- •Министерство образования и науки украины
- •Содержание
- •1.2. Классификация и основные виды бизнес - процессов.
- •1.3. Описание организационной структуры
- •5. Структурные схемы.
- •2. Задание
- •Лабораторная работа № 2 Базовые технологии автоматизации задач управления. Анализ данных и принятие решений средствами ms Office
- •1. Теоретические сведения
- •1.1. Сводные таблицы для анализа данных
- •Структура сводной таблицы
- •1.2. Многомерные (olap) источники данных
- •2. Построение сводной таблицы
- •2.1. Создадим базу данных
- •2.2. Построим сводную таблицу
- •2.3. Повышение наглядности и удобства получения данных
- •2.4. Анализ данных
- •Инструментальная панель "Сводные таблицы"
- •Сводные диаграммы
- •2.5. Построение olap-куба
- •3. Задание
- •Варианты заданий
- •Лабораторная работа № 3 Анализ данных и прогноз для целей управления
- •1. Теоретические сведения
- •1.1. Методы прогнозирования
- •1.2. Методы краткосрочного прогноза
- •1.3. Метод экспоненциального сглаживания
- •Прогнозирование нестационарных показателей
- •1.5. Сезонный спрос
- •1.6. Среднесрочный прогноз и методы регрессионного анализа
- •2. Встроенные функции Excel и прогнозирование
- •2.1. Функция линейн
- •Пример выполнения задачи прогнозирования Прогноз произведем на основании уравнения регрессии (применения функции линейн в задаче прогнозирования)
- •2.2. Функция тенденция
- •2.3. Функция предсказ
- •4. Практический алгоритм решения задачи Прогнозирования
- •Задание
- •Лабораторная работа № 4
- •1.3. Пример использование таблицы подстановок
- •2. Сценарии
- •3.Оптимизация и анализ "Что, если ...?"
- •4. Задание
- •Варианты заданий
1.1. Методы прогнозирования
Временные ряды позволяют анализировать прошлое и настоящее.
Прогнозирование - это способ заглянуть в будущее. Любая направленная деятельность предполагает построение прогноза параметров, определяющих эту деятельность. Существуют два пути прогнозирования.
Первый - построить модель поведения исследуемого параметра (например показателя затрат, спроса и т.д.), основанную на причинно-следственных связях, изучении законов его поведения.
Второй путь - статистическое прогнозирование, позволяет предсказать будущее поведение, анализируя полученную статистику поведения в прошлом. Статистическое прогнозирование - неотъемлемый атрибут экономической деятельности любого предприятия. Подобный прогноз может быть краткосрочным или среднесрочным. В первом случае прогноз базируется на данных за короткий период времени (например, месяц) и строится на один-два момента вперед. Такой прогноз обычно должен быть оперативным и непрерывным. Среднесрочный прогноз определяет поведение в отдаленном будущем, скажем, на год вперед. Он требует больше данных и специальных методов, отличных от методов краткосрочного прогноза.
1.2. Методы краткосрочного прогноза
Применяемые при краткосрочном прогнозе методы основываются на разных моделях поведения показателей (например, спроса). Наиболее часто используются модели:
устойчивого (постоянного) спроса;
линейно изменяющегося спроса (возрастающего или убывающего);
сезонного спроса;
комбинации этих моделей.
1.3. Метод экспоненциального сглаживания
В модели устойчивого спроса методы прогноза основаны на скользящем среднем, где вычисляется средневзвешенное значение по результатам предыдущих измерений. Весь вопрос в том, какой временной интервал учитывать и какие веса приписывать данным. Один из простых и лучших методов - экспоненциальное сглаживание, описываемое соотношением:
Pt = α St + (1 – α )Pt-1 (3.3)
где St - фактический спрос в момент времени t, а Pt - его оценка, экстраполируемая на будущее. Формула показывает, что оценка является взвешенной суммой последнего полученного значения спроса и предыдущей оценки. Параметром метода, устанавливаемым эмпирически, является весовой коэффициент α. Чем меньше α, тем большее значение придается прошлым данным. Если же большего доверия заслуживают последние данные, α следует увеличивать. Рекомендуемые значения обычно выбираются из интервала0.1-0.5.
Метод Чоу адаптивного прогнозирования позволяет подбирать α в процессе прогноза. Его суть состоит в том, чтобы одновременно вести три прогноза с разными значениями α, например 0.1, 0.15 и 0.2. Если реальный спрос ближе к одной из границ, скажем, верхней, система перестраивается, и новыми значениями α будут 0.15, 0.2 и 0.25.
Прогнозирование нестационарных показателей
Чаще всего среднее значение спроса с течением времени меняется. Такое изменяющееся среднее принято называть трендом. Для краткосрочного прогноза часто достаточно ограничиться линейным трендом. Наиболее распространены две модели линейного тренда. При линейно-аддитивном тренде среднее изменяется на постоянную величину за время dt. В линейно-мультипликативной модели тренд меняется на постоянный процент, например, ежемесячно спрос может возрастать на 2%.
Рассмотрим подробнее линейно-аддитивную модель, при которой спрос меняется по формуле:
St = a + b * t + et (3.4)
где et - ошибка измерения. Если параметры модели a и b постоянны, их оценки можно получить по методу наименьших квадратов. Именно такие оценки реализованы в стандартных функциях Excel, предназначенных для прогнозирования
Однако можно рассматривать методы, когда предполагается, что и сами параметры меняются во времени. Метод, предложенный Холтом, использует ту же идею взвешенного суммирования, примененную в экспоненциальном сглаживании. Вот соотношения для расчета оценки прогноза и оценки параметра b:
Pt = α*St + (1- α)*(St -1 + bt -1 * dt) (3.5)
bt = β*(Pt - Pt -1)/ dt + (1-β)* bt -1 (3.6)
где dt - временной интервал между двумя последними измерениями. Прогнозируемое значение на момент времени t+t1 вычисляется по формуле:
Ft + t1 = Pt + bt * t1 (3.7)
Некоторым недостатком метода является необходимость эмпирического задания двух констант α и β, задающих веса. В методе двойного сглаживания Брауна достаточно ввести одну константу. Прогнозируемое значение здесь вычисляется по формуле:
Ft + t1 = 2Pt - Qt + bt * t1 (3.8)
Двойное экспоненциально взвешенное среднее вычисляется из соотношения:
Qt = α Pt + (1-- α)Qt-1 (3.9)
Оценка коэффициента bt дается формулой:
bt = α /(1-- α)*( Pt -Qt) (3.10)
Есть и другие модели краткосрочного прогнозирования тренда, например, методы Бокса-Дженкинса.