В данной главе мы обсуждаем некоторые общие аспекты разра-
ботки прогнозирующих систем: понятие прогноза и цели его ис-
пользования, основные понятия и определения в области прогнозиро-
вания, методы прогнозирования, модели временных последовательнос-
тей, критерии производительности прогнозирующих систем и другие
общие вопросы касающиеся разработки прогнозирующих систем.
1.1. Прогноз и цели его использования
Прогнозирование - это ключевой момент при принятии решений
в управлении. Конечная эффективность любого решения зависит от
последовательности событий, возникающих уже после принятия реше-
ния. Возможность предсказать неуправляемые аспекты этих событий
перед принятием решения позволяет сделать наилучший выбор, кото-
рый, в противном случае, мог-бы быть не таким удачным. По-этому
системы планирования и управления, обычно, реализуют функцию
прогноза. Далее перечислены примеры ситуаций [44], в которых по-
лезно прогнозирование.
Управление материально-производственными запасами. В управ-
лении запасами запасных частей на предприятии по ремонту самоле-
тов совершенно необходимо оценить степень используемости каждой
детали. На основе этой информации определяется необходимое коли-
чество запасных частей. Кроме того, необходимо оценить ошибку
прогнозирования. Эта ошибка может быть оценена, например, на ос-
нове данных о времени, которое понадобилось для доставки деталей,
которых не было на складе.
Планирование производства. Для того, чтобы планировать
производство семейства продуктов, возможно, необходимо спрогнози-
ровать продажу для каждого наименования продукта, с учетом време-
ни доставки, на несколько месяцев вперед. Эти прогнозы для конеч-
ных продуктов могут быть потом преобразованы в требования к полу-
фабрикатам, компонентам, материалам, рабочим и т.д. Таким обра-
зом на основании прогноза может быть построен график работы це-
лой группы предприятий.
Финансовое планирование. Финансового менеджера интересует
как будет изменяться денежный оборот компании с течением времени.
Менеджер, может пожелать узнать, в какой период времени в буду-
щем оборот компании начнет падать, с тем, чтобы принять соответ-
ствующее решение уже сейчас.
Разработка расписания персонала. Менеджер почтовой компании
должен знать прогноз количества обрабатываемых писем, с тем что-
бы обработка производилась в соответствии с расписанием персона-
ла и производительностью оборудования.
Планирование нового продукта. Решение о разработке нового
продукта обычно требует долговременного прогноза того, каким
спросом он будет пользоваться. Этот прогноз не менее важен, чем
определение инвестиций необходимых для его производства.
Управление технологическим процессом. Прогнозирование также
может быть важной частью систем управления технологическими про-
цессами. Наблюдая ключевые переменные процесса и используя их для
предсказания будущего поведения процесса, можно определить опти-
мальное время и длительность управляющего воздействия. Например,
некоторое воздействие в течение часа может повышать эффектив-
ность химического процесса, а потом оно может снижать эффектив-
ность процесса. Прогнозирование производительности процесса мо-
жет быть полезно при планировании времени окончания процесса и
общего рассписания производства.
На основании вышеизложенного можно сказать, что прогнозиро-
вание - это предсказание будущих событий. Целью прогнозирования
является уменьшение риска при принятии решений. Прогноз обычно
получается ошибочным, но ошибка зависит от используемой прогнози-
рующей системы. Предоставляя прогнозу больше ресурсов, мы можем
увеличить точность прогноза и уменьшить убытки, связанные с неоп-
ределенностью при принятии решений. Эти соображения отображены на
рис.1.1. На рисунке показано что стоимость прогноза увеличивает-
ся по мере того, как уменьшаются убытки от неопределенности. При
некотором уровне ошибки прогнозирования затраты на прогнозирова-
ние минимальны.
Затраты і Общая
і стоимость
і
і
і
і
і Потери |
і из-за |
і неопре- |
і деленности |
і | Стоимость
і | прогнозирования
А———————————————————————————————————————————————
Оптимум
Уровень
ошибки
Рис. 1.3. График иллюстрирующий соотношение и эффективность
затрат на прогнозирование.
Заметим, что концептуальная модель, изображенная на рис.1.1
основана на асимптотическом снижении убытков при использовании
результатов прогнозирования. Таким образом, каждый дополни-
тельный доллар, потраченный на прогнозирование дает меньшее сни-
жение риска убытков, чем предыдущий. За некоторой точкой, допол-
нительные затраты на прогнозирование могут вовсе не приводить к
снижению потерь. Это связано с тем, что невозможно снизить сред-
нюю ошибку прогнозирования ниже определенного уровня, вне зависи-
мости от того насколько сложен примененный метод прогнозирования.
Поскольку прогнозирование никогда не сможет полностью унич-
тожить риск при принятии решений, необходимо явно определять не-
точность прогноза. Обычно, принимаемое решение определяется ре-
зультатами прогноза (при этом предполагается, что прогноз пра-
вильный) с учетом возможной ошибки прогнозирования.
Сказанное выше предполагает, что прогнозирующая система дол-
жна обеспечивать определение ошибки прогнозирования, также как и
само прогнозирование. Такой подход значительно снижает риск
объективно связанный с процессом принятия решений.
Необходимо отметить, что прогнозирование это не конечная
цель. Прогнозирующая система это часть большой системы менеджмен-
та и как подсистема, она взаимодействует с другими компонентами
системы, играя немалую роль в получаемом результате.
1.2. Основные понятия и определения проблемы прогнозирования
Необходимо отметить, что мы рассматриваем прогнозирование в
целях планирования производства или управления запасами. Таким
образом, наш интерес лежит в определении будущих продаж продукта,
или использовании материалов. Обычно мы будем ссылаться на инте-
ресующую нас переменную, как на "требование". Конечно, только та-
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 і Прогноз
продажа і *
шин і
і
і
і
і
А———Б———Б———Б———Б———Б———Б———Б———Б———Б———Б———Б———
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 і
продажа і
шин і
і
і
і
і
А———Б———Б———Б———Б———Б———Б———Б———Б———Б———Б———Б———
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-
тна ко времени, когда делается прогноз. Факт, что продажа шин
коррелирует с продажей новых автомобилей 15 месяцев назад, беспо-
лезен при прогнозировании уровня продаж шин на 18 месяцев вперед.
Аналогично, знание о том, что уровень продаж шин коррелирует с
текущими ценами на бензин, нам ничего не дает - ведь мы не знаем
точных цен на бензин на месяц, для которого мы делаем прогноз.
Другое ограничение причинных методов - большое количество вычис-
лений и данных, которое необходимо сравнивать.
Практически, прогнозирующие системы часто используют комби-
нацию квантитативных и квалитативных методов. Квантитативные ме-
тоды используются для последовательного анализа исторических дан-
ных и формирование прогноза. Это придает системе объективность и
позволяет эффективно организовать обработку исторических данных.
Данные прогноза далее становятся входными данными для субъектив-
ной оценки опытными менеджерами, которые могут модифицировать
прогноз в соответствии с их взглядами на информацию и их восприя-
тие будущего.
На выбор соответствующего метода прогнозирования, влияют
следующие факторы, большинство которых было описано в предыдущем
разделе.
- требуемая форма прогноза;
- горизонт, период и интервал прогнозирования;
- доступность данных;
- требуемая точность;
- поведение прогнозируемого процесса;
- стоимость разработки, установки и работы с системой;
- простота работы с системой;
- понимание и сотрудничество управляющих.
1.4. Модели временных последовательностей
Используемые для наших целей временные последовательности
представляют собой последовательность наблюдений за интересующей
переменной. Переменная наблюдается через дискретные промежутки
времени. Анализ временных последовательностей включает описание
процесса или феномена, который генерирует последовательность. Для
предсказания временных последовательностей, необходимо предста-
вить поведение процесса в виде математической модели, которая мо-
жет быть распространена в будущем. Для этого необходимо, чтобы
модель хорошо представляла наблюдения в любом локальном сегменте
времени, близком к настоящему. Обычно нет необходимости иметь мо-
дель, которая представляла бы очень старые наблюдения, так как
они скорее всего не характеризуют настоящий момент. Также нет
необходимости представлять наблюдения в далеком будущем, т.е. че-
рез промежуток времени, больший чем горизонт прогнозирования.
После того, как будет сформирована корректная модель для обработ-
ки временной последовательности, можно разрабатывать соответ-
ствующие средства прогнозирования.
і і
Xtі Xtі
і і
і і
А——————————————————————————— А———————————————————————————
(a) t (b) t
і і
Xtі Xtі
і і
і і
А——————————————————————————— А———————————————————————————
(c) t (d) t
і і
Xtі Xtі
і і
і і
А——————————————————————————— А———————————————————————————
(e) t (f) t
Рис. 1.4. Примеры временных последовательностей. (a) кон-
стантный процесс; (b) линейный тренд; (c) сезонный процесс; (d)
импульс; (e) шаговое изменение; (f) рамп.
Образцы временных последовательностей показаны на рис. 1.4,
где Хi это наблюдения за период t. На рис. 1.4а, показан процесс,
остающейся с течением времени на постоянном уровне, но обладаю-
щий разной вариацией в разные периоды. На (b) изображен тренд с
изменяющимся уровнем процесса. На (c) приведен пример циклическо-
го процесса, как например в случае продажи сезонных продуктов.
Сезонные изменения могут возникать из-за таких причин как: пого-
да (и, следовательно, потребность в прохладительных напитках);
обычаи (Рождественские открытки) и т.д. Большинство моделей прог-
нозирования временных последовательностей разрабатываются для
представления этих вариантов последовательностей: константных,
тренда, периодических (циклических), или их комбинаций.
Кроме этих моделей существуют их варианты, появляющиеся,
когда в процессе, генерирующем переменную, возникают глубинные
изменения. Образец импульсной модели показан на (d). На один пе-
риод процесс перешел на более высокий уровень, а потом ввернулся
на предыдущий уровень. Примером может быть кратковременное увели-
чение продаж из-за забастовки на заводе конкурентов. В примере
(e), переход на новый уровень остается постоянным, о таком про-
цессе мы будем говорить, как о процессе с шаговым изменением.
Причиной такого изменения, например, может быть приобретение но-
вого клиента. И, наконец, (f) показывает пример последовательнос-
ти, которая некоторое время находилась на постоянном уровне, а
потом неожиданно перешла в тренд. Так как эти три типа изменений
достаточно часто встречаются на практике, мы хотим, чтобы наша
прогнозирующая система идентифицировала постоянные изменения и
подстраивала модель прогнозирования под изменения в процессе.
1.5. Критерии производительности
Существуют ряд измерений, которые могут быть использованы
для оценки эффективности прогнозирующей системы. Среди них наибо-
лее важными являются: точность прогнозирования, стоимость систе-
мы, результирующая польза, свойства стабильности и отзывчивости.
Точность метода прогнозирования определяется на основе ана-
лиза возникшей ошибки прогнозирования. Если Xt это реальное наб-
людение за период t и Xt это сделанный ранее прогноз, ошибка
прогнозирования за период t
et = Xt - Xt (1.1)
Для конкретного процесса и метода прогнозирования ошибка
прогнозирования рассматривается как случайная величина со сред-
ним E(e) и вариацией Ge. Если при прогнозировании отсутствует
систематическая ошибка, то E(e) = 0. Поэтому для определения точ-
ности прогнозирования используется ожидаемая квадратичная ошибка
E [|et|] = E [|Xt-Xt|] (1.2)
или ожидаемая квадратичная ошибка
E [et2] = E [(Xt-Xt)2] (1.3)
Заметим, что ожидаемая квадратичная ошибка обычно называет-
ся средней квадратичной ошибкой, и соответствует Ge2, если сущес-
твует систематическая ошибка прогнозирования.
При анализе ошибки прогнозирования, общепринято каждый пе-
риод использовать так называемый тест пути сигнала. Целью этого
теста является определение, присутствуют ли систематическая ошиб-
ка прогнозирования. Путевой сигнал вычисляется путем деления оце-
ненной предполагаемой ошибки прогнозирования на измеренную вариа-
цию ошибки прогнозирования, определенную как среднее абсолютное
отклонение. Если в прогнозе отсутствует систематическая ошибка -
путевой сигнал должен быть близок к нулю.
Конечно, стоимость является важным элементом при оценке и
сравнении методов прогнозирования. Ее можно разделить на однора-
зовые затраты на разработку и установку системы и затраты на ее
эксплуатацию. Что касается затрат на эксплуатацию, то разные
прогнозирующие процедуры могут очень сильно отличаться по стои-
мости получения данных, эффективности вычислений и уровню дей-
ствий, необходимых для поддержания системы.
Польза прогноза в улучшении принимаемых решений зависит от
горизонта прогнозирования и формы прогноза также как и от его
точности. Прибыль должна измеряться для всей системы управления
как единого целого и прогнозирование - только один элемент этой
системы.
Мы можем также сравнивать методы прогнозирования с точки
зрения реакции на постоянные изменения во временной последова-
тельности, описывающей процесс, и стабильности при случайных и
кратковременных изменениях.
ВЫВОДЫ
При определении интервала прогнозирования необходимо выби-
рать между риском не идентифицировать изменения в прогнозируемом
процессе и стоимостью прогноза. Если мы используем значительный
период прогнозирования, мы можем работать достаточно длительное
время в соответствии с планами, основанными на, возможно, уже
бессмысленном прогнозе.С другой стороны, если мы используем бо-
лее короткий интервал, нам приходиться оплачивать не только стои-
мость прогнозирования, но и затраты на изменение планов, с тем,
чтобы они соответствовали новому прогнозу. Наилучший интервал
прогнозирования зависит от стабильности процесса, последствий ис-
пользования неправильного прогноза, стоимости прогнозирования и
репланирования.
Посредством данных, необходимых для прогнозирующей системы,
в систему может подаваться и ошибка, поэтому необходимо редакти-
ровать входные данные системы для того, чтобы устранить очевид-
ные или вероятные ошибки. Конечно, небольшие ошибки идентифициро-
вать будет невозможно, но они обычно не оказывают значительного
влияния на прогноз. Более значительные ошибки легче найти и ис-
править. Прогнозирующая система также не должна реагировать на
необычные, экстраординарные наблюдения.
Если мы прогнозируем требование на продукт - любые продажи,
которые рассматриваются как нетипичные или экстремальные, конеч-
но должны быть занесены в записи, но не должны включаться в дан-
ные используемые для прогнозирования. Например, производитель,
который обслуживает ряд поставщиков, получает нового клиента.
Первые заказы этого клиента, скорее всего, не будут типичными для
его более поздних заказов, так как в начале он находился на эта-
пе исследования нового товара.
Симуляция является полезным средством при оценке различных
методов прогнозирования. Метод симуляции основан на ретроспектив-
ном использовании исторических данных. Для каждого метода прогно-
зирования берется некоторая точка в прошлом и начиная с нее
вплоть до текущего момента времени проводится симуляция прогнози-
рования. Измеренная ошибка прогнозирования может быть использова-
на для сравнения методов прогнозирования. Если предполагается,
что будущее отличается от прошлого, может быть создана псевдоис-
тория, основанная на субъективном взгляде на будущую природу вре-
менной последовательности, и использована при симуляции.
Исторические данные
і
Ъ—————————————ї
і Генерация і<———————————————ї
і прогноза і і
А—————————————Щ і
і Ъ——————————————ї
і і Управление і
Прогноз ——————————>і прогнозом і<——————— Текущие
і А——————————————Щ наблюдения
і
Ъ—————————————ї
і Мнение і
і менеджера і
А—————————————Щ
і
і
Модифицированный
прогноз
Рис. 1.5. Соотношения между генерацией прогноза и управле-
нием прогнозом.
На основании анализа материала данной главы можно сделать
вывод, что прогнозирующая система должна выполнять две основные
функции: генерацию прогноза и управление прогнозом. Генерация
прогноза включает получение данных для уточнения модели прогнози-
рования, проведение прогнозирования, учет мнения экспертов и пре-
доставление результатов прогноза пользователю. Управление прогно-
зом включает в себя наблюдение процесса прогнозирования для опре-
деления неконтролируемых условий и поиск возможности для улучше-
ния производительности прогнозирования. Важным компонентом фун-
кции управления является тестирование путевого сигнала, описан-
ное в разделе 1.5. Функция управления прогнозом также должна пе-
риодически определять производительность прогнозирования и пре-
доставлять результаты соответствующему менеджеру. Соотношения
между генерацией прогноза и управлением прогнозом показано на
рис. 1.5.
