До появления современных ИТ не было широких возможностей использовать эффективные экономико-математические модели непосредственно в процессе экономической деятельности. Кроме того, применение имевшихся моделей прогнозирования в аналитических целях не выдвигало столь высоких требований к их информационному обеспечению.

Основы технологий прогнозирования

При построении прогнозирующей системы «с нуля» необходимо разрешить целый ряд организационных и методологических вопросов. К первым можно отнести:

• - обучение пользователей методам анализа и интерпретации результатов прогнозов;
• - определение направлений движения прогнозной информации внутри предприятия, на уровне его подразделений и отдельных сотрудников, а также структуры коммуникаций с деловыми партнерами и органами власти;
• - определение сроков и периодичности проведения процедур прогнозирования;
• - разработку принципов увязки прогноза с перспективным планированием и порядок отбора вариантов полученных результатов при составлении плана развития предприятия .

Методологическими проблемами построения подсистемы прогнозирования являются:

• - разработка внутренней структуры и механизма ее функционирования;
• - организация информационного обеспечения;
• - разработка математического обеспечения.

Первая проблема наиболее сложна, так как для ее решения необходимо построить комплекс моделей прогнозирования, сферой приложения которых является система взаимосвязанных показателей. Проблема систематизации и оценки методов прогнозирования выступает здесь как одна из центральных, так как для выбора конкретного метода необходимо проводить их сравнительный анализ. Вариант классификации методов прогнозирования, учитывающий особенности системы знаний, которая лежит в основе каждой группы, укрупненно может быть представлен следующим образом: методы экспертных оценок; методы логического моделирования; математические методы.

Каждая группа пригодна для решения определенного круга задач. Поэтому практика выдвигает следующие требования к используемым методам: они должны быть ориентированы на конкретный объект прогнозирования, должны опираться на количественную меру адекватности, быть дифференцированными по точности оценок и горизонту прогнозирования.

Основные задачи, возникающие в процессе создания прогнозирующей системы, подразделяются на:

• - построение системы прогнозируемых процессов и показателей;
• - разработку аппарата экономического и математического анализа прогнозируемых процессов и показателей;
• - конкретизацию метода экспертных оценок, выделение показателей для экспертизы и получение экспертных оценок некоторых прогнозируемых процессов и показателей;
• - прогнозирование показателей и процессов с указанием доверительных интервалов и точностей;
• - разработку методик интерпретации и анализа полученных результатов.

Отдельного внимания заслуживают работы по информационному и математическому обеспечению прогнозирующей системы. Процесс создания математического обеспечения можно представить в виде следующих этапов:

• - разработка методики структурной идентификации объекта прогнозирования;
• - разработка методов параметрической идентификации объекта прогнозирования;
• - разработка методов прогнозирования тенденций;
• - разработка методов прогнозирования гармонических составляющих процессов;
• - разработка методов оценки характеристик случайных составляющих процессов;
• - создание комплексных моделей для прогнозирования показателей, образующих взаимосвязанную систему .

Создание прогнозирующей системы требует комплексного подхода к решению проблемы ее информационного обеспечения, под которым обычно понимается совокупность исходных данных, используемых для получения прогнозов, а также методов, способов и средств, обеспечивающих сбор, накопление, хранение, поиск и передачу данных в процессе функционирования прогнозирующей системы и ее взаимодействия с другими системами управления предприятием.

Информационное обеспечение системы обычно включает:

• - информационный фонд (базу данных);
• - источники формирования информационного фонда, потоки и способы поступления данных;
• - методы накопления, хранения, обновления и поиска данных, образующих информационный фонд;
• - методы, принципы и правила циркуляции данных в системе;
• - методы обеспечения достоверности данных на всех этапах их сбора и обработки;
• - методы информационного анализа и синтеза;
• - способы однозначного формализованного описания экономических данных .

Таким образом, для реализации процесса прогнозирования требуются следующие основные компоненты:

• - источники внутренней информации, которая основывается на системах управленческого и бухгалтерского учета;
• - источники внешней информации;
• - специализированное программное обеспечение, реализующее алгоритмы прогнозирования и анализ результатов.

Учитывая важность решения задачи прогнозирования для субъектов рынка, целесообразно проверку качества предлагаемых методов и алгоритмов, а также технологий в целом осуществлять по специально подобранным (тестовым) исходным данным. Аналогичный путь верификации достаточно давно используется при оценке адекватности математических инструментов, предназначенных для нелинейной оптимизации, например с помощью функций Розенброка и Пауэла .

Подтверждение (или верификация) качества и работоспособности технологии прогнозирования осуществляется обычно сравнением априорно известных модельных данных с их прогнозируемыми значениями и оценкой статистических характеристик точности прогнозов. Рассмотрим этот прием в ситуации, когда модели процессов представляют собой аддитивную совокупность тренда Tt, сезонной (гармонической) и случайной составляющих.

В настоящее время распространение получили самые различные программные средства, обеспечивающие в той или иной мере сбор и аналитическую обработку информации. Одни их них, например MS Excel, оснащены встроенными статистическими функциями и средствами программирования. Другие же, особенно недорогие программы бухгалтерского и управленческого учета, такими возможностями не обладают или аналитические возможности реализованы в них недостаточно, а иногда и некорректно. Впрочем, это присуще, к сожалению, и некоторым более мощным и многофункциональным системам управления предприятием. Такое положение объясняется, по всей видимости, неглубоким анализом со стороны разработчиков свойств выбранных ими алгоритмов прогнозирования и их некритическим применением. Например, судя по доступным источникам, часто в основе прогнозирующих алгоритмов используется экспоненциальное сглаживание нулевого порядка. Однако данный подход правомочен только при отсутствии тенденции изучаемого процесса. На самом же деле экономические процессы являются нестационарными, и прогнозирование подразумевает использование более сложных моделей, чем модели с постоянным трендом.

Интересно в ракурсе рассматриваемой темы проследить путь развития отечественных автоматизированных банковских систем. Первые банковские системы основывались на жесткой технологии, постоянно требуя внесения изменений или дополнительного программного обеспечения. Это побудило разработчиков финансового программного обеспечения, следуя принципам открытости, масштабируемости и гибкости, использовать промышленные СУБД. Однако сами по себе эти СУБД оказались непригодны к решению аналитических задач высокого уровня, к которым относится проблема прогнозирования. Для этого пришлось использовать дополнительно технологии хранилищ данных и оперативной аналитической обработки, обеспечивших работу систем поддержки принятия решений финансово-кредитных учреждений и составления прогнозов. Такой же подход используется и в комплексных системах управления предприятиями.

Другим направлением современного прикладного использования методов прогнозирования на основе ИТ является решение широкого круга маркетинговых задач. Иллюстрацией может служить программное обеспечение SAS Churn Management Solution for Telecommunications. Оно предназначено для телекоммуникационных операторов и позволяет, как утверждается его разработчиками, строить прогностические модели и с их помощью оценивать вероятность оттока отдельных категорий клиентов. Основу этого программного обеспечения составляет сервер распределенной базы данных Scalable Performance Data Server, средства для построения и администрирования хранилищ и витрин данных, инструментарий интеллектуального анализа данных Enterprise Miner, система поддержки принятия решений SAS/MDDB Server, а также вспомогательные средства.

Для обеспечения конкурентоспособности новомодных CRM-систем в список их расширенных возможностей, так же как и для автоматизированных банковских систем, включены функции отчетности, использующие технологии OLAP и позволяющие в определенной степени осуществлять прогнозирование результатов маркетинга, продаж и обслуживания клиентов.

Существует достаточно много специализированных программных продуктов, обеспечивающих статистическую обработку численных данных, включая отдельные элементы прогнозирования. К таким продуктам относятся SPSS, Statistica и др. Эти средства имеют как достоинства, так и недостатки, существенно ограничивающие сферу их практического применения. Здесь необходимо отметить, что оценка приспособленности специализированных математических и статистических программных средств для решения задач прогнозирования обычными пользователями, не имеющими специальной подготовки, требует отдельного серьезного исследования и обсуждения .

Однако решение задач прогнозирования для потребителей из малого и среднего бизнеса с помощью мощных и дорогостоящих информационных систем и технологий практически невозможно в первую очередь по финансовым соображениям. Поэтому весьма перспективным направлением является развитие аналитических возможностей существующих и широко распространенных недорогих систем бухгалтерского и управленческого учета. Разрабатываемые дополнительные отчеты, основанные на конкретных бизнес-процессах и содержащие необходимую аналитическую информацию для конкретного пользователя, имеют высокое отношение «эффективность - стоимость».

Некоторыми разработчиками программного обеспечения создаются целые линейки аналитических средств. Например, корпорация «Парус» предлагает для широкого круга пользователей из малого и среднего бизнеса решения «Парус-Аналитика» и «Триумф-Аналитика». Более сложные задачи аналитической обработки прогнозной информации интегрированы в систему «Парус» в виде так называемого ситуационного центра. По словам Дмитрия Сударева, менеджера по развитию тиражных решений, было принято решение разработать и внедрить программные продукты, позволяющие перейти от простого учета фактов в деятельности предприятия к анализу информации. При этом был запланирован переход от автоматизации работы бухгалтеров и менеджеров среднего звена к обработке информации для высшего менеджмента. С учетом возможного круга потребителей «Парус-Аналитика» и «Триумф-Аналитика» особых требований к программно-аппаратному окружению не предъявляют, однако решение «Триумф-Аналитика» реализовано на базе MS SQL Server, что обеспечивает ему более широкие возможности по прогнозированию исследуемых процессов, в частности, учитывается гармоническая составляющая прогнозов .

Ценность прогноза многократно увеличивается, когда он непосредственно используется при управлении предприятием. Поэтому важным направлением является интеграция прогнозирующих систем с такими системами, как «Касатка», MS Project Expert и др. Например, программное обеспечение «Касатка» компании SBI позиционируется как автоматизированное рабочее место руководителя и специалистов отдела маркетинга и предназначено для разработки комплексов менеджмента, маркетинга и стратегического планирования. Такое целевое назначение предопределяет необходимость выявления долгосрочных тенденций и их учета при планировании. Горизонт прогнозирования при этом определяется исходя из соответствующих целей организации.

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Подобные документы

Теоретические основы прогнозирования и его основные методы, этапы и типы прогнозов. Методы прогнозирования деловой среды. Анализ практического использования метода "дерева" решений в принятии управленческих решений на примере компании "Чита-Спецстрой".

курсовая работа , добавлен 05.05.2011


Сущность экономического прогнозирования, характеристика основных форм предвидения. Предвидение внутренних и внешних условий деятельности. Виды прогнозов и технология прогнозирования. Методы прогнозирования: экспертные, статистические, комбинированные.

курсовая работа , добавлен 22.12.2009


Точность при принятии решений. Основы прогнозирования, статистического и регрессионного анализа посредством программного обеспечения на примере продажах топлива на автоматической АЗС. Трендовое прогнозирование и прогнозирование методом авторегрессии.

курсовая работа , добавлен 04.06.2015


Методы прогнозирования при разработке управленческих решений. Роль прогнозирования в региональных социально-экономических управленческих процессах. Пути совершенствования планово-прогностической деятельности в управлении устойчивым развитием региона.

курсовая работа , добавлен 10.04.2014


Процесс управления предприятием - разработка на основе анализа ситуации управленческих решений. Методы прогнозирования в организации: задачи, целесообразность применения, результаты. Экспертные оценки в принятии плановых решений, экстраполяция трендов.

курсовая работа , добавлен 02.03.2012


Эволюция, понятие и сущность прогнозирования и планирования деятельности предприятия. Структура экономического предвидения. Отличительные черты метода сценариев, а также технологического, экспертного, изыскательского, нормативного метода прогнозирования.

реферат , добавлен 15.04.2011


Сущность и классификация рисков. Приемы разработки и выбора управленческих решений в условиях риска. Основная характеристика туристической фирмы. Риск при принятии управленческих решений в туристической фирме ООО "Туристическая Компания Романовой Ольги".

курсовая работа , добавлен 21.01.2014


Прогнозирование в инновационной деятельности, классификация прогнозов по времени и масштабу действия. Прогнозирование обеспечения инноваций, их социальных и экологических последствий. Определение и оценка инновационного потенциала проекта, его параметров.

курсовая работа , добавлен 24.07.2009

Необходимость прогнозирования объективна. Будущее многих явлений неизвестно, но весьма важно для решений, принимаемых в настоящий момент.

Необходимость прогнозирования объективна. Будущее многих явлений неизвестно, но весьма важно для решений, принимаемых в настоящий момент. К процессам, настоятельно требующим применения процедур прогнозирования, относится и экономическая деятельность. Однако все этапы прогнозирования, в том числе его организация, обеспечение и интерпретация результатов далеко не тривиальны. И весьма существенную помощь в этом могут оказать ИТ.

Прогнозирование: успехи и неудачи

К настоящему времени проведено достаточно много исследований и получены впечатляющие практические решения проблемы прогнозирования в науке, технике, экономике, демографии и других областях. Внимание к этой проблеме обусловлено в том числе масштабами современной экономики, потребностями производства, динамикой развития общества, необходимостью совершенствования планирования на всех уровнях управления, а также накопленным опытом. Прогнозирование - один из решающих элементов эффективной организации управления отдельными хозяйствующими субъектами и экономическими сообществами вследствие того, что качество принимаемых решений в большой степени определяется качеством прогнозирования их последствий. Поэтому решения, принимаемые сегодня, должны опираться на достоверные оценки возможного развития изучаемых явлений и событий в будущем.

Совершенствование прогнозирования многими специалистами видится в развитии соответствующих информационных технологий. Необходимость их применения обусловлена рядом причин, в числе которых:

• рост объемов информации;
• сложность алгоритмов расчета и интерпретации результатов;
• высокие требования к качеству прогнозов;
• необходимость использования результатов прогнозирования для решения задач планирования и управления.

Периодически появляются сведения о положительных результатах, достигнутых той или иной компанией. В ряде публикаций отмечается, что успешная оценка тенденций рыночной ситуации, спроса на товары или услуги, а также иных экономических процессов и характеристик позволяет получить существенный прирост прибыли, улучшить другие экономические показатели. Механизм успеха на первый взгляд прост и понятен: предполагая, что произойдет в будущем, можно своевременно предпринять эффективные меры, используя позитивные тенденции и компенсируя отрицательные процессы и явления.

Однако существуют и негативные примеры. Как ранее отмечал журнал «Директор информационной службы» , компания Cisco, в свое время провозглашенная символом новой экономики, не только не смогла предвидеть экономический спад 2001 года, но и оказалась даже в худшем положении, чем другие, так как считала свое программно-методическое обеспечение прогнозирования спроса безупречным. Менеджмент компании не предполагал, что одной из причин ее кризиса могут быть используемые методы и технологии прогнозирования. В результате допущенной аналитической ошибки было списано товаров на 2,2 млрд. долл., уволено около 20% сотрудников, а акции компании подешевели почти в шесть раз. Таким образом, причина кризиса Cisco лежит не в задержках получения или недостаточном объеме исходной информации, необходимой для работы аналитиков компании. Трудности возникли, очевидно, из-за методических ошибок и неадекватной оценки получаемых прогнозов. Можно предположить, что использовавшаяся Cisco модель не обеспечивала необходимый уровень адаптации прогнозных оценок к текущему изменению рыночной ситуации.

Обеспечение качества прогнозирования

Точность, достоверность и оперативность, впрочем, как и иные составляющие качества прогнозирования, обеспечиваются рядом факторов, среди которых необходимо выделить:

• программное обеспечение, в основе которого лежат адекватные реальности экономико-математические модели;n полноту охвата и надежность источников исходной информации, на которой основана работа алгоритмов прогнозирования;
• оперативность обработки внутрифирменной и внешней информации;
• умение критически анализировать прогнозные оценки;
• своевременность внесения необходимых изменений в методическое и информационное обеспечение прогнозирования.

В основе специального программного обеспечения лежат тщательно подобранные модели, методы и методики. Их реализация крайне важна для получения качественных прогнозов при решении задач текущего и стратегического планирования. Анализ сложившейся ситуации показывает, что трудности при внедрении ИТ, обеспечивающих прогнозирование экономических процессов, носят не только технический или методический, но и организационно-психологический характер. Потребители результатов подчас не понимают принципов используемых моделей, их формализацию и объективно существующие ограничения. Это, как правило, порождает недоверие к полученным результатам. Другая группа проблем внедрения связана с тем, что прогнозирующие модели нередко носят замкнутый, автономный характер и поэтому их обобщение с целью развития и взаимной адаптации затруднительно. Следовательно, компромиссным решением может оказаться поэтапный подход с выделением главных аналитических задач.

Однако готовых тиражируемых или корпоративных решений, обеспечивающих прогнозирование для малых и средних экономических субъектов на системном уровне с высоким качеством и доступных им по цене, практически нет. В настоящее время автоматизированные системы управления предприятием ограничиваются в основном элементарными задачами учета и контроля. Причина такого положения в том, что до появления современных ИТ не было широких возможностей использовать эффективные экономико-математические модели непосредственно в процессе экономической деятельности. Кроме того, применение имевшихся моделей прогнозирования в аналитических целях не выдвигало столь высоких требований к их информационному обеспечению .

Основы технологий прогнозирования

При построении прогнозирующей системы «с нуля» необходимо разрешить целый ряд организационных и методологических вопросов. К первым можно отнести:

• обучение пользователей методам анализа и интерпретации результатов прогнозов;
• определение направлений движения прогнозной информации внутри предприятия, на уровне его подразделений и отдельных сотрудников, а также структуры коммуникаций с деловыми партнерами и органами власти;
• определение сроков и периодичности проведения процедур прогнозирования;
• разработку принципов увязки прогноза с перспективным планированием и порядок отбора вариантов полученных результатов при составлении плана развития предприятия.

Методологическими проблемами построения подсистемы прогнозирования являются:

• разработка внутренней структуры и механизма ее функционирования;
• организация информационного обеспечения;
• разработка математического обеспечения.

Первая проблема наиболее сложна , так как для ее решения необходимо построить комплекс моделей прогнозирования, сферой приложения которых является система взаимосвязанных показателей. Проблема систематизации и оценки методов прогнозирования выступает здесь как одна из центральных, так как для выбора конкретного метода необходимо проводить их сравнительный анализ. Вариант классификации методов прогнозирования, учитывающий особенности системы знаний, которая лежит в основе каждой группы, укрупненно может быть представлен следующим образом : методы экспертных оценок; методы логического моделирования; математические методы.

Каждая группа пригодна для решения определенного круга задач. Поэтому практика выдвигает следующие требования к используемым методам: они должны быть ориентированы на конкретный объект прогнозирования, должны опираться на количественную меру адекватности, быть дифференцированными по точности оценок и горизонту прогнозирования.

Основные задачи, возникающие в процессе создания прогнозирующей системы, подразделяются на :

• построение системы прогнозируемых процессов и показателей;
• разработку аппарата экономического и математического анализа прогнозируемых процессов и показателей;
• конкретизацию метода экспертных оценок, выделение показателей для экспертизы и получение экспертных оценок некоторых прогнозируемых процессов и показателей;
• прогнозирование показателей и процессов с указанием доверительных интервалов и точностей;
• разработку методик интерпретации и анализа полученных результатов.

Отдельного внимания заслуживают работы по информационному и математическому обеспечению прогнозирующей системы. Процесс создания математического обеспечения можно представить в виде следующих этапов :

1. разработка методики структурной идентификации объекта прогнозирования;
2. разработка методов параметрической идентификации объекта прогнозирования;
3. разработка методов прогнозирования тенденций;
4. разработка методов прогнозирования гармонических составляющих процессов;
5. разработка методов оценки характеристик случайных составляющих процессов;
6. создание комплексных моделей для прогнозирования показателей, образующих взаимосвязанную систему.

Создание прогнозирующей системы требует комплексного подхода к решению проблемы ее информационного обеспечения, под которым обычно понимается совокупность исходных данных, используемых для получения прогнозов, а также методов, способов и средств, обеспечивающих сбор, накопление, хранение, поиск и передачу данных в процессе функционирования прогнозирующей системы и ее взаимодействия с другими системами управления предприятием.

Информационное обеспечение системы обычно включает :

Информационный фонд (базу данных);

Источники формирования информационного фонда, потоки и способы поступления данных;

Методы накопления, хранения, обновления и поиска данных, образующих информационный фонд;

Методы, принципы и правила циркуляции данных в системе;

Методы обеспечения достоверности данных на всех этапах их сбора и обработки;

Методы информационного анализа и синтеза;

Способы однозначного формализованного описания экономических данных.

Таким образом, для реализации процесса прогнозирования требуются следующие основные компоненты:

Источники внутренней информации, которая основывается на системах управленческого и бухгалтерского учета;

Источники внешней информации;

Специализированное программное обеспечение, реализующее алгоритмы прогнозирования и анализ результатов.

Кроме указанных компонентов должны использоваться соответствующие технологии хранения, обмена и представления информации.

Подтверждение качества прогнозирования

Учитывая важность решения задачи прогнозирования для субъектов рынка, целесообразно проверку качества предлагаемых методов и алгоритмов, а также технологий в целом осуществлять по специально подобранным (тестовым) исходным данным. Аналогичный путь верификации достаточно давно используется при оценке адекватности математических инструментов, предназначенных для нелинейной оптимизации, например с помощью функций Розенброка и Пауэла.

Подтверждение (или верификация) качества и работоспособности технологии прогнозирования осуществляется обычно сравнением априорно известных модельных данных с их прогнозируемыми значениями и оценкой статистических характеристик точности прогнозов. Рассмотрим этот прием в ситуации, когда модели процессов представляют собой аддитивную совокупность тренда Tt, сезонной (гармонической) и случайной составляющих.

На рис. 1 в качестве иллюстрации тенденции аддитивной модели представлен параболический тренд второго порядка, на рис. 2 - сезонная составляющая процесса с периодом 12 месяцев, а на рис. 3 - случайный компонент. Сравнение фактической реализации процесса с его прогнозом, осуществленным в рамках методологии краткосрочного прогнозирования, приведено на рис. 4. Абсолютные ошибки проиллюстрированы на рис. 5. Качество технологии оценивается по статистическим характеристикам погрешностей оценок прогнозов.

Практика и перспективы развития прогнозирования в тиражируемых и корпоративных системах

В настоящее время распространение получили самые различные программные средства, обеспечивающие в той или иной мере сбор и аналитическую обработку информации. Одни их них, например MS Excel, оснащены встроенными статистическими функциями и средствами программирования. Другие же, особенно недорогие программы бухгалтерского и управленческого учета, такими возможностями не обладают или аналитические возможности реализованы в них недостаточно, а иногда и некорректно. Впрочем, это присуще, к сожалению, и некоторым более мощным и многофункциональным системам управления предприятием, что нашло подтверждение на прошедших выставках «Аптека 2001» (ноябрь-декабрь 2001 года) и «Бухгалтерский учет и аудит 2002» (январь 2002 года). Такое положение объясняется, по всей видимости, неглубоким анализом со стороны разработчиков свойств выбранных ими алгоритмов прогнозирования и их некритическим применением. Например, судя по доступным источникам, часто в основе прогнозирующих алгоритмов используется экспоненциальное сглаживание нулевого порядка. Однако данный подход правомочен только при отсутствии тенденции изучаемого процесса . На самом же деле экономические процессы являются нестационарными, и прогнозирование подразумевает использование более сложных моделей, чем модели с постоянным трендом .

Интересно в ракурсе рассматриваемой темы проследить путь развития отечественных автоматизированных банковских систем. Первые банковские системы основывались на жесткой технологии, постоянно требуя внесения изменений или дополнительного программного обеспечения. Это побудило разработчиков финансового программного обеспечения, следуя принципам открытости, масштабируемости и гибкости, использовать промышленные СУБД. Однако сами по себе эти СУБД оказались непригодны к решению аналитических задач высокого уровня, к которым относится проблема прогнозирования . Для этого пришлось использовать дополнительно технологии хранилищ данных и оперативной аналитической обработки, обеспечивших работу систем поддержки принятия решений финансово-кредитных учреждений и составления прогнозов. Такой же подход используется и в комплексных системах управления предприятиями.

Другим направлением современного прикладного использования методов прогнозирования на основе ИТ является решение широкого круга маркетинговых задач. Иллюстрацией может служить программное обеспечение SAS Churn Management Solution for Telecommunications. Оно предназначено для телекоммуникационных операторов и позволяет, как утверждается его разработчиками, строить прогностические модели и с их помощью оценивать вероятность оттока отдельных категорий клиентов. Основу этого программного обеспечения составляет сервер распределенной базы данных Scalable Performance Data Server, средства для построения и администрирования хранилищ и витрин данных, инструментарий интеллектуального анализа данных Enterprise Miner, система поддержки принятия решений SAS/MDDB Server, а также вспомогательные средства . Для обеспечения конкурентоспособности новомодных CRM-систем в список их расширенных возможностей, так же как и для автоматизированных банковских систем, включены функции отчетности, использующие технологии OLAP и позволяющие в определенной степени осуществлять прогнозирование результатов маркетинга, продаж и обслуживания клиентов .

Существует достаточно много специализированных программных продуктов, обеспечивающих статистическую обработку численных данных, включая отдельные элементы прогнозирования. К таким продуктам относятся SPSS, Statistica и др. Эти средства имеют как достоинства, так и недостатки, существенно ограничивающие сферу их практического применения. Здесь необходимо отметить, что оценка приспособленности специализированных математических и статистических программных средств для решения задач прогнозирования обычными пользователями, не имеющими специальной подготовки, требует отдельного серьезного исследования и обсуждения .

Однако решение задач прогнозирования для потребителей из малого и среднего бизнеса с помощью мощных и дорогостоящих информационных систем и технологий практически невозможно в первую очередь по финансовым соображениям. Поэтому весьма перспективным направлением является развитие аналитических возможностей существующих и широко распространенных недорогих систем бухгалтерского и управленческого учета. Разрабатываемые дополнительные отчеты, основанные на конкретных бизнес-процессах и содержащие необходимую аналитическую информацию для конкретного пользователя, имеют высокое отношение «эффективность - стоимость».

Некоторыми разработчиками программного обеспечения создаются целые линейки аналитических средств. Например, корпорация «Парус» предлагает для широкого круга пользователей из малого и среднего бизнеса решения «Парус-Аналитика» и «Триумф-Аналитика». Более сложные задачи аналитической обработки прогнозной информации интегрированы в систему «Парус» в виде так называемого ситуационного центра. По словам Дмитрия Сударева, менеджера по развитию тиражных решений, в 1997 году было принято решение разработать и внедрить программные продукты, позволяющие перейти от простого учета фактов в деятельности предприятия к анализу информации. При этом был запланирован переход от автоматизации работы бухгалтеров и менеджеров среднего звена к обработке информации для высшего менеджмента. С учетом возможного круга потребителей «Парус-Аналитика» и «Триумф-Аналитика» особых требований к программно-аппаратному окружению не предъявляют, однако решение «Триумф-Аналитика» реализовано на базе MS SQL Server, что обеспечивает ему более широкие возможности по прогнозированию исследуемых процессов, в частности, учитывается гармоническая составляющая прогнозов.

Ценность прогноза многократно увеличивается, когда он непосредственно используется при управлении предприятием. Поэтому важным направлением является интеграция прогнозирующих систем с такими системами, как «Касатка», MS Project Expert и др. Например, программное обеспечение «Касатка» компании SBI позиционируется как автоматизированное рабочее место руководителя и специалистов отдела маркетинга и предназначено для разработки комплексов менеджмента, маркетинга и стратегического планирования. Такое целевое назначение предопределяет необходимость выявления долгосрочных тенденций и их учета при планировании. Горизонт прогнозирования при этом определяется исходя из соответствующих целей организации.

Заключение

Выбор технологии прогнозирования и средств ее реализации должен проводиться в соответствии с целями и задачами конкретного потребителя, учитывать уровень информационного обеспечения, квалификацию пользователей и целый ряд других факторов. Данные причины требуют индивидуальной разработки или адаптации созданного ранее специального программного обеспечения.

Литература

Глоссарий

Прогнозирование (в экономическом планировании) - научно-аналитический этап процесса экономического планирования. Главными задачами прогнозирования при разработке хозяйственных планов являются: научный анализ социальных, экономических и научно-технических процессов и тенденций, объективных связей социально-экономических явлений в конкретных условиях, оценка сложившейся ситуации и выявление узловых проблем хозяйственного развития; оценка развития этих тенденций в будущем и предвидение новых экономических ситуаций, новых проблем, требующих своего разрешения; выявление возможных альтернатив развития для обоснованного выбора той или иной возможности и принятия оптимального решения .

Автоматизация управления - использование органами управления предприятия методов и техники автоматической переработки информации, в том числе для выработки оптимальных экономических решений. Автоматизация управления связана с внедрением экономико-математических методов и ИТ .

Информационное обеспечение системы - совокупность методов и средств отбора, классификации, хранения, поиска, обновления и обработки информации в системе. Информационное обеспечение включает: состав информации (перечень информационных единиц или совокупностей); структуру информации и закономерности ее преобразования; характеристики движения информации; характеристики качества информации; способы обработки информации. Информационное обеспечение может быть охарактеризовано в функциональном, структурном, трансформационном и организационно-методическом аспектах. Объектами трансформационного аспекта являются преобразование языка экономического управления по уровням и этапам продвижения информации в системе .

Лаг запаздывания - промежуток времени между моментом возникновения реакции системы (эффектом) на приложенное к ней воздействие и моментом его приложения. В социально-экономических системах величины лагов играют существенную роль в планировании и управлении. Особо важны запаздывания отдачи инвестиций .

Тренд (детерминированная основа прогнозируемого процесса) - общая, основная тенденция изменения динамического ряда (процесса) в течение достаточно длительного периода наблюдений за ним. Принято считать, что тренд определяется действием постоянно действующих факторов .

Гармоническая составляющая прогнозируемого процесса - составляющая, действие которой определяется факторами, имеющими периодический характер. Частный случай - сезонная составляющая, которая определяется в основном климатическими условиями и общественными традициями .

Случайная составляющая прогнозируемого процесса - отклонения фактических значений процесса от прогнозных, причины которых не установлены и не могут быть выявлены в рамках принятой модели .

Экономико-математические методы - условное название комплекса научных и прикладных дисциплин на стыке экономики и математики. Включают в себя следующие группы дисциплин: экономико-статистические методы; эконометрику; исследование операций в экономике; экономическую кибернетику .

Экспертные оценки - оценки процессов или явлений, не поддающихся непосредственному измерению. Экспертные оценки играют существенную роль при принятии решений, в том числе при прогнозировании альтернатив и их следствий .

Эвристический метод прогнозирования - использование мнения специалистов в данной области; применяется для прогнозирования процессов, формализацию которых нельзя осуществить к моменту прогнозирования. Является синонимом метода экспертных оценок .

Mатематические методы прогнозирования условно подразделяются на методы моделирования процессов развития и методы экстраполяции. В их основе используются математические инструменты .

Методы логического прогнозирования и анализа связаны прежде всего с анализом непротиворечивости хода и результатов прогнозирования. Служат в качестве обратной связи в прогнозирующей системе. Методы логического анализа, кроме того, позволяют решать самостоятельные задачи, например построения морфологических моделей, которые в дальнейшем используются в основе формализованных (математических) моделей прогнозирования .

Комбинированные методы прогнозирования - совместное использование методов эвристического и математического прогнозирования с целью объединения присущих им достоинств и компенсации недостатков .

Интервальный прогноз - область значений, в которую с заданной вероятностью попадет прогнозируемое значение при известных параметрах процесса .

Критерии качества прогнозирования - основным критерием качества является точность прогноза. Кроме того, могут использоваться критерии оперативности, достоверности и т. д. .

Ошибки прогнозирования - отличие текущего наблюдения за объектом прогнозирования от ожидаемого значения. Ошибки прогнозирования вызываются различными причинами: неопределенностью будущей ситуации; изменениями в самом объекте прогнозирования; воздействием вновь возникших факторов и др. .

Предсказание - суждение о будущем состоянии объекта, носящее в основном субъективный характер .

Модель объекта прогнозирования - использование явления изоморфизма (аналогии) для описания реального объекта прогнозирования с помощью математических соотношений и логических заключений (в более редких случаях используются физические модели). Модель представляет собой некоторую абстракцию от действительности, учитывающую только те характеристики оригинала, которые представляют интерес или оказывают существенное влияние на его развитие. Трудность выбора модели объекта прогнозирования определяется рядом факторов: информацией о процессах или объектах, подобных прогнозируемому; точностью информации о данном процессе (объекте); объемом этой информации. В настоящее время существует множество классификаций моделей прогнозирования .

Прогнозирующая система - совокупность методов, способов и средств сбора исходных данных, обработки информации и представления прогнозов с требуемым качеством .

Источники

Салаева Инга, Костюнина Дарья

В научно- исследовательской работе представлена историко-диагностическая картина качества современного прогнозирования и раскрыта технология прогнозирования с помощью программы Excel. Отчет по исследовательской работе представлен в прикрепленном файле. Продукт проектной деятельности - на школьном портале

Скачать:

Предварительный просмотр:

Открытая Международная научно-исследовательская конференция старшеклассников и студентов «Образование. Наука. Профессия»

Секция

Информационные технологии

Тема

Компьютерные технологии и прогнозирование

Костюнина Дарья

Салаева Инга

Учебное заведение

МОУ Гимназия №39 «Классическая»

Научный руководитель:

Осипова Светлана Леонидовна, учитель информатики высшей категории

г. Отрадный

Постановка задачи. Спрогнозировать сезонный объем продаж мороженого.

Исходные данные. Объемы реализации продукции по сезонам.

Алгоритм решения.

1. Данные продаж мороженого по сезонам представить в виде таблицы.
2. Определяется тренд , наилучшим образом аппроксимирующий фактические данные (в данной задаче это полиномиальный тренд)

Выводы.

Более достоверно описывает зависимость полиномиальная модель, так как ее коэффициент детерминированности R 2 ближе к 1. Чем ближе R 2 к единице, тем удачнее построена модель.

Полученная модель хорошо прогнозирует сезонные продажи мороженого. Но прогнозировать продажи в следующие сезоны сложно, так как при экстраполяции, далеко уходить от экспериментальной области не рекомендуется. Однако можно заметить, что летние продажи мороженого (особенно в июне, и в июле) будут высоки.

1. Расчет корреляционных зависимостей

Зависимости между величинами, каждая из которых подвергается не контролируемому полностью разбросу, называется корреляционными зависимостями.

Задача:

Постановка задачи . Определить зависимость успеваемости учащихся старших классов школы от двух факторов: обеспеченности школьной библиотеки учебниками и обеспеченности школы компьютерами.

Исходные данные. Результаты измерения обоих факторов в 11 разных школах.

Алгоритм решения.

1. Полученные данные представить в виде таблицы.
2. Рассчитать коэффициент по формуле корреляции. В Excel для этого есть функция КОРРЕЛ , которая входит в группу статистических функций.

Выводы.

Для обеих зависимостей получены коэффициенты линейной корреляции. Как видно из таблицы, корреляция между обеспеченностью учебниками и успеваемостью сильнее, чем корреляция между компьютерным обеспечением и успеваемостью. Можно сделать вывод, что пока еще книга остается более значимым источником знаний, чем компьютер.

1. Оптимальное планирование

Объектами планирования могут быть самые разные системы: деятельность отдельного предприятия, отрасли промышленности или сельского хозяйства, региона, наконец, государства. Так же это может быть состояние здоровья, состояние погоды. Постановка задачи планирования выглядит следующим образом:

1. имеются некоторые плановые показатели: x , y и другие;
2. имеются некоторые ресурсы: R1 , R2 и другие, за счет которых эти плановые показатели могут быть достигнуты.Эти ресурсы практически всегда ограничены;
3. имеется определенная стратегическая цель, зависящая от значений x , y и других плановых показателей, на которую следует ориентировать планирование.

Нужно определить значение плановых показателей с учетом ограниченности ресурсов при условии достижения стратегической цели. Это и будет оптимальным планом.

Выводы

Прогнозирование является неотъемлемой частью любой сферы жизни, например управления или экономики, математики или метеорологии.

При работе над проектом мы выяснили, что качественное прогнозирование различных процессов человеческой деятельности без современных компьютерных технологий не возможно. С этой целью мы изучили возможности табличного процессора MS Excel по созданию компьютерных моделей используемых при прогнозировании. Многие функции человека при управлении, планировании, прогнозировании можно переложить на компьютер.

• Tutorial

Я занимаюсь прогнозированием временных рядов уже более 5 лет. В прошлом году мною была защищена диссертация по теме «Модель прогнозирования временных рядов по выборке максимального подобия », однако вопросов после защиты осталось порядочно. Вот один из них — общая классификация методов и моделей прогнозирования .

Обычно в работах как отечественных, так и англоязычных авторы не задаются вопросом классификации методов и моделей прогнозирования, а просто их перечисляют. Но мне кажется, что на сегодняшний день данная область так разрослась и расширилась, что пусть самая общая, но классификация необходима. Ниже представлен мой собственный вариант общей классификации.

В чем разница между методом и моделью прогнозирования?

Метод прогнозирования представляет собой последовательность действий, которые нужно совершить для получения модели прогнозирования. По аналогии с кулинарией метод есть последовательность действий, согласно которой готовится блюдо — то есть сделается прогноз.

Модель прогнозирования есть функциональное представление, адекватно описывающее исследуемый процесс и являющееся основой для получения его будущих значений. В той же кулинарной аналогии модель есть список ингредиентов и их соотношение, необходимый для нашего блюда — прогноза.

Совокупность метода и модели образуют полный рецепт!

В настоящее время принято использовать английские аббревиатуры названий как моделей, так и методов. Например, существует знаменитая модель прогнозирования авторегрессия проинтегрированного скользящего среднего с учетом внешнего фактора (auto regression integrated moving average extended, ARIMAX). Эту модель и соответствующий ей метод обычно называют ARIMAX, а иногда моделью (методом) Бокса-Дженкинса по имени авторов.

Сначала классифицируем методы

Если посмотреть внимательно, то быстро выясняется, что понятие «метод прогнозирования » гораздо шире понятия «модель прогнозирования ». В связи с этим на первом этапе классификации обычно делят методы на две группы: интуитивные и формализованные .

Если мы вспомним нашу кулинарную аналогию, то и там можно разделить все рецепты на формализованные, то есть записанные по количеству ингредиентов и способу приготовления, и интуитивные, то есть нигде не записанные и получаемые из опыта кулинара. Когда мы не пользуемся рецептом? Когда блюдо очень просто: пожарить картошку или сварить пельмени — тут рецепт не нужен. Когда еще мы не пользуемся рецептом? Когда желаем изобрести что-то новенькое!

Интуитивные методы прогнозирования имеют дело с суждениями и оценками экспертов. На сегодняшний день они часто применяются в маркетинге, экономике, политике, так как система, поведение которой необходимо спрогнозировать, или очень сложна и не поддается математическому описанию, или очень проста и в таком описании не нуждается. Подробности о такого рода методах можно глянуть в .

Формализованные методы — описанные в литературе методы прогнозирования, в результате которых строят модели прогнозирования, то есть определяют такую математическую зависимость, которая позволяет вычислить будущее значение процесса, то есть сделать прогноз.

На этом общая классификация методов прогнозирования на мой взгляд может быть закончена.

Далее сделаем общую классификация моделей

Здесь необходимо переходить к классификации моделей прогнозирования. На первом этапе модели следует разделить на две группы: модели предметной области и модели временных рядов.

Модели предметной области — такие математические модели прогнозирования, для построения которых используют законы предметной области. Например, модель, на которой делают прогноз погоды, содержит уравнения динамики жидкостей и термодинамики. Прогноз развития популяции делается на модели, построенной на дифференциальном уравнении. Прогноз уровня сахара крови человека, больного диабетом, делается на основании системы дифференциальных уравнений. Словом, в таких моделях используются зависимости, свойственные конкретной предметной области. Такого рода моделям свойственен индивидуальный подход в разработке.

Модели временных рядов — математические модели прогнозирования, которые стремятся найти зависимость будущего значения от прошлого внутри самого процесса и на этой зависимости вычислить прогноз. Эти модели универсальны для различных предметных областей, то есть их общий вид не меняется в зависимости от природы временного ряда. Мы можем использовать нейронные сети для прогнозирования температуры воздуха, а после аналогичную модель на нейронных сетях применить для прогноза биржевых индексов. Это обобщенные модели, как кипяток, в которые если бросить продукт, то он сварится вне зависимости от его природы.

Классифицируем модели временных рядов

Мне кажется, что составить общую классификацию моделей предметной области не представляется возможным: сколько областей, столько и моделей! Однако модели временных рядов легко поддаются простому делению . Модели временных рядов можно разделить на две группы: статистические и структурные.

В статистических моделях зависимость будущего значения от прошлого задается в виде некоторого уравнения. К ним относятся:

1. регрессионные модели (линейная регрессия, нелинейная регрессия);
2. авторегрессионные модели (ARIMAX, GARCH, ARDLM);
3. модель экспоненциального сглаживания;
4. модель по выборке максимального подобия;
5. и т.д.

В структурных моделях зависимость будущего значения от прошлого задается в виде некоторой структуры и правил перехода по ней. К ним относятся:

1. нейросетевые модели;
2. модели на базе цепей Маркова;
3. модели на базе классификационно-регрессионных деревьев;
4. и т.д.

Для обоих групп я указала основные, то есть наиболее распространенные и подробно описанные модели прогнозирования. Однако на сегодняшний день моделей прогнозирования временных рядов имеется уже громадное количество и для построения прогнозов, например, стали использовать SVM (support vector machine) модели, GA (genetic algorithm) модели и многие другие.

Общая классификация

Таким образом мы получили следующую классификацию моделей и методов прогнозирования .

1. Тихонов Э.Е. Прогнозирование в условиях рынка. Невинномысск, 2006. 221 с.
2. Armstrong J.S. Forecasting for Marketing // Quantitative Methods in Marketing. London: International Thompson Business Press, 1999. P. 92 – 119.
3. Jingfei Yang M. Sc. Power System Short-term Load Forecasting: Thesis for Ph.d degree. Germany, Darmstadt, Elektrotechnik und Informationstechnik der Technischen Universitat, 2006. 139 p.

UPD. 15.11.2016.
Господа, дошло до маразма! Недавно мне прислали на рецензию статью для ВАКовского издания со ссылкой на эту запись. Обращаю внимание, что ни в дипломах, ни в статьях, ни тем более в диссертациях ссылаться на блог нельзя ! Если хотите ссылку, то используйте эту: Чучуева И.А. МОДЕЛЬ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ ПО ВЫБОРКЕ МАКСИМАЛЬНОГО ПОДОБИЯ, диссертация… канд. тех. наук / Московский государственный технический университет им. Н.Э. Баумана. Москва, 2012.

Теги: Добавить метки