METODY PROGNOZOWANIA SPRZEDAŻY W PRZEDSIĘBIORSTWIE Opole 2006 Politechnika Opolska Instytut Inżynierii Produkcji Dr inż. Łukasz MACH.

Slides:



Advertisements
Podobne prezentacje
Modele szeregów czasowych z tendencją rozwojową
Advertisements

Badania statystyczne Wykłady 1-2 © Leszek Smolarek.
Excel Narzędzia do analizy regresji
Ocena dokładności i trafności prognoz
Modelowanie kursu walutowego- perspektywa krótkookresowa
PROGNOZOWANIE dr Tomasz Głuszkowski
Predykcja współrzędnych x, y bieguna ziemskiego za pomocą sztucznych sieci neuronowych Maciej Kalarus Centrum Badań Kosmicznych PAN 5 grudnia 2003r.
Składowe modelu Wintersa
PLANOWANIE JAKO FUNKCJA ZARZĄDZANIA
SZTUCZNE SIECI NEURONOWE
Treść wykładu Wstęp Przewidywanie - prognoza Klasyfikacja prognoz
Przegląd zastosowań.
CECHY CHARAKTERYSTYCZNE SZEREGU CZASOWEGO SZEREG CZASOWY jest zbiorem obserwacji zmiennej, uporządkowanych względem czasu (dni,
Ekonometria prognozowanie.
Podstawowe pojęcia prognozowania i symulacji na podstawie modeli ekonometrycznych Przewidywaniem nazywać będziemy wnioskowanie o zdarzeniach nieznanych.
Teoria równowagi ogólnej (1874)
Metody Sztucznej Inteligencji w Sterowaniu 2009/2010 Metoda propagacji wstecznej Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania.
Prognozowanie na podstawie sezonowych szeregów czasowych
Prognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie szeregów czasowych
Analiza szeregów czasowych
Prognozowanie na podstawie szeregów czasowych
Wprowadzenie do statystycznej analizy danych (SPSS)
Prognozowanie i symulacje (semestr zimowy)
Mirosław ŚWIERCZ Politechnika Białostocka, Wydział Elektryczny
Koszty produkcji w długim okresie Opracowano na podstawie M. Rekowski.
formalnie: Budowa i zasada funkcjonowania sztucznych sieci neuronowych
czyli jak analizować zmienność zjawiska w czasie?
Sztuczne Sieci Neuronowe
Jak mierzyć i od czego zależy?
Irena Woroniecka EKONOMIA MENEDŻERSKA - dodatek do W2
Analiza szeregów czasowych
Uczenie w Sieciach Rekurencyjnych
Prognozowanie z wykorzystaniem modeli ekonometrycznych
1 Kilka wybranych uzupełnień do zagadnień regresji Janusz Górczyński.
Hipotezy statystyczne
Prognozowanie i symulacje
Wahania sezonowe. Metoda wskaźników sezonowości.
Planowanie przepływów materiałów
SYSTEMY EKSPERTOWE I SZTUCZNA INTELIGENCJA
Instytut Zarządzania – Państwowa Wyższa Szkoła Zawodowa
Sieci neuronowe, falki jako przykłady metod analizy sygnałów
Przedmiot: Ekonometria Temat: Szeregi czasowe. Dekompozycja szeregów
 Ekonometria – dziedzina zajmująca się wykorzystaniem specyficznych metod statystycznych dostosowanych do badań nieeksperymentalnych.  Ekonometria to.
D. Ciołek EKONOMETRIA – wykład 6
Dynamika zjawisk. Analiza sezonowości dr hab. Mieczysław Kowerski
Adaptacyjne Systemy Inteligentne Maciej Bielski, s4049.
4 lipca 2015 godz pok września 2015 godz pok. 212.
Dynamika zjawisk. Tendencja rozwojowa dr hab. Mieczysław Kowerski
Warstwowe sieci jednokierunkowe – perceptrony wielowarstwowe
Metody sztucznej inteligencji – technologie rozmyte i neuronoweReguła propagacji wstecznej  Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów.
METODA OPERACYJNEGO PROGNOZOWAN IA WIELKOŚCI POPYTU UWZGLĘDNIAJĄCA DETERMINANTY RYNKU Doktorant: mgr inż. Łukasz Mach Warszawa 2005 Promotor: prof. dr.
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania Modelowanie i podstawy identyfikacji 2015/2016 Modele neuronowe – podstawy,
GeneracjeTechnologia Architektura przetwarzania 0. Przekaźniki elektromechaniczne 1. Lampy elektronowe 2. Tranzystory 3. Układy scalone 3.5.Układy dużej.
Model trendu liniowego
Prognozowanie wahań sezonowych Metoda wskaźników sezonowości.
STATYSTYKA – kurs podstawowy wykład 13 dr Dorota Węziak-Białowolska Instytut Statystyki i Demografii.
Weryfikacja hipotez statystycznych „Człowiek – najlepsza inwestycja”
Modele nieliniowe sprowadzane do liniowych
STATYSTYKA – kurs podstawowy wykład 11
Belief Nets Autor: inż. 2013r źródło tła:
Systemy neuronowo – rozmyte
Rodzaje zmian zachodzących w otoczeniu przedsiębiorstwa:
LOGISTYKA Punkt rozdziału.
Regresja wieloraka – bada wpływ wielu zmiennych objaśniających (niezależnych) na jedną zmienną objaśnianą (zależą)
{ Wsparcie informacyjne dla zarządzania strategicznego Tereshkun Volodymyr.
Badanie dynamiki zjawisk
Systemy Ekspertowe i Sztuczna Inteligencja trudne pytania
Programowanie sieciowe Laboratorium 4
Zapis prezentacji:

METODY PROGNOZOWANIA SPRZEDAŻY W PRZEDSIĘBIORSTWIE Opole 2006 Politechnika Opolska Instytut Inżynierii Produkcji Dr inż. Łukasz MACH

Definicje Prognoza jest stwierdzeniem odnoszącym się do określonej przyszłości, formułowanym z wykorzystaniem dorobku nauki, weryfikowanym empirycznie, niepewnym, ale akceptowalnym. Postawa pasywna oznacza przyjęcie stałości związków występujących między zjawiskiem prognozowanym a oddziałującymi nań innymi czynnikami. Postawa aktywna charakteryzuje się założeniem, że przyszłość jest mniej lub bardziej niezależna od przeszłości. Przy jej przyjęciu dopuszcza się zatem zmianę dotychczasowych związków występujących między zjawiskiem prognozowanym a oddziałującymi nań innymi zjawiskami. Zmiany ilościowe – polegają na zmianie wartości zmiennej prognozowanej. Zmiany jakościowe – na zmianie dotychczasowych prawidłowości, np. trendu.

Definicje Prognoza krótkookresowa – jest to prognoza budowana na taki odcinek czasu, w trakcie którego zachodzą tylko zmiany ilościowe. Prognoza średniookresowa – dotyczy takiego odcinka czasu, w którym oczekuje się, że w prognozowanym zjawisku wystąpią nie tylko zmiany ilościowe, ale i niewielkie zmiany jakościowe. Prognoza długookresowa – budowana jest na taki odcinek czasu, podczas którego w prognozowanym zjawisku mogą występować zmiany zarówno ilościowe, jak i jakościowe. Błąd prognozy: -ex ante: prawdopodobieństwo spełnienia się prognozy (wiarygodności). Jest budowany w chwili budowy prognozy. -ex post: określa trafność prognozy w ujęciu ilościowym (bezwzględny, względny, procentowy, średni kwadratowy)

Prognoza sprzedaży Opisuje przewidywany poziom sprzedaży przedsiębiorstwa na wybranych rynkach docelowych, w określonym przedziale czasu, wyznaczony na podstawie sprecyzowanego w strategii marketingowej marketingu-mix i przyjętych hipotez dotyczących sposobu oddziaływania czynników otoczenia marketingowego przedsiębiorstwa na wielkość sprzedaży.

Etapy budowy prognozy: Sformułowanie zadania prognostycznego Określenie przesłanek prognostycznych Wybór metody prognozowania Konstrukcja prognozy Weryfikacja prognozy

Zarządzanie przedsiębiorstwem PROGNOZOWANIE SPRZEDAŻY W PRZEDSIĘBIORSTWIE Prognozowana wielkość sprzedaży sytuacja gospodarstw domowych ceny dóbr komplementarnych „czynnik” mody czynniki sezonowe nastroje społeczne stan gospodarki światowej czynniki 4P sygnały o trendzie sprzedaży czynniki sezonowe sygnały o trendzie sprzedaży

Zarządzanie przedsiębiorstwem PROGNOZOWANIE SPRZEDAŻY W PRZEDSIĘBIORSTWIE

100 ? tt+1t-1 t-3 t-2 t-4 Prognoza oparta na modelu błądzenia przypadkowego ? t t+1 t-1 t-3 t-2 t-4

Modele prognozowania oparte na: średniej ruchomej, wygładzaniu wykładniczym, modelach analitycznych, Holta, autoregresji, podwójnej średniej ruchomej, metody wskaźników -estymacje parametrów funkcji trendu, -eliminacje trendu z szeregu czasowego, -obliczenie wskaźników sezonowości, -eliminacje sezonowości

Prognozowanie oparte na modelach: ARMA, Winters -proces estymacji funkcji trendu, -identyfikacja wahań okresowych, -ocenę jakości otrzymanych modeli

Prognozowanie oparte na przebiegu nieliniowym i niestacjonarnym ARIMA(p,d,q)

STAN RYNKU, WARUNKI ZEWNĘTRZNE/WEWNĘTRZNE 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 -48 % firm ma niedostatecznie rozwinięte narzędzia prognostyczne (Adebajno 2000) -Zła prognoza zwiększa poziom zapasów w całym łańcuchu dostaw (Adebajno 2000) -30 % niesprzedanych wyrobów to wynik niedokładnej prognozy (Lewis 1998) -Poprawa prognozy o 1%, może przynieść miliony dolarów oszczędności (Fryer, 1997) -...

Narzędzia sztucznej inteligencji w zarządzaniu przedsiębiorstwem: Sztuczne sieci neuronowe Systemy ekspertowe Logika rozmyta Algorytmy genetyczne Algorytmy ewolucyjne 1.Optymalizacja 2.Klasyfikacja 3.Prognozowanie

Budowa pojedynczego neuronu Jądro - "centrum obliczeniowe" neuronu. To tutaj zachodzą procesy kluczowe dla funkcjonowania neuronu. Akson - "wyjście" neuronu. Za jego pośrednictwem neuron powiadamia świat zewnętrzny o swojej reakcji na dane wejściowe. Neuron ma tylko jeden akson. Wzgórek aksonu - stąd wysyłany jest sygnał wyjściowy, który wędruje dalej poprzez akson. Dendryt - "wejście" neuronu. Tędy trafiają do jądra sygnały mające być w nim później poddane obróbce. Dendrytów może być wiele - biologiczne neurony mają ich tysiące. Synapsa - jeśli dendryt jest wejściem neuronu, to synapsa jest jego furtką. Może ona zmienić moc sygnału napływającego poprzez dendryt.

Działanie pojedynczego neuronu Logistic Hyperbolic

Budowa sieci neuronowej

Rodzaje sieci neuronowych w procesach prognozowania 1. MLP Sieć jednokierunkowa wielowarstwowa perceptronowa, z logistyczną funkcją aktywacji 2.RBF Sieć o radialnych funkcjach bazowych 3.GRNN Sieć realizująca regresje uogólnioną

Zasady budowy modelu neuronowego opóźnienie prognoza SIEĆ NEURONOWA -liczba okresów prognostycznych określa liczbę neuronów w warstwie wejściowej, -horyzont prognozy określa liczbę neuronów w warstwie wyjściowej, -ilość warstw ukrytych w sieci neuronowej i liczba neuronów w poszczególnych warstwach ukrytych określa jakość sieci.

ARIMA vs SSN Korelacja : Iloraz odchylenia:0,26 0,86 0,67

Podsumowanie -nieliniowość i niestacjonarność procesów rynkowych powoduje potrzebę poszukiwania nowych narzędzi wspomagających zarządzanie, -klasyczne metody prognozowania poprawnie aproksymujące zjawiska rynkowe w latach ubiegłych stały się nieodpowiednimi narzędziami prognostycznymi, -błąd prognozy uzyskiwany za pomocą klasycznych metod wynosi ok. 30%, -sieci neuronowe posiadają zdolność do generalizacji zdobytej wiedzy,