Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
Подписываем
ВВЕДЕНИЕ
Наряду с традиционными методами прогнозирования сегодня бурно развивается теория искусственных нейронных сетей, которая хорошо зарекомендовала себя в области управления, там, где необходимо применение человеческого интеллекта, в частности при решении задач прогнозирования. Это научное направление родилось на стыке таких наук как нейробиология, химия, физика, математика, информатика, философия и психология. Нейросети открыли возможности использования вычислений в сферах, которые до этого относились лишь к области человеческого интеллекта. Одним из наиболее интересных приложений нейронных сетей в последние годы стали именно задачи финансовой деятельности.
Целью данной курсовой работы является применение нейросетевого подхода для прогнозирования объема реализации продукции ООО «Славянка» и выработке на этой основе соответствующего управленческого решения.
Для достижения поставленной цели необходимо решить ряд задач:
. Дать основные понятия прогнозирования, понятие нейронных сетей, описать принципы их работы;
. Охарактеризовать методы прогнозирования;
. Проанализировать проблемы организации сбыта на предприятии ООО «Славянка»;
. Получить прогноз показателей сбыта различными методами и выработать соответствующее управленческое решение.
Объектом изучения является инструмент нейронных сетей как особый метод прогнозирования экономических показателей.
Предмет исследования - проблемы управления сбытом на предприятии ООО «Славянка».
Для написания данной курсовой работы был использован широкий круг источников: учебники, учебные пособия, периодическая печать. Наиболее подробно данная тема рассмотрена в учебниках: «Интеллектуальные информационные системы в экономике» под редакцией В.П. Романова, «Информационные технологии в бизнесе» под редакцией М. Желена, «Упреждающее управление на основе новых информационных технологий» под редакцией Ю.В. Вертаковой, Э.Н. Кузьбожева. Применение нейронных сетей подробно изложены на сайте лаборатории BaseGroup, специализирующейся на технологиях анализа данных.
1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПРОГНОЗИРОВАНИЯ
.1 Основные понятия прогнозирования
Прогноз - научно обоснованное вероятностное суждение о возможных состояниях объектов в будущем, об альтернативных путях и сроках достижения этого состояния. Процесс разработки прогнозов называется прогнозированием.
Прогнозирование - это специфический вид человеческой деятельности, некий процесс, в котором применяются конкретные инструменты. В прогнозном процессе предметом деятельности выступает информация. После ее переработки, систематизации, упорядочения, появляется возможность форматировать суждения о том, как изменится прогнозируемый объект. Такое суждение и оценка (числовое значение показателя или качественная характеристика ситуации) также носят информационный характер[5, с. 493].
Прогнозирование может быть направлено на разнообразные объекты. Эти объекты могут относиться и к разным отраслям (сферам) человеческой деятельности. Можно предложить различные варианты связей между экономическими и социальными объектами прогнозирования.
Следует различать два аспекта прогнозной работы, направленной на экономические и социальные объекты. С одной стороны, это исследовательская стадия, предшествующая составлению внутрифирменных или территориальных программ мероприятий (среднесрочных и долгосрочных планов). С другой стороны, прогнозы помогают познанию объективных закономерностей развития, выявлению тенденций будущего развития. Но следует помнить, что сегодня нет таких методов исследования будущего, которые позволяли бы получать абсолютно точные результаты; почти всегда оценки будущей ситуации являются вероятностными, содержат некую величину ошибки.
Чем длиннее интервал прогнозирования, тем значительнее может быть «перепад» ошибок, даже если прогнозист применяет и тот же метод. Рассматривая комплекс прогнозов во временном аспекте, необходимо обратить внимание на то, что при удлинении прогнозного периода показатели становятся все более зависимыми от возможных результатов научно-технического прогресса, от освоения природных ресурсов, демографических сдвигов и т.д. Т.е. агрегированные показатели теряют свою автономность, превращаются в сложные, многофакторные функции.
Сроки, на которые могут разрабатываться прогнозы, не произвольны. Они зависят от уровня познания прогнозистом изучаемого объекта. Как только он перестанет понимать будущее на основе закономерностей, действующих в настоящее время ему следует отказаться от дальнейших исследований на основе старого инструментария. Будущее, не связанное с настоящим, не может быть объектом прогнозирования.
В зависимости от степени конкретности и характера воздействия на ход исследуемых процессов и явлений различают три формы предвидения: гипотезу (общенаучное предвидение), прогноз и план. Исходное начало этого процесса - гипотеза - это научно обоснованное предположение о структуре объекта, характере элементов и связей, образующих этот объект, механизме eго функционирования и развития. На уровне гипотезы дается качественная характеристика объекта, выражающая общие закономерности его поведения[2, с.68].
Прогноз в сравнении с гипотезой имеет большую определенность и достоверность, поскольку основывается не только на качественных, но и на количественных характеристиках и поэтому позволяет характеризовать будущее состояние объекта также количественно. Прогноз выражает предвидение на уровне конкретно-прикладной теории, так как связан с будущим, которое всегда стохастично.
План представляет собой систему взаимосвязанных, направленных на достижение единой цели плановых заданий, определяющих порядок, сроки и последовательность осуществления отдельных мероприятий. В нём фиксируются пути и средства развития в соответствии с поставленными задачами, обосновываются принятые управленческие решения. Существенное различие между планом и прогнозом состоит в том, что план - это отражение и воплощение уже принятого экономического решения, а прогноз - это поиск реалистического, экономически верного пути. Прогнозирование представляет собой исследовательскую базу планирования, имеющую собственную методологическую и методическую основу, которая во многом отличается от планирования.
Прогнозы и долгосрочные программы имеют близкие цели, определяют будущее. Но определяют по-разному. Назначение программ: упорядочение развития управляемого объекта (процесса); создание условий для неукоснительного выполнения мероприятий, обеспечивающих достижение цели. Прогнозный результат может и не включаться в программу, так как не является обязательным; это «советующий» показатель, помогающий непрерывно уточнять будущую ситуацию. Благодаря этому появляется возможность корректировать мероприятия, включаемые в программные документы.
В 1924-1928 гг. выдающийся русский экономист В.А. Базаров-Руднев выступил с серией статей, в которых сформулировал принципиально новый подход к будущему. Результатом его размышлений стало предложение заменить прогноз-предсказание двумя качественно новыми типами прогнозов - генетическим (впоследствии ставшим известным под названием экстрополяционного, или поискового) - выявлением назревающих проблем путем логического продолжения в будущее тенденций, закономерности которых в прошлом и настоящем достаточно хорошо известны; а также телеологическим (впоследствии - нормативным) выявлением оптимальных путей решения перспективных проблем на основе заранее заданных критериев[9, с.15].
Генетический подход отражает зависимость будущего от настоящего через некоторые интервалы. Любое предвидимое явление или процесс имеет свои истоки в настоящем и прошлом, свое происхождение. Как бы будущее состояние ни отличалось от настоящего и прошлого, оно всегда с ними связано, формируется из уже известных элементов, хотя и в иных соотношениях, в системе новых связей.
Нормативно-целевой подход к прогнозированию рассматривает связь явлений в направлении от будущего к настоящему. Он исходит из определения результата, который должен быть достигнут в будущем.
В генетическом подходе к прогнозированию в основном применяют два типа экономических моделей: факторные и структурные. Многофакторные модели линейного, линеаризуемого, нелинейного типа позволяют одновременно учесть воздействие нескольких факторов на уровень и динамику прогнозируемого показателя. Среди часто используемых моделей этого типа можно назвать макроэкономические и отраслевые производственные функции, модели анализа и прогноза спроса и ряд других. Структурные модели отражают соотношения, взаимосвязи между отдельными элементами, образующими агрегат. Обычно структурные модели - это модели структурно-балансового типа, где наряду с разбиением агрегата на составляющие его элементы также рассматривается связь между этими элементами. Наиболее распространенной формой структурно-балансовой модели служит межотраслевой баланс (МОБ) производства и распределения продукции. В нашей стране накоплен бесценный опыт разработки и исследования межотраслевых балансов как для анализа экономической ситуации, так и для прогнозирования производства. В частности, развитой формой МОБ является модель межотраслевых взаимодействий, разработанная коллективом ученых под руководством Яременко[2, с.67].
При нормативном прогнозировании круг возможного применения эконометрических методов ограничен. Это требует обращения к экспертным методам. Природа последних двойственна - они одновременно и генетические, и нормативные. С одной стороны, они учитывают сложившиеся тенденции, с другой - предполагают, пусть даже интуитивно, наличие определенной общественной цели. Экспертные модели позволяют ввести в долго- и среднесрочный прогнозы такие предположения о качественных сдвигах в тенденциях социально-экономического развития, для которых не может быть прямых эконометрических оснований.
1.2 Прогнозирование нейронными сетями
В последнее время бурно развивается прогнозирование с использованием нейронных сетей. Связано это с улучшением математики нейронных сетей (появление новых алгоритмов) и огромным ростом производительности компьютеров. С точки зрения классификации, прогнозирование с использованием нейронных сетей следует отнести в особый класс методов: с одной стороны, они в качестве входа используют статистическую и экспертную информацию, а в качестве выхода - количественные данные; с другой стороны, алгоритм их обучения похож на экспертную систему.
Искусственные нейронные сети (НС) - это совокупность моделей биологических нейронных сетей, которые представляют собой сеть элементов - искусственных нейронов - связанных между собой синоптическими соединениями. Сеть обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов. НС - это набор математических и алгоритмических методов решения широкого круга задач [4, с. 400].
Искусственный нейрон Vj, j={1,2,..n}, где n - размерность пространства входных сигналов, задается совокупностью своих входов Xji, i={1,2,…n}, весами входов Wj, функцией активации s(x) и передаточной функцией pj. Как правило, передаточные функции всех нейронов в нейронной сети фиксированы, а веса являются параметрами нейронной сети и могут изменяться. Функция активации определяет состояние нейрона в зависимости от значений его входов, весов входов и, возможно, предыдущих состояний. Данная функция реализуется с помощью такого инструмента, как сумматор. Формула, выражающая текущее состояние искусственного нейрона, может быть представлена в виде:
V= (1)
Затем к полученной сумме применяется некоторая фиксированная функция (так называемый нелинейный преобразователь вида Y=p(v)), и нейрон выдает на выходе сигнал силы:
Y= (2)
Схема искусственного нейрона представлена на рисунке 1 [10, с. 425].
Рис.1. Искусственный нейрон
Модель объекта, реализуемую нейросетью, можно назвать «черным ящиком». Черный ящик - устройство, набор данных, информация о внутренней структуре и содержании которых отсутствуют полностью, но известны спецификации входных и выходных данных.
Существуют различные виды функций активации:
линейная: выходной сигнал нейрона равен его потенциалу;
- ступенчатая: нейрон принимает решение, выбирая один из двух вариантов (активен/неактивен);
линейная с насыщением: нейрон выдает значения, промежуточные между двумя предельными значениями А и В;
многопороговая: выходной сигнал может принимать одно из q значений, определяемых (q -1) порогом внутри предельных значений А и В;
сигмоидная: рассматриваются два вида сигмоидных функций:
(3)
(4)
Отличия данных функций в том, что первая реализует выходные значения в промежутке (0;1), а вторая - (-1;1). Коэффициент b определяет крутизну сигмоида. Чтобы учесть особенности конкретной задачи, могут быть выбраны различные виды функции активации - гауссова, синусоидальная, всплески (wavelets) и т.д. В сети все нейроны могут иметь как одинаковые (гомогенная сеть), так и различные функции активации (гетерогенная сеть).
Линейные нейронные сети используют нейроны с линейной передаточной функцией. Нелинейные применяют пороговую или сигмоидальную передаточные функции. Вид графа служит одним из классификационных признаков типа нейронной сети.
Нейронные сети могут быть однослойными и многослойными. Простейшая сеть состоит из группы нейронов, образующих один слой. Каждый элемент из множества входов Хi отдельным весом соединен с каждым искусственным нейроном. Каждый нейрон выдает взвешенную сумму входов в сеть. Более крупные и сложные нейронные сети обладают, как правило, и большими вычислительными возможностями. Оказалось, что такие многослойные сети обладают большими возможностями, чем однослойные, и в последние годы были разработаны алгоритмы для их обучения. Многослойные сети могут образовываться каскадами слоев. Выход одного слоя является входом для последующего слоя [6, с.340].
У сетей, рассмотренных ранее, не было обратных связей, т. е. соединений, идущих от выходов некоторого слоя к входам этого же слоя или предшествующих слоев. Этот специальный класс сетей, называемых сетями без обратных связей или сетями прямого распространения, представляет интерес и широко используется. Сети более общего вида, имеющие соединения от выходов к входам, называются сетями с обратными связями. У сетей без обратных связей нет памяти, их выход полностью определяется текущими входами и значениями весов. В некоторых конфигурациях сетей с обратными связями предыдущие значения выходов возвращаются на входы; выход, следовательно, определяется как текущим входом, так и предыдущими выходами. По этой причине сети с обратными связями могут обладать свойствами, сходными с кратковременной человеческой памятью.
По алгоритму обучения сети делятся на наблюдаемые и не наблюдаемые. Первые при обучении сравнивают заранее известный выход с получившимся значением. Вторые обучаются, не зная заранее правильных выходных значений. При наблюдаемом обучении сигнал ошибки распространяется обратно по сети. Производится коррекция весов входов нейронов, предотвращающая повторное появление этой ошибки. Для сетей обратного распространения существует регулярная процедура их обучения.
В результате обучения в многомерном пространстве, каждое измерение которого составляет диапазон изменений значений одного из входов сети, а размерность пространства равна числу входов сети, формируются области, соответствующие одинаковым значениям выхода. В ходе функционирования сеть относит предъявленный на ее входы набор значений к той или иной области, что и является искомым результатом [2, с. 70].
Таким образом, топологии нейронных сетей весьма сложны и разнообразны. Это, наряду с мощным механизмом обучения, реализуемым в нейронных сетях, дает возможность широкого их применения в различных областях.
Большинство вариантов применения нейронных сетей в менеджменте касается задач, попадающих в следующие четыре категории: классификация (распознавание образца), построение эмпирической кривой и анализ временных рядов, кластеризация и оптимизация. К задачам этого рода относят большинство финансово-экономических задач: оценка рейтинга ценных бумаг, анализ займов, кредитное планирование, прогноз экономической активности на следующий месяц, формирование портфеля ценных бумаг, оценка кредитных рисков, прогноз финансовых показателей, анализ биржевых и рыночных тенденций, прогноз курсов валют, прогноз цен на продукцию промышленных предприятий, прогноз макроэкономических показателей региона и т.д. [3, с.90]. Ниже приведены примеры каждой категории.
. Классификация. Должным образом разработанная нейронная сеть может использоваться как классификатор. После обучения историческим данным нейронная сеть может определять класс принадлежности некоторой характерной черты. Нейронные сети можно использовать при анализе кредитоспособности, чтобы предсказать банкротство фирмы. Нейронные сети могут также оценить активы и обязательства. Во многих банках нейронные сети можно использовать для обнаружения подделки кредитной карточки.
. Построение эмпирической кривой и анализ временных рядов. Процесс обучения во многих типах нейронных сетей может рассматриваться как построение эмпирической кривой. Кроме того, нейронные сети могут использоваться для определения модели и колебания временного ряда. Аналитики сферы маркетинга, используя нейронные методы сети, могут определять рыночные функции отклика, основанные на временных данных. Руководители производства могут предсказывать производительность фирмы, основываясь на кривых, представленных обученными нейронными сетями. Многие финансовые учреждения используют нейронные сети для финансового прогноза и управления инвестициями.
. Кластеризация. Неконтролируемые обучающиеся нейронные сети обычно используются в кластерном анализе для группировки объектов без априорного знания классов. Идентификация потребительских сегментов и группировка технологических деталей, построение рейтингов могут служить примером в этой прикладной категории [5, с.495].
. Оптимизация. Поскольку процесс обучения в нейронных сетях должен минимизировать заранее определенную ошибку или энергию, нейронные сети могут использоваться для решения задач оптимизации. Задачи вроде оптимального планирования работ и минимизации потерь могут быть решены с использованием нейронных сетей.
Рассмотрим основные преимущества и недостатки нейросетевых технологий.
1) Наиболее ценное свойство нейронных сетей - способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и какие бы то ни было зависимости между входными и выходными данными. В таких случаях (а к ним можно отнести до 60% задач прогнозирования) не срабатывают традиционные математические методы и экспертные системы.
2) Нейронные сети способны успешно решать задачи, опираясь на неполную, искаженную, зашумленную и внутренне противоречивую информацию.
) Внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично наращивать мощность нейросистемы.
1.3 Прогнозирования сбыта на предприятии
Промышленные предприятия не только производят продукцию в нужном количестве, ассортименте и качестве, соответствующие запросам потребителя, но и обеспечивают коммерческую деятельность по сбыту продукции. В условиях рыночных отношений усиливается ее роль, усложняются задачи.
Для организации коммерческой деятельности по реализации готовой продукции на предприятиях создается служба сбыта[3, с. 157].
Основными задачами службы сбыта является изучение спроса и установление тесных контактов с потребителями продукции; поиск наиболее эффективных каналов и форм реализации, отвечающих требованиям потребителей; обеспечение доставки продукции потребителю в нужное время; контроль над ходом реализации продукции в целях снижения коммерческих (внепроизводственных) издержек и ускорение оборачиваемости оборотных средств.
Организация сбыта продукции базируется на маркетинговых исследованиях, которые являются основой всех маркетинговых действий. Такими исследованиями в области сбыта являются исследование потребностей и спроса на данную продукцию, исследование емкости рынка, определение доли предприятия в общем, объеме продажи продукции данного ассортимента, анализ рыночной ситуации, изучение возможностей выхода на внешний рынок, исследование динамики объема продаж, анализ каналов сбыта, изучение мнений покупателей и потребительских предпочтений.
Прогнозирование сбыта включает:
) изучение внешних и внутренних условий;
) определение целей;
) разработку конъюнктуры и спроса;
) подготовку прогнозов реализации товаров;
) составление планов поставок готовой продукции;
) планирование хозяйственных оптимальных связей;
) выбор каналов распределения товара;
) планирование дополнительных услуг, внешнеторговых операций, рекламной деятельности;
) составление сметы расходов на управление сбытом и распределением, прогнозирование доходности[8, с. 21].
Начальным этапом прогнозирования сбыта является изучение внешних и внутренних условий функционирования предприятия. В зависимости от изменений внешних условий возникает необходимость корректировки внутренних.
Далее выявляются имеющиеся проблемы, связанные со сбытом продукции, устанавливаются цели, достижение которых будет способствовать их решению.
Такими целями могут быть:
) достижения определенных размеров дохода, объема продажи и доли рынка сбыта, оптового товарооборота в ассортиментном разрезе;
) установление хозяйственных оптимальных связей;
) повышение эффективности работы сбытового персонала;
) оптимизация запасов готовой продукции;
) эффективность дополнительных услуг, предоставляемых потребителю;
) рационализация товародвижения; повышение действенности претензионной работы;
) выбор оптимальных каналов реализации продукции; минимизация затрат на транспортировку;
) оптимизация всех видов затрат по сбыту;
) повышение доходности и внешнеторговых сделок предприятия;
) усиление действенности рекламной политике предприятия; стимулирование спроса покупателей.
Перечень целей может быть различным как на разных предприятиях, так и в разные периоды на одном и том же предприятии. Значимость перечисленных проблем и целей сбытовой деятельности, а, следовательно, и глубина исследования будут зависеть от того, в каких условиях функционирует предприятие - рынка производителя или рынка потребителя.
Причем в обоих случаях могут появиться новые проблемы, решение которых потребует формирование новых целей. Таким образом, перечень проблем и целей может быть расширен в зависимости от конкретного состояния внутренней и внешней среды предприятия.
В практике как коммерческой, так и всей хозяйственной деятельности предприятия особенно важной проблемой являются разработка и использование прогнозов спроса и конъюнктуры. Главное, чтобы эти прогнозы стали основой выработки стратегических коммерческих решений предприятия. А для этого необходимо не только предвидеть количественные и структурно-качественные изменения спроса и конъюнктуры в перспективе, но и предупреждать их, формируя потребности, прилагая маркетинговые усилия к предотвращению проблемных ситуаций на рынке[14, с. 17].
Разработка прогнозов спроса и конъюнктуры - основа для подготовки прогнозов реализации продукции, которые составляют базу для проведения всех коммерческих операций в течение прогнозного периода и составление текущих планов реализации и доходов.
После определения проблем и конкретных целей намечаются пути, этапы и последовательность действий для их достижения, т.е. разрабатывается план (программа) деятельности службы сбыта. Включение конкретных разделов в план обуславливается поставленными целями.
Прерогатива в решении данных вопросов принадлежит самому предприятию, который может использовать как формализованную, так и гибкую систему планирования.
Формализованная система планирования основана на четком разделении степеней и разделов планирования с жестко обусловленными плановыми периодами при четком соблюдении последовательности плановых операций.
При гибкой системе планирования нет жесткой привязки времени принятия решения к плановому периоду, появляется возможность отдельным подразделениям сбыта более оперативно управлять сбытовой деятельностью.
Гибкость планирования сбыта находиться в зависимости от статуса предприятия на рынке и сферы его деятельности.
Предприятия, действующие на рынках с установившимся кругом потребителей, структурой спроса и конкуренцией, т.е. на так называемых «зрелых» рынках, как правило, используют относительно формализованные плановые системы с жестко обусловленными плановыми периодами, распределением функций планирования и системы разработки плана[3, с. 183].
Предприятия, специфика сфер, деятельности которых заключается в наличие нескольких независимых рыночных сегментов, с определенными колебаниями объема и структуры спроса. Высокая степень риска при проведении операций, агрессивных и динамично растущих конкурентов, чаще ориентируются на гибкое управление сбытом с использованием «целевых» планов и сценариев, разрабатываемых по мере возникновения потенциально опасных ситуаций или появление новых перспектив, сбыта.
Плановая функция сбытовой деятельности включает разработку планов поставки готовой продукции.
В процессе разработки планов сбыта продукции определяется общий объем поставок продукции в целом по предприятию и каждому потребителю в плановом году и поквартально с распределением по месяцам.
Для определения остатков годовой продукции на складе, на начало планируемого года к фактическому остатку на определенную ближайшую дату, прибавляется плановый объем выпуска товарной продукции за период между данной датой и началом планируемого года и вычитается запланированный за этот период времени объем поставки. С наступлением планового года остатки уточняются.
На основании годовых, квартальных и месячных планов поставок в соответствии с договорами отдел сбыта составляет номенклатурный и календарный планы-графики поставки готовой продукции.
В этих планах общие объемы поставки расшифровываются по типам, маркам, видам, размерам производимой продукции, сроком поставки и конкретным потребителям.
При широком ассортименте продукции и большом количестве потребителей разрабатываются два вида ассортиментных планов поставки:
1) план поставке конкретного вида продукции в ассортименте всем потребителям;
2) каждому потребителю всего заказанного ассортимента продукции.
Данные планы позволяют предприятию контролировать ход поставки конкретной продукции в разрезе каждого конкретного потребителя. Они используются для оперативного планирования производства и сбытовой деятельности[5, с. 356].
2. МЕТОДОЛОГИЧЕСКИЕ АСПЕКТЫ ПРОГНОЗИРОВАНИЯ
.1 Классификация методов прогнозирования
Под методами прогнозирования подразумевают совокупность приемов мышления, способов, позволяющих на основе анализа информации о прогнозном объекте вынести относительно достоверное суждение о будущем развитии объекта. От типа объекта зависит тип применяемого метода. Практика прогнозной работы свидетельствует, что определенные типы объектов исследуются чаще всего конкретными методами.
Большинство российских прогнозистов совокупность прогнозных методов делят на три группы на основе используемой информации: фактографические (статистические); экспертные (интуитивные); комбинированные[14, с. 15].
Экспертные (интуитивные) методы как научный инструмент решения сложных неформализуемых проблем позволяют получить прогнозную оценку состояния развития объекта в будущем независимо от информационной обеспеченности, так как используют информацию, получаемую от специалистов-экспертов; т.е. в свою очередь, предварительно обобщают фактографическую или иную информацию. Это определяет основное преимущество экспертных методов - возможность анализа и прогноза развития объекта, не имеющего никакой «предыстории». Другим достоинством этих методов является возможность прогнозировать качественные (скачкообразные) изменения в процессе развития объекта, в то время как подавляющее большинство фактографических методов «распространяет» ретроспективную тенденцию на весь период упреждения прогноза.
Сущность экспертных методов заключается в построении рациональной процедуры интуитивно-логического мышления человека в сочетании с количественными методами оценки и обработки полученных результатов. При этом обобщенное мнение экспертов принимается как решение проблемы. В случае применения методов экспертных оценок для предвидения результатов развития экономических объектов преимущественно реализуется качественный подход к прогнозному процессу.
Фактографические методы базируются на первичной информации об объекте, обычно документально зафиксированной на каком-либо носителе.
Широкому внедрению фактографических методов способствовало развитие информационных технологий. Компьютерные эконометрические пакеты (Statistika, SPSS, Advanced Grapher и др.) сделали эти методы более доступными. Наиболее трудоемкая работа по вычислению параметров, построению таблиц и графиков в основном выполняется компьютером, а исследователю остается работа по постановке задачи, выбору соответствующей модели и метода ее решения, а также интерпретации результатов и получения прогнозов. В их состав входят логические методы прогнозирования, применяющиеся в самых различных сферах и отраслях экономической деятельности. Наиболее часто используемый практически тип логического прогнозирования - прогнозирование по аналогии. Он может применяться при всех типах менеджмента: традиционном, системном, ситуационном, социально-этическом. Наиболее часто этот тип прогнозирования применяется при традиционном менеджменте. Прогнозирование по аналогии корректно только тогда, когда установлена, доказана аналогия между объектами управления, типами менеджмента, реакциями внешней и внутренней среды в случае, имевшем место на практике, и конкретном случае прогнозирования. Этот метод нельзя использовать при прогнозировании явлений, не имеющих аналогов, то есть принципиально новых объектов, процессов, ситуаций[10, с. 397].
Использование количественного подхода к прогнозному процессу, который реализуется на основе фактографических методов, требуют сравнительно небольшого времени для расчета параметров с использованием компьютерных расчетов, основываются на реальной статистической информации и в сравнении с экспертными методами более объективны.
Комбинированные методы используют смешанные информационные массивы, т.е. и фактографическую информацию, и экспертную. Эти методы получили развитие в условиях резких изменений внешней среды, когда возникла необходимость корректировки и совершенствования существующих методов управления.
К комбинированным методам следует отнести группу методов прогнозирования, основанных на совокупности приемов мыслительной деятельности, а также операций по сбору, анализу, обработке, хранению и использованию информации. Эта группа получила название эвристические методы. Эвристические методы используют для прогнозирования при необходимости поиска новых рациональных решений, для реализации полезных функций системы, для устранения или ослабления отрицательного эффекта ненужных и излишних функций, для эффективного управления экономическими объектами. Эвристические методы - специальные методы, используемые в процессе открытия нового. Для этих методов характерны синтез фактографической и экспертной информации и возможность использования нестандартных технологий прогнозирования. Среди эвристических методов прогнозирования наиболее распространенным является метод сценариев. Он объединяет качественные, и количественные подходы. Сценарий - это модель будущего. В сценарии определяются основные факторы, которые должны быть приняты во внимание, и указывается, каким образом эти факторы могут повлиять на возможные события. Как правило, составляется несколько альтернативных сценариев. Наиболее вероятный или желательный вариант сценария обычно рассматривается в качестве базового и привлекается для принятия решения[6, с. 273].
Практическое применение того или иного метода прогнозирования определяется не аспектом проблемы и не возможностью измерения результатов прогноза, а сложностью объекта, наличием необходимой информации и выбранной методики прогнозирования, квалификации прогнозиста.
2.2 Методы нейронных сетей в задачах прогнозирования
Задача анализа временных рядов заключается в том, чтобы получить будущие значения некоторой величины, зная ее текущие и прошлые значения и располагая данными о среде [2, с.77].
Временной ряд - это упорядоченная последовательность вещественных чисел , где t=1,2,…,t, представляющих собой результаты наблюдений некоторой величины. Эти значения обычно получают как результаты измерений в некоторой физической системе. Если нас интересуют зависимости между текущими и прошлыми значениями, то нужно рассматривать вектор задержки () в n-мерном пространстве сдвинутых во времени значений, или пространстве задержки.
Цель анализа временных рядов - извлечь из данного ряда полезную информацию. Для этого необходимо построить математическую модель явления. Такая модель должна объяснять существо процесса, порождающего данные, в частности - описывать характер данных (случайные, имеющие тренд, периодические, стационарные и т.п.). После этого можно применять различные методы фильтрации данных (сглаживание, удаление выбросов и др.) с конечной целью - предсказать будущие значения.
Таким образом, этот подход основан на предположении, что временной ряд имеет некоторую математическую структуру (которая, например, может быть следствием физической сути явления). Эта структура существует в так называемом фазовом пространстве, координаты которого - это независимые переменные, описывающие состояние динамической системы. Поэтому первая задача, с которой придется столкнуться при моделировании - это подходящим образом определить фазовое пространство. Для этого нужно выбрать некоторые характеристики системы в качестве фазовых переменных. После этого уже можно ставить вопрос о предсказании или экстраполяции. Как правило, во временных рядах, полученных в результате измерений, в разной пропорции присутствуют случайные флуктуации и шум. Поэтому качество модели во многом определяется ее способностью аппроксимировать предполагаемую структуру данных, отделяя ее от шума [10, с.444].
Нейронные сети можно рассматривать как обобщение традиционных подходов к анализу временных рядов. Нейронные сети дают дополнительные возможности в моделировании нелинейных явлений и распознавании хаотического поведения. Благодаря своей большой гибкости (на одной топологии можно реализовать много различных отображений), сети могут моделировать в фазовом пространстве работу разнообразных структур.
Любая зависимость вида Х=() с непрерывной нелинейной функцией f может быть воспроизведена на многослойной сети. Недавние исследования показали, что нейронные сети имеют по сравнению с классическими моделями более высокие потенциальные возможности при анализе сложной динамической структуры и при этом дают лучшие результаты на таких известных типах временных рядов, как стационарные, периодические, трендовые и некоторые другие.
Нейронные сети можно также применять для одномерного и многомерного анализа, должным образом сформировав множество независимых входов и зависящих от них выходов. Как правило, модель строится для того, чтобы предсказывать значения временного ряда для одной целевой переменной, однако, в принципе, модель может предсказывать значения и нескольких переменных (например, доходы по акциям на различное время вперед), если в сеть добавить дополнительные выходные элементы.
В настоящее время продолжаются исследования в области моделирования временных рядов при помощи сетей, но стандартных методов здесь пока не выработано. В нейронной сети многочисленные факторы взаимодействуют весьма сложным образом, и успех здесь пока приносит только эвристический подход.
Действия на первом этапе (предварительной обработки данных) значительно зависят от специфики задачи. Нужно правильно выбрать число и вид показателей, характеризующих процесс, в том числе - структуру задержек. После этого надо выбрать топологию сети. Если применяются сети с прямой связью, нужно определить число скрытых элементов. В дальнейшем, для нахождения параметров модели выбирают критерий ошибки и оптимизирующий (обучающий) алгоритм. Затем, используя средства диагностики, следует проверить различные свойства модели. Наконец, необходимо интерпретировать выходную информацию сети [2, с.78].
Далее мы рассмотрим вопросы, которые приходиться решать на этапах предварительной обработки, оптимизации и анализа сети, а также остановимся более подробно на таком важном этапе прогнозирования, как обучение нейронной сети.
2.3 Процесс обучения и методы предобработки данных в нейросетях
Данные, подаваемые на вход нейросети, должны предварительно обрабатываться с целью получения качественного процесса обучения и соответственно качественных прогнозных значений выходных переменных. Предварительная обработка данных - один из важнейших этапов прогнозирования, так как реальные данные содержат шумы и бывают неравномерно распределены. Рассмотрим следующие этапы процесса предварительной обработки данных:
сбор данных;
анализ и очистка данных;
преобразование данных.
Сбор данных. Самое важное решение, которое должен принять аналитик, - это выбор совокупности переменных для описания моделируемого процесса. Чтобы представить себе возможные связи между разными переменными, нужно хорошо понимать существо задачи. Относительно выбранных переменных нужно понимать, значимы ли они сами по себе, или же в них всего лишь отражаются другие, действительно существенные переменные. Проверка на значимость включает в себя кросскорреляционный анализ. С его помощью можно, например, выявить временную связь типа запаздывания (лаг) между двумя рядами. То, насколько явление может быть описано линейной моделью, проверяется с помощью регрессии по методу наименьших квадратов.
В целом, можно сказать, что предварительная обработка через формирование совокупности переменных и проверка их значимости существенно улучшает качество модели. Если никаких теоретических методов проверки в распоряжении нет, переменные можно выбирать методом проб и ошибок, или с помощью формальных методов типа генетических алгоритмов.
Анализ и очистка данных. Стоит начать с того, чтобы изобразить распределение переменной с помощью гистограммы или же рассчитать для него характеристики асимметрии (симметричность распределения) и эксцесса (весомости «хвостов» распределения). В результате будет получена информация о том, насколько распределение данных близко к нормальному. Многие методы моделирования, в том числе нейронные сети, дают лучшие результаты на нормализованных данных. Выбросы могут порождаться ошибочными данными или крайними значениями, вследствие чего структура связей между переменными может нарушаться. В некоторых приложениях выбросы могут нести положительную информацию, и их не следует автоматически отбрасывать[9, с. 16].
Преобразование данных. Предварительное (до подачи на вход сети) преобразование данных с помощью статистических приемов может существенно улучшить как параметры обучения (длительность, сложность), так и работу системы. Например, если входной ряд имеет отчетливый экспоненциальный вид, то после его логарифмирования получится более простой ряд, и если в нем имеются сложные зависимости высоких порядков, обнаружить их будет гораздо легче. Очень часто не нормально распределенные данные предварительно подвергают нелинейному преобразованию: исходный ряд значений переменных преобразуется некоторой функцией, и ряд, полученный на выходе, принимается за новую входную переменную. Типичными способами преобразования также является возведение в степень, извлечение корня, взятие обратных величин, экспонент или логарифмов. После этого могут быть применены дополнительные преобразования для изменения формы кривой регрессии. Часто это на порядок уменьшает требования к обучению. Для того, чтобы улучшить информационную структуру данных, могут оказаться полезными определенные комбинации переменных - произведения, частные и т.д. С помощью таких промежуточных комбинаций можно получить более простую модель [2, с.83].
Обработанные данные подаются на вход нейросети, посредством чего происходит ее обучение.
На этапе обучения происходит вычисление синаптических коэффициентов в процессе решения нейронной сетью задач. Обучение - это процесс, в результате которого система постепенно приобретает способность отвечать нужными реакциями на определенные совокупности внешних воздействий, а адаптация - это подстройка параметров и структуры системы с целью достижения требуемого качества управления в условиях непрерывных изменений внешних условий.
Различают стратегии обучения: «обучение с учителем» и «обучение без учителя».
«Обучение с учителем» предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Обычно нейросеть обучается на некотором числе таких обучающих пар. Предъявляется выходной вектор, вычисляется выход нейросети и сравнивается с соответствующим целевым вектором, разность (ошибка) с помощью обратной связи подается в сеть и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемо низкого уровня.
Несмотря на многочисленные прикладные достижения, «обучение с учителем» критиковалось за свою биологическую неправдоподобность. «Обучение без учителя» является намного более правдоподобной моделью обучения в биологической системе. Развитая Кохоненом и многими другими, она не нуждается в целевом векторе для выходов и, следовательно, не требует сравнения с предопределенными идеальными ответами. Обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса нейросети так, чтобы получались согласованные выходные векторы, т. е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Процесс обучения, следовательно, выделяет статистические свойства обучающего множества и группирует сходные векторы в классы. Предъявление на вход вектора из данного класса даст определенный выходной вектор, но до обучения невозможно предсказать, какой выход будет производиться данным классом входных векторов. Следовательно, выходы подобной сети должны трансформироваться в некоторую понятную форму, обусловленную процессом обучения [16].
Целью обучения нейронной сети является минимизация функции ошибок, или невязки, Е на данном множестве примеров путем выбора значений весов W. Целью процедуры минимизации является отыскание глобального минимума - достижение его называется сходимостью процесса обучения. Поскольку невязка зависит от весов нелинейно, получить решение в аналитической форме невозможно, а поиск глобального минимума осуществляется посредством итерационного процесса - так называемого обучающего алгоритма, который исследует поверхность невязки и стремиться обнаружить на ней точку глобального минимума.
В качестве функции ошибки, численно определяющей сходство всех текущих выходных сигналов сети и соответствующих требуемых выходных сигналов обучающей выборки, в большинстве случаев используется среднеквадратичное отклонение. Однако в ряде нейропакетов существует либо возможность выбора, либо задания своей функции ошибки.
Реализуемые в нейропакетах алгоритмы обучения нейронных сетей можно разделить на три группы: градиентные, стохастические, генетические. Градиентные алгоритмы (первого и второго порядков) основаны на вычислении частных производных функции ошибки по параметрам сети. В стохастических алгоритмах поиск минимума функции ошибки ведется случайным образом. Генетические алгоритмы комбинируют свойства стохастических и градиентных алгоритмов: на основе аналога генетического наследования реализуют перебор вариантов, а на основе аналога естественного отбора - градиентный спуск [17].
При обучении нейронных сетей, как правило, используются следующие критерии остановки:
· при достижении некоторого малого значения функции ошибки;
· в случае успешного решения всех примеров обучающей выборки (при неизменности выходных сигналов сети).
Для проверки правильности обучения построенной нейронной сети в нейроимитаторах предусмотрены специальные средства ее тестирования. В сеть вводится некоторый сигнал, который, как правило, не совпадает ни с одним из входных сигналов примеров обучающей выборки. Далее анализируется получившийся выходной сигнал сети.
Тестирование обученной сети может проводиться либо на одиночных входных сигналах, либо на тестовой выборке, которая имеет структуру, аналогичную обучающей выборке, и также состоит из пар («вход», «требуемый выход»). Обычно, обучающая и тестовая выборки не пересекаются. Тестовая выборка строится индивидуально для каждой решаемой задачи [6, с. 221].
Итак, процесс создания нейросетевой модели состоит из следующих последовательных этапов:
. Определение пространства признаков. Решение о том, какую входную информацию использовать и что сетевая модель должна делать.
. Решение о том, как представить информацию и сбор ее в виде примеров.
. Определение нейронной сети. Выбор входов сети и спецификация выходов.
. Обучение модели.
. Тестирование обученной модели.
Далее этот пятишаговый процесс применяется для различных проблем с разным представлением данных в нейросетевой модели [2, с.72].
В Deductor используются самые мощные технологии, такие как многомерный анализ, нейронные сети, деревья решений, самоорганизующиеся карты, спектральный анализ и множество других. При этом акцент сделан на самообучающиеся методы и машинное обучение, что позволяет строить адаптивные системы [15].Studio - программа, реализующая функции импорта, обработки, визуализации и экспорта данных. В Deductor Studio включен полный набор механизмов, позволяющий получить информацию из произвольного источника данных, провести весь цикл обработки (очистку, трансформацию данных, построение моделей), отобразить полученные результаты наиболее удобным образом (OLAP, диаграммы) и экспортировать результаты на сторону.
Архитектура системы построена таким образом, что вся работа по анализу данных в Deductor Studio базируется на выполнении следующих действий:
· импорт данных;
· обработка данных;
· визуализация;
· экспорт данных.
Процесс построения моделей в Deductor основывается на следующих трех принципах:
. Использование обработчиков;
. Использование визуализаторов;
. Создание сценариев.
Обработка и визуализация - две атомарные операции с данными в Deductor. Под обработкой понимаются любые манипуляции над набором данных: от самых простых (например, сортировка) до сложных (построение нейронной сети). Обработчик можно представить в виде «черного ящика», на вход которого подается набор данных, а на выходе формируется преобразованный набор данных. Реализованные в Deductor обработчики покрывают основную потребность в анализе данных и создании законченных аналитических решений.
Любой набор данных можно визуализировать каким-либо доступным способом или несколькими способами, поскольку визуализация помогает интерпретировать построенные модели. В Deductor предусмотрены следующие способы визуализации данных.
) OLAP - многомерное представление данных. Любые данные, используемые в программе, можно посмотреть в виде кросс - таблицы и кросс - диаграммы.
) Таблица - стандартное табличное представление с возможностью фильтрации данных.
) Диаграмма - график изменения любого показателя.
) Гистограмма - график разброса показателей.
) Статистика - статистические показатели набора данных.
) Диаграмма рассеяния - график отклонения прогнозируемых при помощи модели значений от реальных. Может быть построена только для непрерывных величин и только после использования механизмов построения модели, например, нейросети или линейной регрессии. Используется для визуальной оценки качества построенной модели.
) Таблица сопряженности - предназначена для оценки результатов классификации вне зависимости от используемой модели. Таблица сопряженности отображает результаты сравнения категориальных значений исходного выходного столбца и категориальных значений рассчитанного выходного столбца. Используется для оценки качества классификации.
) «Что - если» - таблица и диаграмма. Позволяют «прогонять» через построенную модель любые интересующие пользователя данные и оценить влияние того или иного фактора на результат.
) Обучающая выборка - набор данных, используемый для построения модели.
) Диаграмма прогноза - применяется после использования метода обработки - «Прогнозирование». Прогнозные значения выделяются цветом.
) Граф нейросети - визуальное отображение обученной нейросети. Отображается структура нейронной сети и значения весов.
) Дерево решений - отображение дерева решений, полученного при помощи соответствующего алгоритма.
) Дерево правил - отображение в иерархическом виде (в виде дерева) ассоциативных правил.
) Карта Кохонена - отображение карт, построенных при помощи соответствующего алгоритма.
) Описание - текстовое описание параметров импорта/обработки/экспорта в дереве сценариев обработки[16].
Сценарий представляет собой иерархическую последовательность обработки и визуализации наборов данных. Сценарий всегда начинается с импорта набора данных из произвольного источника. После импорта может следовать произвольное число обработчиков любой степени глубины и вложенности. Каждой операции обработки соответствует отдельный узел дерева, или объект сценария. Любой объект можно визуализировать тем или иным доступным средством. Набор данных служит механизмом, соединяющим все объекты сценария. Можно сказать, что сценарий - наиболее естественный с точки зрения аналитика способ представления этапов построения модели.
Все сценарии создаются на основе запуска мастеров. В распоряжение аналитика имеется 4 мастера: импорт, экспорт, обработка, отображение.
Мастер импорта предназначен для автоматизации получения данных из любого источника, предусмотренного в системе. На первом шаге мастера импорта открывается список всех предусмотренных в системе типов источников данных. Число шагов мастера импорта, а также набор настраиваемых параметров отличается для разных типов источников.
Мастер обработки предназначен для настройки всех параметров выбранного алгоритма.
Мастер отображений позволяет в пошаговом режиме выбрать и настроить наиболее удобный способ представления данных. В зависимости от обработчика, в результате которого была получена ветвь сценария, список доступных для него видов отображений будет различным.
Мастер экспорта позволяет в пошаговом режиме выполнить экспорт данных в файлы наиболее распространенных форматов [15].
Прогнозирование - одна из самых востребованных, но при этом и самых сложных задач анализа. Проблемы при ее решении обусловлены многими причинами: недостаточное качество и количество исходных данных, изменения среды, в которой протекает процесс, воздействие субъективных факторов [14, с.17].
В Deductor включено несколько механизмов построения прогностических моделей, в том числе с использованием самообучающихся алгоритмов. Кроме этого в системе имеются механизмы очистки данных, которые приносят особенно большую пользу при решении задачи прогнозирования. Имеющийся набор позволяет получать качественные прогнозы и обладает большими возможностями по адаптации, т.е. способен подстраиваться под изменяемую ситуацию. Реализованы механизмы, позволяющие автоматически строить прогнозы на основе временного ряда на несколько шагов вперед. Достаточно построить модель, прогнозирующую изменение на один шаг, и автоматически использовать ее на произвольное количество отсчетов вперед. Рассмотрим основные этапы прогнозирования.
Очистка данных - очень важный этап обработки. В реальных данных почти всегда присутствуют пропуски, аномалии и т.п., что значительно ухудшает качество выборки. Deductor Studio содержит набор инструментов для решения задач очистки данных:
· Редактирование аномалий;
· Заполнение пропусков;
· Очистка от шумов;
· Сглаживание;
· Редактирование дубликатов и противоречий.
Трансформация данных является последним шагом перед построением прогностической модели. На этом шаге данные приводятся к виду, пригодному для использования различных способов построения моделей.
В Deductor Studio реализованы следующие механизмы трансформации:
· Преобразование к скользящему окну;
· Квантование;
· Группировка;
· Сортировка;
· Приведение типов.
В случае прогнозирования необходимо решать задачу регрессии. В Deductor Studio имеются механизмы построения как линейных моделей (линейная регрессия), так и нелинейных (нейронные сети) [15].
Из общеизвестных преимуществ нейросетевого подхода следует выделить одно, самое привлекательное в нем - отсутствие необходимости в строгой математической спецификации модели, что особенно ценно при анализе плохо формализуемых процессов [4, с.401].
Работы по прогнозированию не оканчиваются при построении первой модели. Необходимо проводить регулярную верификацию результатов. Для этого нужно применять экспертные оценки, тестировать на данных, неизвестных при построении модели, строить модели альтернативными способами.
прогнозирование нейронный сеть сбыт
3. ПРОГНОЗИРОВАНИЕ ОБЪЕМА ПРОДАЖ ООО «СЛАВЯНКА»
.1 Диагностика системы сбыта на предприятии
Кондитерская фабрика ООО «Славянка» была создана в 1934 году на базе разрозненных местных кондитерских трестов.
Сегодня компания входит в тройку лидеров отечественного кондитерского рынка и занимает первое место по темпам роста объёмов производства.
Технологические возможности кондитерской фабрики позволяют выпускать продукцию, качество которой соответствует уровню мировых стандартов. Фабрика специализируется на выпуске кондитерских изделий и производит более 250-ти наименований конфет, вафель, печенья. В последние годы ассортимент компании пополнился шоколадом, крекерами, леденцовой карамелью и пралиновыми конфетами. Всего на предприятии освоено 56 видов новой продукции, пользующейся спросом у покупателей. Фабрика оснащена новейшим оборудованием: высокотехнологичной крекерной линией, новыми линиями по производству карамели, шоколада с начинкой, линией по производству конфет «помада в помаде».
Продукция ООО «Славянка» поставляется в такие страны, как Россия, Казахстан, Молдова, Азербайджан, Кыргызстан, страны Балтии. Доля экспорта составляет около 30%. При этом в Россию направляется 2/3 экспортируемой продукции.
Рынки сбыта - города Белгород, Курск, Липецк, Тамбов, Орел, Воронеж, а также весь Центрально-Черноземный район, в котором предприятие занимает лидирующее положение в отрасли.
Сбытовая политика компании ориентирована на:
) получение предпринимательской прибыли в текущем периоде, а также обеспечение гарантий ее получения в будущем;
) максимальное удовлетворение платежеспособного спроса потребителей;
) долговременную рыночную устойчивость предприятия, конкурентоспособность его продукции;
) создание положительного имиджа организации на рынке и признание ее со стороны общественности.
В 2003 году ООО «Славянка» усовершенствовало структуру сбыта. Если ранее продажи осуществлялись через многочисленных партнеров, то сейчас компания реализует кондитерские изделия только через сеть эксклюзивных дистрибуторов. Это позволяет не только своевременно реагировать на стремительно растущие объемы потребления, но и оперативно информирует маркетинговый отдел об изменении потребительских пристрастий. Такая связь с потребителем позволяет компании производить продукцию, максимально соответствующую требованиям рынка.
Канал распределения - совокупность фирм или отдельных лиц, которые принимают на себя или помогают передать кому-то другому право собственности на конкретный товар или услугу на их пути от производителя к потребителю. ООО «Славянка» использует следующие виды каналов распределения: прямой путь сбыта, путь сбыта через торговлю и путь сбыта через посредника.
Канал нулевого уровня состоит из производителя, продающего товар непосредственно потребителям. В данном виде сотрудничества производитель контактирует непосредственно с потребителем, при желании может выявить его требования. Канал сбыта через торговлю предусматривает продажу изготовителем своей продукции в оптовой или розничной торговле. ООО «Славянка» поставляет свою продукцию в специализированный магазин «Визит» (канал распределения нулевого уровня), дистрибьюторам (канал распределения первого уровня), оптовым и розничным торговцам (двухуровневый канал распределения).
Предприятие опирается на избирательное распределение. Оно разрабатывает для каждого сегмента рынка отдельное предложение, то есть реализуемая маркетинговая стратегия направлена на дифференциацию.
Таким образом, можно сделать вывод о том, что наряду с выявленными достоинствами существующей системы сбыта на ООО «Славянка» имеются определенные недостатки в распределении продукции. Актуальность их устранения проявляется в связи с динамично растущими из года в год объемами реализации.
3.2 Прогнозирования объема продаж ООО «Славянка»
Объем продаж - один из ключевых показателей, характеризующих деятельность коммерческой фирмы. Поэтому задача прогнозирования объема продаж является весьма актуальной. Производителям необходимо знать примерное количество продукции, которое они смогут реализовать в ближайшее время, для того, чтобы, с одной стороны, иметь достаточное количество товаров на складе, а с другой - не перегрузить склады продукцией, что особенно важно, если продукция имеет небольшой срок хранения (например, кондитерские изделия).
Имеются следующие данные по динамике продаж крекерного цеха ООО «Славянка» (Приложение А, таблица 1).
Рис.1. Динамика выпуска продукции крекерного цеха в период с января 2005 по февраль 2007 г.
Из приведенных данных видно, что ряд продаж обладает ярко выраженной сезонностью: пики продаж приходятся на весенние и осенние периоды, а в январе и июне наблюдается резкое снижение объемов производства. Можно сделать вывод о том, что длина одного цикла составляет шесть месяцев. Причем, в 2007 году наблюдается резкое увеличение совокупного объема производства, что объясняется освоением новых видов продукции на предприятии и реализуемой в настоящее время стратегией роста.
Мы будем прогнозировать объем реализации продукции крекерного цеха на пять последующих периодов, используя два метода. Первый базируется на описании основной тенденции ряда продаж и основан на аналитическом выравнивании исходного ряда. Второй метод подразумевает использование нейронных сетей, включенных в пакет Deductor. Далее мы сравним результаты, полученные двумя методами, и оценим качество полученных моделей.
Алгоритм построения прогноза для продуктов с сезонным характером продаж основан на использовании аддитивных и мультипликативных моделей. Аддитивную модель можно представить как:
F=T+S+E, (1)
где F - прогнозируемое значение; T - тренд; E - ошибка прогноза.
Аддитивной модели присуща практически постоянная сезонная вариация, тогда как в мультипликативной она возрастает и убывает. Мы будем строить аддитивную модель по следующему алгоритму:
. Определение тренда, наилучшим образом аппроксимирующим фактические данные (с использованием полиномиального тренда или комбинацией тригонометрических функций);
. Вычитая из фактических значений объемов продаж значения тренда, определяют величины сезонной компоненты и корректируют их таким образом, чтобы их сумма была равна нулю;
. Рассчитывают ошибки модели как разности между фактическими значениями и значениями модели. Находят среднеквадратическую ошибку:
, (2)
где О² - отклонения модели от фактических значений; T - трендовые значения объема продаж; S - сезонная компонента.
Для расчета параметров тренда целесообразно использовать комбинации тригонометрических функций, так как они довольно точно отображают сезонные колебания. В данном случае воспользуемся выравниванием по первой гармоники ряда Фурье (n=6), то есть колебания повторяются с интервалом в шесть месяцев. Коэффициенты функции рассчитываются с помощью опции «поиск решения» Microsoft Excel.
(3)
Для определения размеров сезонной компоненты находим разности фактических объемов продаж и значений тренда и далее корректируем сумму этих значений таким образом, чтобы она была равна нулю (через опцию «поиск решения» Microsoft Excel). Расчеты приведены в таблице 1 Приложения Б. На рис. 2 приведены расчетные, фактические и прогнозные значения объема реализации по данной модели.
Рис. 2. Фактические, расчетные и прогнозные значения объема сбыта, полученные по аддитивной модели
В соответствии с данной моделью, прогнозные значения объема реализации продукции на период с марта по август составят 1330806 кг, 1253482 кг, 1324888 кг, 1332016 кг и 792708 кг.
Воспользуемся программным пакетом Deductor для составления прогноза продаж на период с марта по июнь 2007 года, то есть на 5 шагов вперед. Для решения этой задачи нам понадобятся следующие обработчики:
) автокорреляция;
) удаление аномалий и сглаживание (парциальная предобработка);
) скользящее окно;
) нейросеть;
) прогноз.
Визуализаторы, которые будем использовать:
) таблица;
) диаграмма;
) диаграмма прогноза.
Последовательность действий для построения прогноза продаж включает в себя следующие шаги:
. Выдвижение гипотезы - решение вопроса о том, какие факторы оказывают влияние на будущий объем продаж.
. Сбор данных и приведение их к пригодному для дальнейшей обработки виду.
. Выделение сезонности в истории продаж.
. Удаление аномалий и шумов.
. Выбор метода для построения модели прогноза продаж.
. Оценка качества построенной модели.
В данном случае уже выдвинута гипотеза о том, что на объем продаж будущего периода в основном влияют продажи за прошлые месяцы. Для остальных этапов необходимо воспользоваться соответствующими обработчиками Deductor.
Обработчик «Автокорреляция». Целью автокорреляционного анализа является выяснение степени статистической зависимости между различными значениями (отсчетами) случайной последовательности, которую образует поле выборки данных. В процессе автокорреляционного анализа рассчитываются коэффициенты корреляции (мера взаимной зависимости) для двух значений выборки, отстоящих друг от друга на определенное количество отсчетов, называемые также лагом. Применительно к анализу временных рядов автокорреляция позволяет выделить месячную и годовую сезонность в данных (рис. 3). Видно, что пик зависимости на данных приходится на 6 месяц, что свидетельствует о полугодовой сезонности. Поэтому величину продаж полугодовой и годовой давности необходимо обязательно учитывать при построении модели (если используется нейронная сеть - то подавать на вход).
Рис. 3. Автокорреляция между данными временного ряда
Обработчик «Парциальная предобработка». Позволяет удалить аномалии и шумы в исходных данных. Шумы в данных (в данном случае временной ряд истории продаж) не только скрывают общую тенденцию, но и проявляют себя при построении модели прогноза. Из-за них модель может получиться плохого качества. Аналогичная ситуация с аномалиями, т.е. резкими отклонениями величины от ее ожидаемого значения. В обработчике «Парциальная обработка» предусмотрен выбор степени подавления аномалий и вычитания шумов: малая, средняя, большая. Кроме того, в обработчике предусмотрена возможность заполнения пропусков, а также сглаживание данных, в том числе вейвлет - преобразованием. Выбор того или иного алгоритма определяется спецификой конкретной задачи. В данном случае была выбрана малая степень подавления шума и применено вейвлет - преобразование с глубиной разложения 1 и порядком вейвлета 9. Глубина разложения определяет «масштаб» отсеиваемых деталей: чем больше эта величина, тем более «крупные» детали в исходных данных будут отброшены. Использование слишком больших значений глубины разложения может привести к потере полезной информации из-за слишком большой степени «огрубления» данных. Порядок вейвлета определяет гладкость восстановленного ряда данных: чем меньше значение параметра, тем ярче будут выражены «выбросы», и наоборот, - при больших значения параметра «выбросы» будут сглажены. На рис. 4 приведен временной ряд продаж после удаления аномалий и шумов, в Приложении В в таблице 1 - полученные расчетные значения.
Рис. 4. Сглаженный временной ряд продаж
Обработчик «Скользящее окно». Для проведения прогнозирования структуру входных данных необходимо преобразовать по специальной схеме. Для этого выбирается глубина погружения, т.е. количество временных интервалов, по которым мы будем прогнозировать следующий. Возьмем глубину погружения равной 6, т.е. прогнозирование объема продаж на следующий месяц будет осуществляться по результатам шести предыдущих месяцев (глубина погружения выбирается исходя из рассчитанного пика автокорреляционной зависимости). Далее данные по продажам преобразуются к следующему виду (см. таблицу 1).
Таблица 1
Схема представления данных обработчиком «Скользящее окно»
|
smoothB6 |
smoothB5 |
smoothB4 |
smoothB3 |
smoothB2 |
smoothB1 |
smoothB0 |
smoothF1 |
|
m-7 |
m-6 |
m-5 |
m-4 |
m-3 |
m-2 |
m-1 |
m |
|
m-6 |
m-5 |
m-4 |
m-3 |
m-2 |
m-1 |
m |
m+1 |
|
m-5 |
m-4 |
m-3 |
m-2 |
m-1 |
m |
m+1 |
m-5 |
|
… |
… |
… |
… |
… |
… |
… |
… |
Мы получаем так называемое «скользящее окно», в котором представлены данные только за 8 месяцев. Первые 6 колонок - это данные за месяцы, на основе которых будем строить прогноз. Последняя колонка - показатель, который мы будем прогнозировать. Так как данных у нас больше, чем за 8 месяцев, мы можем сдвигать это окно по временной оси. Таким образом готовится обучающая выборка, и именно в таком виде представляются данные для последующего анализа (расчетные значения, полученные с помощью данного обработчика, представлены в таблице 1 Приложения Г). Диаграмма скользящего окна приведена на рис. 5.
Рис. 5. «Скользящее окно» ряда продаж
Обработчик «Нейросеть». Обработчик предназначен для решения задач регрессии и прогнозирования. Мы строим нейросеть для прогнозирования будущих значений временного ряда. При этом на вход подаются значения, полученные обработчиком «скользящее окно», за исключением (у+1), которое в данном случае будет интерпретироваться как выходное. Для проверки обобщающей способности нейросети рекомендуется разбить имеющееся множество данных на две части: обучающее и тестовое (устанавливаем долю тестового множества 10%). Выбираем активационную функцию (сигмоида); число нейронов во входном (7), скрытом (1) и выходном слоях (1); алгоритм обучения Resilient Propagation (коррекция весов производится после предъявления всех примеров обучающего множества, учитывается только знак градиентной составляющей). С помощью визуализатора «Диаграмма» оценивается способность построенной нейросетевой модели к обобщению. Для этого в одном окне выводятся графики исходного и спрогнозированного временных рядов. На рис. 6 изображены такие графики. Видно, что построенная модель обеспечивает приемлемую точность. В Приложении Д на рис. 1 представлен граф нейросети, в таблице 1 - фактические и выходные значения.
Рис. 6. Исходные и распознанные нейросетью данные динамического ряда
Обработчик «Прогнозирование» и визуализатор «Диаграмма прогноза». Прогнозирование позволяет получать предсказание значений временного ряда на число отсчетов, соответствующее заданному горизонту прогнозирования. Выберем горизонт прогнозирования, равный 5, и получим прогноз объема реализации продукции крекерного цеха ООО «Славянка» на 5 месяцев вперед (рис.7).
Рис.7. Диаграмма прогноза на пять месяцев вперед
Согласно прогнозу нейронной сети значения объемов продаж на март, апрель, май, июнь и июль 2007 года составят соответственно 1455051 кг, 1455413 кг, 1414036 кг, 1455166 кг и 1128585 кг.
Таким образом, типичный сценарий построения модели объема продаж в Deductor выглядит следующим образом (рис. 8):
Рис.8. Сценарий построения модели объема продаж
На следующем этапе необходимо провести верификацию полученных моделей с целью выбора той из них, которая обеспечила бы наилучшее качество прогноза.
3.3 Разработка управленческого решения по совершенствованию системы сбыта на предприятии
Нами были поcтроены две модели, на основании которых можно получить прогнозные значения будущих объемов продаж продукции крекерного цеха ООО «Славянка». Как видно из рисунка 8, расчетные значения на период с марта по июль 2007 года в определенной степени различны.
Рис. 8. Прогнозируемые значения объема сбыта на основе двух методов
Для того, чтобы определить, какая из моделей обеспечивает наилучшее качество прогноза, следует провести их верификацию. Воспользуемся следующими коэффициентами:
) Средняя ошибка аппроксимации:
(4)
Данный показатель характеризует точность прогноза (если А<12%, то прогноз обладает высокой точностью).
) Коэффициент детерминации:
(5)
Показывает долю дисперсии, объясняемую регрессией, в общей дисперсии результативного признака. Чем качественнее прогноз, тем ближе данный коэффициент к 1.
3) Коэффициент несоответствия:
(6)
КН=0 в случае совершенного прогноза и КН=1, когда прогноз имеет ту же ошибку, что и наивная экстраполяция неизменности.
) Коэффициент корреляции между прогнозируемыми и фактическими значениями :
(7)
Рассчитаем показатели качества прогноза для аддитивной модели (расчетные таблицы по каждому из методов приведены в Приложении Е):
) Средняя ошибка аппроксимации:
А=235,2/26*100%=9%;
) Коэффициент детерминации:
R²= 1,60224E+12/ 1,63122E+12=0,977=97,7%;
) Коэффициент несоответствия:
КН=((1,66934E+11)/(2,66483E+13))^0,5=0,079;
) Коэффициент корреляции:
R=(1,53327E+12)/(1,60224E+12)*( 1,63122E+12)=0,948=94,8%.
Рассчитаем показатели качества прогноза для модели нейронной сети:
) Средняя ошибка аппроксимации:
А=27,85/19*100%=1,46%;
) Коэффициент детерминации:
R²=8,05658E+11/ 6,83768E+11=0,998=99,8%;
) Коэффициент несоответствия:
КН=(1173400467/209·10)^0,5=0,042;
) Коэффициент корреляции:
R= 7,26881E+11/( 6,83768E+11* 8,05658E+11)^0,5= 0,987=98,7%.
Сравнительная характеристика коэффициентов качества приведена в таблице 2.
Таблица 2
Сравнительная оценка коэффициентов качества
|
Коэффициент качества |
Тренд-сезонная модель |
Модель нейронной сети |
|
1. Сред. ошибка аппроксимации, А, % |
9,046 |
1,465 |
|
2. Коэффициент несоответствия, КН |
0,079 |
0,042 |
|
3. Коэффициент корреляции, R |
0,948 |
0,987 |
|
4. Коэффициент детерминации, R² |
0,977 |
0,998 |
Из приведенных показателей видно, что обе модели достаточно адекватны, однако качество прогноза нейронной сети значительно выше (коэффициент детерминации практически равен единице, средняя ошибка аппроксимации очень мала, коэффициент корреляции между фактическими и прогнозными значениями выше). Поэтому для получения прогнозных значений объема реализации на последующие периоды следует воспользоваться методом нейронной сети.
Согласно нейросетевому прогнозу, объемы сбыта ООО «Славянка» будут увеличиваться значительнее по сравнению с предсказанием аддитивной модели. Такой вариант развития наиболее вероятен, так как предприятие в настоящее время стремиться завоевать все большую долю рынка, активно расширяет ассортимент, наращивает производственные мощности, планирует активную инвестиционную политику. Однако анализ системы сбыта на предприятии показал, что она недостаточно эффективна и требует качественных изменений в проектировании.
Во-первых, следует усовершенствовать каналы распределения продукции. Возможный путь решения данной проблемы - создание непосредственно в Белгороде логистического центра, куда будет непосредственно отгружаться вся производимая на предприятии продукция, включая дальнейшее распределение. Если оснастить центр современной системой управления складом, позволяющей автоматизировать учет движения товара, это обеспечит точное и бесперебойное передвижение продукции, а также увеличит скорость всех логистических потоков.
Во-вторых, ярко выраженная сезонность продаж требует определенного подхода к планированию ассортимента выпускаемой продукции. Так, резкий спад производства в июле обусловлен высокими летними температурами и соответственно часто возникающей потребности жажды у населения. Поэтому в летний период резко растут продажи напитков, в то время как продукция с большим содержанием сахара или соли не пользуется спросом. В частности, ООО «Славянка» сокращает в летние месяцы производство таких видов продукции, как крекер с солью, печенье сухое с сахаром, печенье в шоколадной глазури и др. Поэтому с целью сохранения высокого уровня реализации и избегания простоя производственного оборудования в летние месяцы предлагается ввести в ассортимент новые виды продукции, основой которых станут различные фруктовые начинки, цитрусовые и ментоловые наполнители. Возможный вариант - изменение способа глазировки печенья: вместо шоколадной глазури также следует использовать фруктовую.
ЗАКЛЮЧЕНИЕ
В первой главе нами были рассмотрены теоретические основы прогнозирования, прогнозирование с использованием нейронных сетей, основные принципы функционирования и области приложения нейросетевых технологий. Искусственные нейронные сети (НС) - это совокупность моделей биологических нейронных сетей, которые представляют собой сеть элементов - искусственных нейронов - связанных между собой синоптическими соединениями. Сеть обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов, то есть модель объекта, реализуемую нейросетью, можно назвать «черным ящиком». Существуют различные подходы к классификации нейронных сетей. Выделяют сети линейные и нелинейные, однослойные и многослойные, с прямой и обратной связью, наблюдаемые и ненаблюдаемые. Таким образом, топологии нейронных сетей весьма сложны и разнообразны. Это, наряду с мощным механизмом обучения, реализуемым в нейронных сетях, дает возможность широкого их применения в различных областях.
Во второй главе мы охарактеризовали методы прогнозирования, нейронные сети как метод решения задач прогнозирования, описали практические аспекты получения прогнозов временных рядов с использованием программы Deductor. В Deductor используются самые мощные технологии, такие как многомерный анализ, нейронные сети, деревья решений, самоорганизующиеся карты, спектральный анализ и множество других. Данный пакет позволяет получить информацию из произвольного источника данных, провести весь цикл обработки, отобразить полученные результаты наиболее удобным образом и экспортировать результаты на сторону.
В третьей главе мы провели диагностику системы сбыта на предприятии ООО «Славянка», используя при этом два различных подхода к прогнозированию объема продаж - аддитивную тренд-сезонную модель и модель нейронной сети. На основе верификации было установлено, что нейросетевой подход обеспечивает более высокую точность прогноза и объем реализации в краткосрочной перспективе будет значительно увеличиваться. Проведенный анализ системы сбыта на предприятии выявил определенные проблемы в данной области: чрезмерные расходы на транспортировку, связанные с удаленностью складских помещений, ярко выраженная сезонность продаж и, как следствие, простои оборудования в летний период. Это послужило базой для выработки соответствующих управленческих решений, в ходе которых предлагалось реализовать инновационный проект по строительству логистического центра непосредственно в городе Белгороде, а также расширить ассортимент путем разработки новых видов продукции.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1 Банковское дело: современная система кредитования: учебное пособие / О.И. Лаврушин, О.Н. Афанасьева, С.Л. Корниленко. - М.: КноРус, 2007. - 264с.
Вертакова, Ю.В., Кузьбожев Э.Н. Упреждающее управление на основе новых информационных технологий: Учеб. пособие/ Под ред. д-ра экон. наук Э.Н. Кузьбожева; Курск. гос. техн. ун-т. Курск, 2001. - 152 с.
Вертакова, Ю.В. Экономика отраслевого комплекса (прогнозирование будущего и регулирование настоящего). Монография/ Ю.В. Вертакова, Э.Н. Кузьбожев; Курск. гос. техн. ун-т. - Курск: КГТУ, 2001. - 210 с.
Галушкин, А.И. Теория нейронных сетей: Учебное пособие для вузов/ А.И. Галушкин. - М.: ИПРЖР, 2000. - 416 с.
Информационные технологии в бизнесе/ Под ред. М. Желена. - СПб: Питер, 2002. - 1120 с.
Конюховский, П.В., Колесов Д.Н. Экономическая информатика/ Под ред. П.В. Конюховского, Д.Н. Колесова. - СПб: Питер, 2001. - 560 с.
Краткий курс практического менеджмента: Учеб. пособие/ Под ред. д-ра экон. наук Э.Н. Кузьбожева. Курск. гос. техн. ин-т. Курск, 2001. - 224 с.
Орлов, А.С. Прогнозирование сезонных колебаний цен // Маркетинг в России и за рубежом. - 2006. - №3 - С. 13-24.
Ритасов, В.М. Когда затянем нейросети?// Деньги. - 2004. - №35. - С. 15-17.
Романов, В.П. Интеллектуальные информационные системы в экономике: Учебное пособие/ Под ред. д.э.н., проф. Н.П. Тихомирова. - М.: Изд-во «Экзамен», 2003. - 496 с.
Современные инструментальные системы, информационные технологии и инновации: материалы I Международной научно-технической конференции/ отв. ред. Е.И. Яцун (часть 1).
Стратегическое моделирование и прогнозирование: Учеб. пособие/Г.М. Гамбаров, Н.М. Журавель, Ю.Г. Королев и др.; Под ред. А.Г. Гранберга. - М.: Финансы и статистика, 1990. - 383 с.
Уразбахтин, И.Г. Алгоритм предобработки данных для целей прогнозирования на базе технологии нейронных сетей/ И.Г. Уразбахтин, Н.И. Рыков// Современные инструментальные системы, информационные технологии и инновации. - Курск: КурскГТУ, 2003. - С. 64-67.
Шабонин, П.В. Методы научного прогнозирования и их практическое применение// ТOP-MANAGER [журнал для руководителей]. - 2006. - №3. - С. 15-19.
15. <http://www.basegroup.ru>. Нейронные сети.
. <http://treide.ru>. Прогнозирование с использованием нейронных сетей.
.<http://www.neuroproject.ru>. Аналитические технологии для прогнозирования и анализа данных.