Прогнозирование объемов продаж автомобилей (на примере фирмы «Башавтоком»)

1. Прогнозирование объемов продаж автомобилей (на примере фирмы «Башавтоком»)

Министерство образования и науки Российской Федерации
Федеральное государственное бюджетное образовательное учреждение
Высшего профессионального образования
Уфимский государственный авиационный технический университет
Кафедра Вычислительной математики и кибернетики
Прогнозирование объемов продаж
автомобилей
(на примере фирмы «Башавтоком»)
Выполнил: студент группы
Руководитель: Сметанина Ольга Николаевна
Уфа - 2013

2. Цель: улучшение качества прогнозирования объемов продаж автомобилей с использованием современных аналитических технологий

Задачи:
Анализ деятельности торговой организации.
Анализ методов прогнозирования и отбор
методов для решения задачи:
методы прогнозирования на основе нейронных сетей;
статистические методы прогнозирования на основе
построения трендовых моделей.
Анализ
программных
средств
для
прогнозирования.
Определение прогнозного значения объема
продаж автомобилей на реальных данных
организации и принятие решения об
используемом
методе
по
критерию
минимальной ошибки при прогнозировании.
2

3. Математическая постановка задачи прогнозирования

Дано: временной ряд объемов продаж автомобилей с 2009
по 2012 годы: Y1, Y2, Y3, …., Yn
Yt = F (t) + Et , где F (t) – детерминированная функция
времени; Et – ошибка прогноза.
Е= Σ О2 : Σ (T+S)2 – среднеквадратичное отклонение.
Найти: функцию F(t), прогнозное значение F(t+1)
3

4. Классификация методов прогнозирования

Методы прогнозирования, основанные на сглаживании,
экспоненциальном сглаживании и скользящем среднем.
-Средние и скользящие средние
-Методы Хольта и Брауна
-Метод Винтерса
-Регрессионные методы прогнозирования
Методы Бокса-Дженкинса (ARIMA)
-AR(p) -авторегрессионая модель порядка p.
-MA(q) -модель со скользящим средним порядка q
Нейросетевые модели бизнес-прогнозирования
-Использование многослойных персептронов
-Использование нейронных сетей с общей регрессией
GRNN и GRNN-GA
4

5. Анализ программных средств для прогнозирования

Простота
освоения
Удобный
интерфейс
Гибкость ПП
Популярность
Наличие
лицензии
MC Excel
+
+
-
+
Нет
Deductor
+
+
+
+
Да
Statistica
+
+
-
+
Да
Sas
-
+
+
-
Да
5

6. Алгоритм построения прогноза (статистические методы)

1.Определение тренда, наилучшим образом аппроксимирующего фактические
данные.
2. Определение величины сезонной компоненты
6

7. Алгоритм построения прогноза (статистические методы)

3.Рассчитываются ошибки модели как разности между
фактическими значениями и значениями модели.
7

8. Алгоритм построения прогноза (статистические методы)

4. Построение модели прогнозирования:
F=T+S±E
где:
F– прогнозируемое значение;
Т– тренд;
S – сезонная компонента;
Е - ошибка модели.
8

9. Результаты прогнозирования объемов продаж автомобилей (статистический метод (линейный тренд))

Ниссан
Рено
Ситроен
9

10. Результаты прогнозирования объемов продаж автомобилей (статистический метод (логарифмический тренд))

Ниссан
Рено
Ситроен
10

11. Алгоритм прогнозирования на основе нейронных сетей

1) Импорт данных из текстового файла;
11

12.

Алгоритм прогнозирования
на основе нейронных сетей
2) Обработка данных, построение диаграммы;
12

13.

Алгоритм прогнозирования
на основе нейронных сетей
3)Выполнение функции «Скользящее окно»;
4) Построение нейросети;
5) Анализ диаграммы рассеивания и доверительного
интервала;
6) Построение прогноза;
7) Анализ полученных данных, вывод.
13

14. Результаты прогнозирования объемов продаж автомобилей с использованием нейронные сети

Рено
Ситроен
Ниссан
14

15. Сопоставления результатов прогнозирования продаж автомобилей марки «Ниссан»

Дата
Факт
Ошибка Н.С
Ошибка
Лин.м
сен.12
165
3.6%
12%
11%
окт.12
235
22%
0%
1.7%
ноя.12
240
7.9%
2%
5%
дек.12
258
1.9%
8.9%
6%
Ошибка Лог.м
15

16. Сопоставления результатов прогнозирования продаж автомобилей марки «Ситроен»

Дата
Факт
сен.12
82
окт.12
88
ноя.12
91
дек.12
101
Ошибка Н.С Ошибка Лин.м Ошибка Лог.м
11%
21%
7%
5%
0%
23%
1%
4%
24%
10%
7%
37%
16

17. Сопоставления результатов прогнозирования продаж автомобилей марки «Рено»

Дата
Факт
Ошибка Н.С
Ошибка
Лин.м
Ошибка
Лог.м
сен.12
185
9%
4%
45%
окт.12
215
5%
9%
7%
ноя.12
230
8%
0.8%
6%
дек.12
272
19%
1%
21%
17

18. Выводы

o
o
o
o
В ходе проделанной работы был произведен
анализ деятельности предприятия.
Рассмотрены методы построения прогноза,
основанные
на
трендовых
моделях
и
нейронной
сети,
на
реальных
данных,
представленных
компанией
«Башавтоком»
(модели автомобилей Рено, Ниссан, Ситроен).
Проведен анализ возможностей программных
средств для построения прогноза, в частности
пакетов:MS Excel и Deductor.
Произведена оценка значимости каждого из
рассмотренных
методов
на
примере
используемых временных рядов.
18