Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

METODA OPERACYJNEGO PROGNOZOWAN IA WIELKOŚCI POPYTU UWZGLĘDNIAJĄCA DETERMINANTY RYNKU Doktorant: mgr inż. Łukasz Mach Warszawa 2005 Promotor: prof. dr.

Podobne prezentacje


Prezentacja na temat: "METODA OPERACYJNEGO PROGNOZOWAN IA WIELKOŚCI POPYTU UWZGLĘDNIAJĄCA DETERMINANTY RYNKU Doktorant: mgr inż. Łukasz Mach Warszawa 2005 Promotor: prof. dr."— Zapis prezentacji:

1 METODA OPERACYJNEGO PROGNOZOWAN IA WIELKOŚCI POPYTU UWZGLĘDNIAJĄCA DETERMINANTY RYNKU Doktorant: mgr inż. Łukasz Mach Warszawa 2005 Promotor: prof. dr hab. inż. Ryszard Knosala WYDZIAŁ INŻYNIERII PRODUKCJI POLITECHNIKA WARSZAWSKA

2 Analiza rozpatrywanego zagadnienia STAN RYNKU, WARUNKI ZEWNĘTRZNE/WEWNĘTRZNE POTRZEBA PROBLEM 1.Wysoka dynamika rynku 2.Produkcja zorientowana na potrzeby klienta 3.Krótki cykl życia produktu 4.Rosnąca konkurencja 5.Zjawisko globalizacji 6.Zastosowanie nowych narzędzi wspomagających zarządzanie STAN RYNKU, WARUNKI ZEWNĘTRZNE/WEWNĘTRZNE POTRZEBA PROBLEM Czy możliwe jest opracowanie operacyjnej prognozy gwarantującej poprawną i terminową ocenę rynku i jego potrzeb ? -48 % firm ma niedostatecznie rozwinięte narzędzia prognostyczne -Zła prognoza zwiększa poziom zapasów w całym łańcuchu dostaw -30 % niesprzedanych wyrobów to wynik niedokładnej prognozy -...

3 STAN RYNKU, WARUNKI ZEWNĘTRZNE/WEWNĘTRZNE POTRZEBA PROBLEM Opracowanie metody operacyjnego prognozowania potencjalnego popytu na wyroby gotowe, która jest podstawą terminowego i poprawnego rozpoznania zachowań klientów na rynku docelowym CEL PRACY Analiza rozpatrywanego zagadnienia

4 Wnioski z analizy literaturowej 1.Problem wyboru metody prognozowania stanowi zagadnienie trudne do algorytmizacji. 2.Brak jest uniwersalnych metod prognozowania potencjalnego popytu. 3. W ostatnim czasie można zauważyć tendencje do integracji metod prognozowania. 4. Bazując na metodach statystyczno-matematycznych stosuje się: metody średniej ruchomej, metody wygładzania wykładniczego, metody dla procesów niestacjonarnych oraz metody ekonometryczne. 5. Stosując SSN najczęściej bazuje się na sieciach o zdolnościach aproksymacji, jak na przykład MLP oraz RBF. 6. Wysoka dynamika rynku jest podstawą coraz szerszego stosowania determinantów rynku w operacyjnym prognozowaniu popytu. Kompleksowy dobór czynników opisujących zachowanie rynku bazuje na instrumentach marketingu-mix.

5 DOBÓR PARAMETRÓW MODELI Statystyczno-matematyczny model prognozowania Ekonometryczny Wintera ARIMA Model bazujący na zastosowaniu SSN MLP RBF Wejście Determinanty rynku Składowe okresowe Wyjście Projekt metody operacyjnego prognozowania wielkości popytu Badania przeprowadzono na modelach : I. EKONOMETRYCZNYM - identyfikacja i estymacja funkcji trendu - analiza struktury harmonicznej szeregu - ocena jakości otrzymanych modeli II. WINTERA - wyznaczenie wartości wiodących okresowości, - dobór parametrów , ,  III. ARIMA(p,d,q)(P,D,Q) - identyfikacja parametrów p,d,q,P,D,Q - estymacja - sprawdzenie rozkładu reszt modelu z rozkładem normalnym, istotności parametrów znieżności 1. Proces identyfikacji oraz estymacji funkcji trendu przeprowadzono z użyciem analitycznego modelu trendu - regresja wielokrotna; - sprawdzenie diagnostyczne badanych zmiennych 2. Dla przyjętego poziomu istotności  =0,05 istotny statystycznie okazał się trend w postaci liniowej oraz trend w postaci wielomianu trzeciego stopnia 1.Eliminacja funkcji trendu z badanego szeregu czasowego (identyfikacja ewentualnie występujących wahań okresowych) 2. Wyznaczenie funkcji autokorelacji 3. Wyznaczenie modeli prognostycznych dla badanych funkcji trendu 1. Analiza błędu estymacji 2. Analiza współczynnika dopasowania 3. Analiza rozkładu reszt modelu1. Wyznaczenie wartości wiodących okresowości Serek tartare: 4, 13 Serek świeży: 13, Dobór parametrów modeli: - sieciowe poszukiwanie najlepszych parametrów - minimalizacja funkcji Quasi-Newtona 1. Bazując na wykresach autokorelacji i autokorelacji cząstkowej, badany szereg sprowadzono do postaci stacjonarnej. 2. Początkowe oszacowanie parametrów p,d,q,P,D,Q 3, Diagnostyczny test zgodności w zastosowaniu do reszt modelu 4. Ocena jakości modelu SEREK ŚWIEŻY 1 - model ekonometryczny, liniowa funkcja trendu 2 - model ekonometryczny, wielomian stopnia trzeciego 3 - model Wintersa  =0,3;  = 0,1;  =0,1; okresowość wiodąca =13; 4 - model Wintersa  =0,5;  = 0,1;  =0,2; okresowość wiodąca =13; 5 - model Wintersa  =0,8;  = 0,2;  =0,1; okresowość wiodąca =13; 6 - model Wintersa  =0,3;  = 0,1;  =0,2; okresowość wiodąca =26; 7 - model Wintersa  =0,3;  = 0,2;  =0,1; okresowość wiodąca =26; 8 - model Wintersa  =0,5;  = 0,1;  =0,1; okresowość wiodąca =26; 9 - model Wintersa  =0,256;  = 0,0;  =0,0; okresowość wiodąca =13; 10 - model Wintersa  =0,244;  = 0,0;  =0,0; okresowość wiodąca =26; 11 - model ARIMA(3,3,1)(1,1,0); 12 - model ARIMA(2,1,1)(1,2,1); 13 - model ARIMA(2,3,0)(1,1,0); 14 - model ARIMA(2,3,0)(2,1,0); 15 - model ARIMA(1,1,1)(1,1,1); 16 – model ARIMA(1,1,1)(1,2,1) ME - średni błąd prognozy MAE - średni absolutny błąd MPE - średni procentowy błąd MAPE - średni absolutny procentowy błąd SEREK TARTARE 1 - model ekonometryczny, liniowa funkcja trendu 2 - model ekonometryczny, wielomian stopnia trzeciego 3 - model Wintersa  =0,1;  = 0,1;  =0,1; okresowość wiodąca =4 4 - model Wintersa  =0,1;  = 0,1;  =0,2; okresowość wiodąca =4; 5 - model Wintersa  =0,1;  = 0,1;  =0,1; okresowość wiodąca =13; 6 - model Wintersa  =0,1;  = 0,1;  =0,2; okresowość wiodąca =13; 7 - model Wintersa  =0,095;  = 0,0;  =0,0; okresowość wiodąca =4; 8 - model Wintersa  =0,078;  = 0,0;  =0,0; okresowość wiodąca =13; 9 – model ARIMA(2,1,2)(0,1,0) 10 – model ARIMA(2,1,2)(2,1,0) 11 - model ARIMA(3,1,1)(2,1,0); 12 - model ARIMA(3,1,2)(0,1,0); 13 - model ARIMA(3,1,1)(0,1,1); 14 - model ARIMA(3,1,1)(2,1,1); 15 - model ARIMA(2,1,2)(0,1,2); ME - średni błąd prognozy MAE - średni absolutny błąd MPE - średni procentowy błąd MAPE - średni absolutny procentowy błąd

6 Statystyczno-matematyczny model prognozowania Ekonometryczny Wintera ARIMA Model bazujący na zastosowaniu SSN MLP RBF Wejście Determinanty rynku Składowe okresowe Wyjście Projekt metody operacyjnego prognozowania wielkości popytu ARIMA(p,d,q)(P,D,Q)

7 Proces badawczy w module bazującym na zastosowaniu SSN 1. Wybór rodzaju sieci neuronowych do procesu predykcji - sieć perceptronowa wielowarstwowa - sieć o radialnych funkcjach bazowych 2. Zdefiniowanie założeń oraz etapów postępowania w procesie uczenia SN - wybór algorytmów uczenia poszczególnych sieci neuronowych - zdefiniowanie początkowej topologii SN - określenie liczby warstw ukrytych oraz ilości neuronów w warstwie ukrytej - podział danych wejściowych na zbiory uczący, testowy i walidacyjny 3. Ocena jakości badanych modeli prognostycznych - analiza błędów uczenie, testowania, walidacji SN - analiza statystyk regresyjnych 1.Zdefiniowanie modelu podstawowego – ETAP I 2.Rozbudowa modelu prognostycznego o czynniki sezonowości – ETAP II 3.Rozbudowa modelu prognostycznego o determianty rynku – ETAP III Statystyki regresyjne: - S.D Ratio - Korelacja

8 Założenia badawcze: Model bazujący na jednej zmiennej objaśniającej Dane wejściowe kodowane w postaci 4 pomiarów empirycznych Analiza neuronowego empirycznego szeregu czasowego – ETAP I Wnioski z przeprowadzonych badań: 1.Do dalszej analizy wybrano MLP uczony algorytmem BP 2.Lepszymi właściwościami cechowały się SN o strukturze zbioru testowego, uczącego i walidacyjnego w postaci: oraz Brak jednoznacznej odpowiedzi dotyczącej wyboru optymalnej architektury SN z pośród 4-x-1 a 4-x-x-1

9 Wahania okresowe w neuronowym modelu prognostycznym – ETAP II Założenia badawcze: 1.Rozbudowa modelu podstawowego o dwie zmienne zależne: - numer prognozowanego tygodnia ( ) - początkowe składowe okresowe rzędów znaczących ( ) 2. 6 neuronów w warstwie wejściowej 3. Proces badawczy przebiega tożsamo z modelem podstawowym - podział zbioru uczącego, testowego i walidacyjnego : oraz badanie sieci z 1 oraz 2 warstwami ukrytymi 4.Cel rozbudowy modelu prognostycznego to polepszenie właściwości predyktywnych (błąd SN, regresja) Statystyczno-matematyczny model prognozowania Ekonometryczna Wintera ARIMA Model bazujący na zastosowaniu SSN MLP Wejście Determinanty rynku Składowe okresowe Wyjście ARIMA(p,d,q)(P,D,Q)

10 Metoda operacyjnego prognozowania wielkości popytu Statystyczno-matematyczny model prognozowania Ekonometryczna Wintera ARIMA Model bazujący na zastosowaniu SSN MLP Wejście Determinanty rynku Składowe okresowe Wyjście ARIMA(p,d,q)(P,D,Q)

11 Determinanty rynku w neuronowym modelu prognostycznym – ETAP III Instrumenty marketingu-mix (4P) - produkt (product), - cena (price), - dystrybucja (place), - promocja (promotion). Aktywne działania konkurencji - konkurencja bezpośrednia wewnętrzna (SEREK I, SEREK II), - konkurencja pośrednia wewnętrzna (INNE SERKI), - konkurencja bezpośrednia zewnętrzna (KONKURENCJA I-VII), - konkurencja pośrednia zewnętrzna (INNI KONKURENCI), DANE O PRODUKCIE: - sprzedaży prognozowanego produktu, - sprzedaży innych produktów wytwarzanych przez badane przedsiębiorstwo - sprzedaży produktów podmiotów bezpośrednio konkurujących na rynku INFORMACJE O CENIE: -informacje o średnich cenach produktów jakie się kształtowały na rynku docelowym. INFORMACJE O DYSTRYBUCJI: -informacje o procentowym udziale sprzedaży w obrębie obsługiwanych kanałów dystrybucji INFORMACJE O PROMOCJI: -informacje o procentowym udziale tzw. GRP’s w rynku. Punkty GRP są miara siły kampanii reklamowej - oznaczają liczbę kontaktów reklamowych wyrażonych jako procent liczebności grupy docelowej

12 Analiza neuronowego modelu prognostycznego DETERMINANTY RYNKU MODEL PODSTAWOWY SEZONOWOŚĆ Serek tartare Wartości błędów

13 Metoda operacyjnego prognozowania wielkości popytu Statystyczno-matematyczny model prognozowania Ekonometryczna Wintera ARIMA Model bazujący na zastosowaniu SSN MLP(10-5-1) Wejście Determinanty rynku Składowe okresowe Wyjście ARIMA(p,d,q)(P,D,Q)

14 WERYFIKACJA metody operacyjnego prognozowania wielkości popytu Doświadczenia badawcze : I. Serek Świeży, II. Serek Taratre, III. Serek kremowy. - Wykonano 8 doświadczeń badawczych, dla każdego prognozowanego produktu I. Serek Świeży, II. Serek Taratre, III. Serek kremowy. - Weryfikacji dokonano w dwóch różnych okresach prognostycznych, w których wykonano po 4 doświadczenia badawcze -Okres I 10.III.2003 – 8. VI Okres II 15.IX – 01.II.2004 (współczynnik korelacji oraz S.D. RATIO) - W każdym doświadczeniu obliczono prognozę, błąd względny oraz parametry jakościowe (współczynnik korelacji oraz S.D. RATIO) - Dla każdego prognozowanego produktu, wyznaczono prognozę bazująca na modelu ARIMA oraz modelu z zastosowaniem MLP. - Wartość prognozy końcowej (średnia prosta lub prognoza bazująca na modelu ARIMA lub MLP)

15 Doświadczenia badawcze - DOŚWIADCZENIE nr I, V Sprawdzono jakość zbudowanych modeli prognostycznych. Wyznaczono prognozę bazującą na danych wcześniej nieuwzględnionych. - DOŚWIADCZENIE nr II, VII Wyznaczono wartości prognoz w przypadku, w którym statystyka badanych produktów charakteryzuje się wysoka dynamiką (sytuacje nietypowe w roku kalendarzowym) - Czy na bazie zastosowanego modelu ARIMA, możliwa jest poprawna aproksymacja wielkości popytu? - Czy na bazie zastosowanego modelu ARIMA, możliwa jest poprawna aproksymacja wielkości popytu? - Czy uwzględnienie w modelu MLP determinantów rynku oraz zachowań konkurencji ma wpływ na uzyskanie akceptowalnej wartości prognozy? - Czy uwzględnienie w modelu MLP determinantów rynku oraz zachowań konkurencji ma wpływ na uzyskanie akceptowalnej wartości prognozy? -DOŚWIADCZNIE nr III oraz VIII Wyznaczono prognozy popytu dla okresów, w których po gwałtownych zmianach struktury popytu nastąpiła jego stabilizacja -DOŚWIADCZENIE nr IV oraz VI Wyznaczono wielkości prognozy popytu, dla stabilnej dynamiki potencjalnego popytu zgłaszanego w okresach prognozowanych oraz w okresach wcześniejszych z opóźnieniem miesięcznym

16 Wnioski z weryfikacji - DOŚWIADCZENIE nr I, V (sprawdzenie jakości) Uzyskano zbliżone wartości błędów dla wszystkich użytych modeli prognostycznych. Wartości te świadczą o przydatności użytych modeli w opracowanej metodzie prognozowania. Statystyczno-matematyczny model prognozowania Model bazujący na zastosowaniu SSN

17 Wnioski z weryfikacji - DOŚWIADCZENIE nr II, VII (duże zmiany w strukturze popytu) Wartość prognozy końcowej została policzona tylko na bazie modelu MLP Statystyczno-matematyczny model prognozowania Model bazujący na zastosowaniu SSN

18 Wnioski z weryfikacji - -DOŚWIADCZENIE nr III, VIII (po gwałtownych zmianach, nastąpiła jego normalizacja) Obydwa modele uzyskały wartości średnich względnych błędów na poziomie akceptowalnym. Nieznacznie lepsze wyniki uzyskał model MLP. Statystyczno-matematyczny model prognozowania Model bazujący na zastosowaniu SSN

19 Wnioski z weryfikacji - DOŚWIADCZENIE nr IV, VI (stabilna struktura popytu) Nieznacznie lepsze wyniki uzyskał model bazujący na ARIMA. Statystyczno-matematyczny model prognozowania Model bazujący na zastosowaniu SSN

20 Wnioski końcowe 1.W opracowanej metodzie operacyjnego prognozowania zastosowano ujęcie integracji metod predykcji, bazujących na zastosowaniu modelu ARIMA oraz MLP 2.Weryfikacja opracowanej metody prognozowania, na przykładzie przedsiębiorstwa branży spożywczej, potwierdza skuteczność oraz przydatność dla jej stosowania 3.Zastosowanie instrumentów marketingu mix, jako zmiennych objaśniających, ma na celu poprawienie zdolności aproksymacji. 4.Metoda została zweryfikowana z uwzględnieniem różnych sytuacji rynkowych. 5.Dalsze badania będą prowadzone w kierunku rozbudowy utworzonej metody prognozowania o zmienne typu jakościowego. 6.Opracowana metoda może być stosowana i uogólniona na przypadki, gdzie istotną role odgrywają dane historyczne, czynniki sezonowości, okresowości oraz instrumenty marketingu-mix, a procesy podejmowania decyzji oscylują w operacyjnym okresie czasu. Reprezentantami produktów posiadających wszystkie te cechy są: serek świeży, serek tartare, serek kremowy.

21 Dotychczasowe publikacje udział w konferencjach (publikacjach) krajowych Projekt hybrydowej metody operacyjnego prognozowania popytu, Komputerowo Zintegrowane Zarządzanie, zbiór prac pod redakcją Ryszarda Knosali, Wydawnictwo Naukowo-Techniczne, tom II, Warszawa 2003, ss Zintegrowana metoda prognozowana operacyjnego – podsystem ilościowy, Zbiór referatów, V Konferencja Komputerowo Zintegrowane Zarządzanie, Zakopane styczeń 2002, Tom II, WNT, Warszawa 2002, ss Reguły priorytetu jako podstawa systemu sterownia zamówieniami na wydziale produkcyjnym, Zbiór referatów, IV Konferencja Komputerowo Zintegrowane Zarządzanie, Zakopane styczeń 2001, Tom II, WNT, Warszawa 2001, ss Standaryzacja przepływu danych w procesie integracji przedsiębiorstw produkcyjnych, Zeszyty Naukowe Politechniki Opolskiej (artykuł przyjęty do druku).

22 Dotychczasowe publikacje udział w konferencjach międzynarodowych Proposed Method of Operative Demand Forecast with the Application of Artificial Intelligence, The 13 th International DAAAM Symposium – Intelligent manufacturing & automation: Learning from Nature, october 2002, Wien, Austria, pp Artificial Perceptron Networks as a Supporting Tool for Forecast of Material Demand, Artificial Intelligence in Control and Management AICM’02, Łodź wrzesień 2002 – materiały konferencyjne, pp Sztuczna inteligencja w prognozowaniu zapotrzebowania materiałowego, Zbiór referatów, II konferencja Rozwój regionalny w perspektywie integracji europejskiej, Wyd. Politechnika Opolska i Wyższa Szkoła Zarządzania i Administracji w Bytomiu, bytom 2002 (artykuł przyjęty do druku).

23 Dziękuję za uwagę


Pobierz ppt "METODA OPERACYJNEGO PROGNOZOWAN IA WIELKOŚCI POPYTU UWZGLĘDNIAJĄCA DETERMINANTY RYNKU Doktorant: mgr inż. Łukasz Mach Warszawa 2005 Promotor: prof. dr."

Podobne prezentacje


Reklamy Google