Получили первый отчет Salescast? Ожидайте неожиданного

Особенности классических прогнозов


Главная » Ресурсы » Здесь

Статистика — сложная наука. Поэтому система прогнозирования Lokad, будучи статистическим интернет-приложением, часто выдает непонятные результаты. В данной статье мы постараемся пролить свет на классические прогнозы, то есть на ежедневные, еженедельные или ежемесячные прогнозы.

Данная страница содержит информацию о классических прогнозах, которые обычно используются, для прогнозирования спроса с помощью Lokad, а не для оптимизации товарных запасов. Квантильные схемы имеют множество отличий, и для оптимизации товарных запасов рекомендуется использовать именно их.

С чего начать

Предположим, что вы уже ознакомились с рекомендациями по основам работы с Lokad и получили первый отчет в формате Microsoft Excel. Если вы не понимаете значения отдельных колонок, обратитесь к документации. Мы рекомендуем перепроверять правильность входящих данных, то есть проверять значения фактических данных, которые вы вводите в Lokad, по показателям, полученным от существующей в вашей компании системы.

Ретроспективное тестирование и выбор модели

Перед тем как поговорить непосредственно о прогнозах, давайте вкратце вспомним, как Lokad создает эти прогнозы. Наша технология прогнозирования включает в себя большую библиотеку моделей прогнозирования, от простых до очень сложных. Lokad выполняет ретроспективное тестирование для каждого временного ряда, то есть, мы берем старые данные, ограничиваем их и создаем прогноз с использованием только ограниченных данных, а затем проверяем результаты. Далее этот процесс повторяется для каждого дня, недели или месяца — в зависимости от того, какой период можно применить к имеющимся фактическим данным.

В конце концов, мы получаем показатели точности для каждого временного ряда и для каждой модели, которые позволяют выбрать самую точную модель прогнозирования. Этот механизм выбора полностью зависит от результативности. Нет необходимости применять сезонную модель отдельно к товару X; сезонность просто сама по себе учитывается в технологии прогнозирования, и выбираются те модели, которые дают лучшие результаты.

Простые прогнозы и ошибочные данные

Фактические данные практически всегда в той или иной степени ошибочны, особенно если брать в расчет наименьшие единицы, такие как SKU или отдельные товары. Синяя линия на графике ниже представляет пример временного ряда. Красная линия представляет предварительный прогноз для этого временного ряда.

Image


Данный прогноз визуально выглядит хорошо, потому что он отражает изменения, которые были отмечены в прошлом. Тем не менее, со статистической точки зрения, такой прогноз крайне неточен. Действительно, временной ряд состоит из случайных значений от 0 до 1. В нем нет какой-либо последовательности, которую можно было бы выделить, все показатели случайны.

Image


На графике, приведенном выше, мы скорректировали прогноз: теперь это прямая линия на уровне 0,5. Визуально этот прогноз расходится с фактическими данными: такая стабильность не отмечена нигде в фактических данных. Тем не менее, со статистической точки зрения, такой прогноз гораздо точнее, чем предыдущий.

Данная идея является основной для статистики (но от этого она не становится более понятной): чем больше ошибок в фактических данных о спросе, тем ровнее получаются прогнозы. Любые системы прогнозирования, которые давали бы иные результаты, были бы на самом деле менее точными.

Простые, но эффективные модели прогнозирования

Несмотря на то, что у нас есть очень сложные модели, к некоторым наборам данных до сих пор иногда применяются очень простые модели (когда они показывают более высокие результаты во время процесса подбора модели).

Отдельно можно выделить следующие модели:
  • Простой прогноз по последнему периоду (еженедельные или ежемесячные прогнозы): Такие прогнозы равномерно повторяют значения, зафиксированные на прошлой неделе или в прошлом месяце.
  • Годичный сезонный прогноз (еженедельные или ежемесячные прогнозы): Такие прогнозы повторяют значения, отмеченные за один год до составления (12 месяцев или 52 недели соответственно).
  • Циклический недельный прогноз (ежедневные прогнозы): Прогнозы повторяют значения, отмеченные за неделю до составления, учитывая показатели за каждый день недели.
  • Простой прогноз по среднему значению за год (еженедельные или ежемесячные прогнозы): Прогнозы равномерно повторяют среднестатистические значения спроса, зафиксированные за предыдущий год.

В использовании таких методов как таковых нет никаких проблем. Проблема заключается в том, чтобы вовремя подключить более сложную модель, и именно поэтому ретроспективное тестирование Lokad имеет такое большое значение.

С точки зрения клиента, простые прогнозы — особенно годичные прогнозы — очень часто считаются неудовлетворительными, например, когда в расчетах, выдаваемых Lokad, не отражаются сезонные изменения, которых ждут эксперты. В нашей технологии прогнозирования используется множество сезонных моделей, и эти модели просчитываются всегда. Таким образом, если выбирается не сезонная модель, значит, эта модель превзошла по своим результатам сезонные. Попытки использовать сезонные схемы в подобных ситуациях могут только понизить точность — здесь мы снова оговоримся, что это может быть достаточно сложным для понимания.

Колонка точности

Колонка Точность является дополнительной и не отображается по умолчанию. Она отражает предполагаемую степень ошибочности классических прогнозов. Эту функцию можно рассматривать как самодиагностику системы. Не вдаваясь в технические подробности определения показателя точности, скажем, что это процентное отношение: 100 % — прогноз абсолютно точен и 0 % — абсолютно ошибочен.

100 %-ая точность недостижима для процессов прогнозирования (статистических и прочих). В частности, если речь идет о низком товарообороте, даже небольшая ошибка (+1 единица или –1 единица) может снизить точность выраженную в процентах до уровня менее 50 %. Как бы сложно это ни было, но уровень точности в целом зависит не от метода прогнозирования, а от степени объединенности самих данных.

Например, если мы прогнозируем ежедневное потребление электроэнергии на национальном уровне, прогноз, точность которого составляет 99,5 %, может считаться достаточно плохим, тогда как при прогнозировании рекламных продаж скоропортящихся продуктов питания 30 %-ная точность прогнозов может считаться большим достижением. И все же это не означает, что более результативная модель прогнозирования может улучшить ситуацию.

Когда речь идет о прогнозировании, не существует таких понятий как абсолютно хороший или абсолютно плохой прогноз; важно лишь то, насколько хороши эти прогнозы по сравнению с текущим положением дел или с другими прогнозами.