Временной ряд (цепочка поставок)

Временные ряды – один из самых базовых и универсальных математических инструментов, используемых в бизнесе. Проще говоря, временной ряд состоит из последовательности точек данных, индексированных во времени. Таким образом, временной ряд может моделировать всё: от динамики продаж компании до изменения цен на её продукцию с годовой, месячной, дневной или даже почасовой периодичностью. Временные ряды особенно интуитивны, что делает их идеальными для описания, визуализации, моделирования и, наконец, прогнозирования ряда переменных.

Описательная статистика во временных рядах

Основное применение временных рядов – описательное. Временные ряды могут свести большое количество информации в одном графике или таблице. Однако, поскольку временные ряды особенно интуитивны, люди могут легко их упрощать или неправильно интерпретировать. Одним из источников неправильного понимания является временной интервал, используемый в ряду. Месяцы нашего календаря – это несколько произвольный способ деления времени, и не стоит полагать, что месяцы являются однородными с точки зрения бизнеса. Неравное количество дней и выходных в месяце может объяснить то, что на первый взгляд кажется несоответствием в данных. Другие явления объясняют сезонность изменчивости данных. Праздники, такие как Рождество или Черная пятница, систематически вызывают всплески продаж, как и начало месяца с выплатой заработных плат. Однако такая цикличность не обязательно укладывается в рамки нашего календаря. Традиции, такие как Рамадан или Китайский Новый год, вызывают циклические колебания данных, хотя цикл не является месячным или годовым. Более того, следует быть осторожным с поспешными выводами из временных рядов или установлением чрезмерно простых корреляций между графиками. Поэтому важно иметь в виду, что отличает одну переменную от другой (продажи от спроса или от прибыли).

Визуализация временных рядов

Временные ряды также часто используются для чтения и визуализации данных, а также для сравнения различных рядов. Однако подводные камни таких графиков заключаются в их кажущейся простоте. Поэтому могут использоваться различные методики отображения для обеспечения наилучшей визуализации данных. Например, соединение точек данных линиями создает впечатление непрерывности. Это может быть полезно, например, при изображении почасовой динамики котировок акций.

Однако в случае особенно разрывных данных гистограмма может быть более уместной.

При анализе временного ряда необходимо также уделять пристальное внимание оси x. Некоторые графики сосредоточены на небольших интервалах значений, чтобы подчеркнуть изменения в данных, с риском завышения их значимости. Другие явления, такие как экспоненциальный рост, также искажаются при использовании линейной шкалы по оси x. Поэтому можно выбрать логарифмическую шкалу, где и начальные стадии роста можно воспринимать не менее точно, чем последующие.

Моделирование и прогнозирование

Временные ряды часто используются для поддержки статистических моделей. Цель этих моделей двойственна: объяснить прошлое и предсказать будущее. В цепочке поставок прогнозирование будущего спроса необходимо для определения заказов на закупку и производство, а также для минимизации риска избыточных запасов. Обычно в рамках временного ряда выделяют основной уровень, называемый базовой линией, долгосрочную динамику, называемую трендом, циклические или периодические колебания, называемые сезонностью, и другие случайные вариации, называемые шумом. Это позволяет различать изменения в данных, связанные с регулярными циклами, и основную тенденцию к снижению или росту. Эти закономерности служат основой для экономических прогнозов.

Существует три основных типа прогнозов, каждый из которых служит своим целям.

• Точечные прогнозы предназначены для определения единственного «лучшего» будущего значения переменной с учетом заданной метрики ошибки. Так, например, прогноз погоды для каждого дня предсказывает одно значение температуры. Точечный прогноз не призван точно отразить динамику изменения этой переменной (читатель прекрасно понимает, что температура, вероятно, будет колебаться вокруг предсказанного значения), а служит полезным ориентиром для читателя и надежной основой для его будущих решений.
• Вероятностные прогнозы предоставляют полное распределение вероятностей будущего значения. Для визуализации таких прогнозов часто используются доверительные интервалы. Такие прогнозы, например, могут быть полезны для спекулятивных целей.
• Генеративные прогнозы делают эволюцию переменной выглядящей «натуральной» или «правдоподобной», допускающей определенную степень случайности и непредсказуемости. Такой «генеративный подход» может быть полезен при проведении симуляций.

Экосистема программного обеспечения для временных рядов

В настоящее время используется множество типов программного обеспечения, позволяющих учитывать сложности, связанные с временными рядами, и предоставлять модели или прогнозы, максимально соответствующие потребностям пользователей. Можно найти базы данных, инструменты с открытым исходным кодом и даже языки программирования, предназначенные исключительно для работы с временными рядами. Также разработано множество методов прогнозирования. Например, одно программное обеспечение просто оценивает будущие значения с помощью скользящего среднего, в то время как другое использует экспоненциальное сглаживание, что означает, что вес прошлых значений экспоненциально уменьшается по мере удаления этих значений во времени. Временные ряды – это чрезвычайно универсальное абстрактное понятие и базовый статистический инструмент. Однако их кажущаяся простота может ввести в заблуждение. Ряд факторов может как изменять способ представления данных, так и объяснять заметные колебания в данных. Поэтому знание методов сбора данных и осведомленность о вышеупомянутых факторах имеет решающее значение.