору) купувати наш напій (оскільки він не є товаром першої необхідності), загальна економічна ситуація у країні (якщо вона погана, то навіть ті люди, які на даний момент мають гроші, можуть їх заощаджувати), відсоток людей, що обмежують себе в солодкому, якщо напій продається в маленьких пляшках, бажано знати відсоток людей, що полюбляють пити напої на ходу, якщо в великих пляшках, то відсоток людей, що віддають перевагу споживанню напоїв вдома. Цей перелік можна продовжувати, перераховуючи менш значні фактори, але всі во- ни, безумовно, впливають на продаж нашого товару, причому більшість із них нелінійно (рис. 2), тому використання стандартних математичних методів не дасть бажаних резуль- татів. 2.2. Доступність даних Другою суттевою проблемою є те, що не всі необхідні дані можуть бути доступні. На від- міну від точних наук, в економіці неможливо провести повторний експеримент і зафіксу- вати всі необхідні змінні. Ми можемо оперувати тільки тими трендами, які є доступними у даний час і можуть бути достатньо точно визначені в майбутньому (оскільки на їх основі ми повинні будувати прогноз). Тому ми вимушені в деяких випадках при створенні моделі, замість трендів, що безпосередньо впливають на ПТМС, використовувати тренди, що по- бічно відображають зміни необхідних трендів. Очевидно, це негативно відображується на якості моделі і може суттєво вплинути на результати прогнозу. Наприклад, вплив темпера- тури на продаж Кола-локи, безумовно, є, оскільки в жарку погоду її споживання значно більше, ніж в морозну. Однак ми не можемо використовувати даний тред при моделюван- ні, оскільки ми не маємо його прогнозу на майбутне з достатньою точністю. Ми можемо не мати тренду відсотка людей, що обмежують себе в солодкому, але цей тренд можна замі- нити відсотком людей з зайвою вагою та відсотком людей похилого віку, оскільки обидві ці категорії досить сильно корелюють з необхідним нам трендом. ISSN 1028-9763. Математичні машини і системи, 2013, № 2 75 Рис. 2. Приклади нелінійного впливу факторів на попит 2.3. Взаємозалежність даних Вхідні тренди не є незалежними часовими послідовностями, вони в тій чи іншій мірі пов’язані між собою, оскільки відображають різні сторони одного і того ж процесу, а саме – ринку. В деяких випадках, щоб позбутися цього недоліку, можна застосувати метод го- ловних компонент (чи інші аналогічні методи), але це не завжди дає гарні результати, в основному, через брак статистичного матеріалу й нелінійності впливу трендів один на од- ного. Наприклад, відсоток людей з задовільною заробітною платою і загальна економічна ситуація у країні очевидно повязані між собою, але не лінійно, особливо для країн з нероз- виненою економікою (рис. 3). Рис. 3. Середня заробітна плата та ВВП України за даними «International Monetary Fund» 2.4. Зв’язок між трендами та ПТМС Для більшості трендів заздалегідь невідомо, яким чином вони впливають на ПТМС. І на- віть для тих трендів, функція впливу яких відома заздалегідь (наприклад, вплив ціни), ви- значення коефіцієнтів даної функції може бути ускладнено похибкою, яку вносить вплив невідомих факторів. Наприклад, в один із тижнів продаж набагато збільшився, але ми га- рантовано не можемо сказати, що на це вплинуло: тільки гарна рекламна ціна чи перебої у постачанні товарів наших конкурентів, чи інша подія, яку ми не зафіксували. 76 ISSN 1028-9763. Математичні машини і системи, 2013, № 2 2.5. Робасність моделі Останньою проблемою при моделюванні є вихід значення трендів за діапазон, що був в історії. Враховуючи нелінійність моделі, дуже важко забезпечити її робасність за умов, ко- ли вхідні тренди в майбутньому приймуть значення, які виходять за рамки тих, що були в історії. Це особливо часто відбувається під час криз, зміни законів або під час катаклізмів. Якщо вводити штучні обмеження, це може привести до негативного наслідку, оскільки су- часний ринок розвивається досить динамічно, але якщо не вводити такі обмеження, ми можемо отримати прогноз, що виходить за рамки здорового глузду. Наприклад, ми чудово навчились визначати вплив базової ціни на продаж нашого товару, але введення додатко- вого податку привело до того, що базова ціна суттєво підвищилась (не тільки у нас, а й у конкурентів) і це привело до перерозподілу ринку в цілому (це, наприклад, було в Росії при введенні мінімальної ціни на горільчані вироби). Якщо застосувати розроблені в не- кризовий час закони до поточної ситуації, виходить, що наші продажі катастрофічно зме- ншаться, однак в реальному житті такої катастрофи може і не статися. 3. Експертна оцінка Можна навести багато прикладів, коли прогноз ПТМС дають експерти. Порівняно з мате- матичною моделлю, модель у голові експерта враховує набагато більше факторів. Експерт може проаналізувати ринок схожих товарів, знайти аналогії в історії, врахувати норматив- ні документи та результати аналітичних досліджень. У прогнозів ПТМС, отриманих шля- хом експертної оцінки, є декілька недоліків. Перший недолік – це суб’єктивність, залеж- ність прогнозу від того, який експерт його робив. Суб’єктивність може звести нанівець усі переваги. Подолати цей недолік можна, використовуючи групи експертів [4], але, по- перше, це не завжди можливо, по-друге, це суттєво впливає на вартість отримання такого прогнозу. Другий недолік полягає в тому, що, як відомо, людині відносно легко дати якіс- ну оцінку, але досить важко кількісно оцінити значення того чи іншого результату [5]. Ек- сперту набагато легше оцінити, наскільки він вважає правильним показаний йому прогноз, ніж представити свій у чисельному вигляді. І останнє, далеко не всі гіпотези, що викорис- товує експерт при створенні прогнозу, є вірними: чим більша кількість історичних точок, тим важче експерту перевіряти свої гіпотези, і як, наслідок цього – він частіше припуска- ється помилок. Наприклад, якщо історичні дані представлені за кожен тиждень, то за 7 ро- ків виходить близько 365 точок. Аналізувати таку кількість точок експерту досить важко. Водночас така кількість історичних даних є достньою, щоб статистично перевірити гіпоте- зи експерта. 4. Створення математичної моделі з урахуванням знань експерта З вищевикладеного можемо зробити висновок, що ідеальним є рішення враховувати знан- ня експерта як при створенні моделі, так і при оцінці результатів її роботи. Це дозволить вирішити більшість проблем, описаних нами у 2-му розділі. Ідея поєднання знань експерта та математичного апарата не нова. Навіть в економіці ми можемо знайти аналогічні підхо- ди [4, 6]. Однак задача побудови прогнозу ПТМС має свою специфіку, описану нами рані- ше, тому в даній роботі ми хотіли б запропонувати технологію побудови прогнозу ПТМС, що враховує дану специфіку. Одразу треба зазначити, що запропонована нами технологія має свої обмеження. Вона не може бути використана для товарів, що щойно вийшли на ринок, бо через брак даних результати будуть досить низькі. У цьому випадку треба використовувати інші під- ходи, визначати аналоги, враховувати життєвий цикл товару тощо. Також запропонована технологія буде давати сумнівні результати для товарів, що залишають ринок. Хоча для цього випадку, як правило, не має потреби в побудові якісного прогнозу. ISSN 1028-9763. Математичні машини і системи, 2013, № 2 77 5. Технологія створення моделі Загальна блок-схема запропонованої технології представлена на рис. 4. 5.1. Визначення експертом основних факторів, що впливають на попит заданого то- вару На початковій стадії експерт, виходячи зі свого досвіду та специфіки товару, визначає ос- новні фактори, які гарантовано впливають на попит, та для яких відомо, яким саме чином вони пов’язані з попитом. Тобто, відомі формули залежності і в майбутньому залишається тільки знайти коефіцієнти. Як правило, таких факторів небагато, усього 3–7 і для більшості типів товарів найчастіше вони однакові. Для Кола-локи такими факторами є базова ціна, акційна ціна, інфляція, реклама зовнішня, реклама в магазинах, кількість і якість магазинів, де представлено наш товар. Механізм впливу даних факторів досить детально вивчено, тому залишається тільки знайти відповідні коефіцієнти моделі. Винзачення експертом основних факторів Висунення гіпотез щодо додаткових факторів, які впливають на результат Перевірка гіпотез Знаходження початкових коефіцієнтів моделі для нових факторів Оптимізація коефіцієнтів моделі Оцінка якості моделі Аналіз найбільших відхилень Прогнозування Задовільна якість моделювання Аналіз вхідних даних НІ ТАК Оцінка прогнозу задовільна ТАК НІ Кінець Рис. 4. Блок-схема технології створення моделі 78 ISSN 1028-9763. Математичні машини і системи, 2013, № 2 5.2. Висунення гіпотез щодо додаткових факторів, які впливають на результат Аналізуючи представлені йому дані, експерт висуває гіпотези щодо додаткових факторів, які можуть впливати на попит. При цьому він повинен дати опис, яким чином ці фактори можуть впливати на попит, і задати межі їх впливу на попит. Звісно, в подальшому і опис, і граничні значення будуть уточнюватися, але наявність такої інформації на початку дослі- дження дуже суттєво впливає на подальшу роботу. Наприклад, на продаж напою Кола- локи впливає не тільки зміна її ціни, а й різниця між її ціною та ціною головних конкурен- тів Кока-коли й Пепсі-коли, причому ця залежність не є лінійною. Висуваючи таку гіпоте- зу, екперт може за аналогією з іншими товарами оцінити плив конкурентів на наші прода- жі, наприклад, 10–20%. Отримавши таку інформацію, можна створити нові тренди, що ві- дображають різницю цін нашого товару с головними конкурентами, а їх вплив (можна ви- сунути припущення) буде визначатись законами, подібними до законів, що визначають вплив акційної ціни. 5.3. Перевірка гіпотез Основною проблемою при перевірці гіпотез є вплив одного із факторів, як правило, в декі- лька разів менший, ніж сукупний вплив інших невідомих факторів. Тому для перевірки гі- потези використовуються не всі доступні історичні точки, а тільки ті, в яких вплив даного фактора був достатньо суттєвим. На основі цих точок ми можемо перевірити гіпотезу екс- перта та формалізувати алгоритм впливу фактора на попит. Вертаючись до нашого прик- ладу з Кола-локи, ми повинні відібрати історичні точки з максимальним та мінімальним значенням різниці цін (її та конкурентів). Їх кількість від загальної кількості всіх історич- них точок повинна бути близько 10–20%. Проаналізувавши продаж Кола-локи в цих точ- ках, ми повинні виявити (чи не виявити) залежність, передбачену експертом. 5.4. Знаходження початкових коефіцієнтів моделі Якщо поверхово проаналізувати похибки побудованої моделі, можна помітити, що в біль- шості випадків вона не є монотонною. Значення оптимуму для одних коефіцієнтів зале- жить від значення інших коефіцієнтів. Тобто глобальний оптимум можна знайти тільки повним перебором, що за наявності в моделі 20–30 коефіцієнтів є досить важкою задачею. Але, не зважаючи на це, якщо встановити початкові значення коефіцієнтів, орієнтуючись на точки історії, де значення впливу обраного фактора було максимальним і вплив інших факторів найменший, можна потрапити в область біля глобального або одного з локальних мінімумів, де, застосувавши один із видів оптимізації, наприклад, градієнтний спуск, знай- ти достатньо задовільний варіант значень коефіцієнтів моделі. Для нашого прикладу ми обчислюємо значення коефіцієнтів впливу ціни конкурентів на продаж нашого товару на групі точок, що відібрали в попередньому пункті. При цьому значення даних коефіцієнтів є близьке до оптімума, але не є оптимальним, оскільки при його обчисленні не були врахо- вані інші параметри моделі. 5.5. Оптимізація коефіцієнтів моделі Як вже було зазначено раніше, знаючи стартові коефіцієнти, ми можемо використовувати будь-який із методів оптимізації. Однак основною проблемою при оптимізації є те, що всі відхилення моделі від історичних даних пов’язані з тими факторами, які ще не враховано в моделі і будуть мінімізуватись за рахунок коефіцієнтів, що ми оптимізуємо. Тобто вплив невідомих факторів буде компенсуватись похибкою, яка буде відноситись до впливу відо- мих факторів. Тому при оптимізації коефіцієнтів їх треба перевіряти на допустимість, для чого використовується опис, отриманий в 5.2 від експерта. Якщо в результаті оптимізації ISSN 1028-9763. Математичні машини і системи, 2013, № 2 79 коефіцієнти або вплив фактора приймають нелогічні значення, в алгоритм оптимізації по- винні бути внесені додаткові умови, після чого проведена повторна оптимізація. В нашому випадку, якщо вплив ціни конкурентів буде виходити за межі, вказані екпертом, то всі ви- падки такого виходу повинні бути проаналізовані екпертом або висунуті нові гипотези, або змінені граничні значення. 5.6. Оцінка якості моделі Звісно, не можна мати надію на отримання результату з нульовою похибкою, тому замов- ником чи експертом повинен бути встановлений рівень задовільного результату моделю- вання. Якщо результати моделювання задовільні, то ми переходимо до процесу створення прогнозу, який буде описаний у наступному розділі. Якщо результати незадовільні, то пе- реходимо до наступного пункту. 5.7. Аналіз найбільших відхилень Звісно, що незадовільна похибка моделі пов’язана з тим, що не враховано всіх факторів впливу. Щоб їх ввести, необхідно звернутись до експерта. З отриманих результатів обира- ється 3–10 точок, де модель дає найбільшу похибку. Маючи інформацію, в яких точках і як саме помиляється модель, експерт може висунути гіпотези для введення в модель нових факторів, тому ми можемо перейти до п. 5.2. 6. Прогнозування Якщо розглянути життєвий цикл будь-якого товару та обчислити, який був би на нього по- пит без впливу зовнішніх факторів, що його стимулюють або пригнічують (будемо подалі називати такий попит нульовою лінією), то можна побачити, що різкі зміни нульової лініії відбуваються тільки у випадку, коли товар виходить на ринок або залишає його (як було зазначено раніше, в даних випадках технологія, що пропонується, не може бути застосова- на). У проміжку між цими подіями нульова лінія змінюється дуже повільно. Тому при створенні моделі ми можемо вважати, що всі зміни спричинені зовнішніми факторами. Обчисливши вплив факторів на попит для кожної історичної точки і вилучивши цей вплив з історичних даних, ми отримаємо «нульову лінію» в історії. Чим якісніше буде об- числено вплив факторів, тим ближче буде графік нульової лінії до прямої. Отримавши прогноз нульової лінії на майбутнє будь-яким регресійним методом, ми повинні обчислити за допомогою моделі вплив зовнішніх факторів у майбутньому і додати його до нульової лінії. Отриманий таким чином прогноз ще раз перевіряється експертом на допустимість. Якщо експерт вважає результати прогнозу нелогічними, необхідно проаналізувати причи- ни, що привели до створення такої ситуації, ввести додаткові умови, після чого провести повторну оптимізацію коефіцієнтів моделі. Наприклад, якщо ціни на Кола-локу різко зменшаться і в результаті нашого прогно- зу вийде, що вона займе левову частку ринку солодких напоїв, експерт цілком слушно мо- же заперечити, що наші конкуренти не допустять суттевого зменшення своєї частки ринку. Це означає, що, не зважаючи на перевірки результатів моделювання на історіичних прик- ладах, наша модель не враховує, що конкуренти будуть змушені зменшити свої ціни та- кож, щоб не втратити свої позиції. Тобто до моделі необхідно додати оцінку, наскільки конкуренти можуть зменшити свої ціни, переобчислити параметри моделі з урахуванням цих факторів і сгенерувати новий прогноз. 80 ISSN 1028-9763. Математичні машини і системи, 2013, № 2 7. Експериментальні результати Дана технологія пройшла багаторазову перевірку при створенні прогнозів ПТМС. На жаль, важко узагальнити отримані результати, оскільки кожний з побудованих прогнозів має свою специфіку. Як характерний приклад можемо навести створення прогнозів за даною технологією на замовлення компанії “Стан”. Нами було розроблено низку прогнозів для групи (декілька сотень найменувань) товарів. Виробник товарів, використовуючи групу експертів для створення прогнозів, мав похибку прогнозів на рівні 30–50% (за місяць). За- стосувавши описану нами технологію і використовуючи як вхідні дані менше факторів (бі- ля 20), ніж використовували експерти (оскільки не всі фактори можна формалізувати), нам вдалося знизити похибку прогнозування до 20–25%. Ця похибка була ще зменшена, коли отриманий за допомогою моделі прогноз був скоригований експертами з урахуванням не- формалізованих факторів (таких, як креативність реклами, нестандартні події тощо). 8. Висновки Основними відмінними рисами запропонованої технології є: • врахування знань експерта при побудові моделі дає можливість більш правильно враховувати вплив зовнішніх факторів; • аналіз результатів прогнозування експертів гарантує, що в моделі були враховані всі суттєві фактори впливу; • багаторазова оптимізація з поступовим збільшенням факторів дає можливість вво- дити до моделі нові залежності з урахуванням їх важливості; • вибір і аналіз найбільших відхилень дають змогу експерту генерувати гіпотези, за- вдяки яким у моделі можуть бути враховані додаткові фактори; • статистична перевірка гіпотез забезпечує об’єктивніть отриманих результатів. Не зважаючи на те, що вищеописані риси зустрічаються і в інших технологіях отримання прогнозів, на нашу думку, саме їх поєднання дозволяє не тільки гармонійно враховувати досвід експерта при створенні прогнозу ПТМС, але й дозволяє виявити зале- жності, які не є очевидними екcперту на початку моделювання. Все це дає змогу будувати більш якісні прогнози, що підтвержується неодноразовими експериментальними результа- тами, отриманими на реальних даних. СПИСОК ЛІТЕРАТУРИ 1. Хэндри Д. Эконометрика: алхимия или наука? / Д. Хэндри // Эковест. – 2003. – № 2. – С. 172 – 196. 2. Теслер Г.С. Новая кибернетика / Теслер Г.С. – Киев: Логос, 2004. – 401 с. 3. Антоненко А.О. Cпециализированные СППР для оценки динамики продаж в условиях кризиса / А.О. Антоненко, М.Э. Куссуль, А.С. Сычев // Сб. докладов научно-практ. конф. «Системы под- держки принятия решений. Теория и практика», (Киев, 8 июня 2009). – Киев, 2009. – С. 121 – 124. 4. Бешелев С.Д. Математико-статистические методы экспертных оценок / С.Д. Бешелев, Ф.Г. Гур- вич. – М.: Статистика, 1980. – 263 с. 5. Орлов А.И. Устойчивость в социально-экономических моделях / Орлов А.И. – М.: Наука, 1979. – 296 с. 6. Оптимальные методы в экономике и управлении: уч. пособ. по курсу «Организационно- экономическое моделирование». – М.: Изд-во МГТУ им. Н.Э. Баумана, 2007. – 44 с. Стаття надійшла до редакції 10.04.2013

Технологія створення прогнозів попиту товарів масового споживання з застосуванням експертів

Institution

Ähnliche Einträge