Методы прогнозирования: Тренинг

День 1. Азы прогнозирования и анализа, подготовка данных. Метод сезонной декомпозиции

• Процесс прогнозирования: технология "Пять шагов"
• Правила подготовки исходных данных для прогнозирования в SPSS. Работа с пропущенными данными
• Основные статистические показатели и графики, используемые при прогнозировании: среднее значение, медиана, квартили, стандартное отклонение, стандартная ошибка, размах, гистограмма (histogram), вероятностный график (Q-Q plot), ящичная диаграмма (boxplot), диаграмма последовательности (sequence chart), диаграмма рассеяния (scatterplot)
• Графический анализ исходных данных с целью выявления тренда, сезонности и других компонент
• Доверительный интервал прогноза
• Точность модели и точность прогнозов. Показатели: MAPE, MAD и другие
• Подходы к выбору адекватного показателя оценки точности модели и прогноза
• Прогнозирование на основе метода сезонной декомпозиции: пошаговый алгоритм прогнозирования в SPSS, правила выбора вида тренда и типа сезонности, сезонные факторы и их практическое использование, плюсы и минусы подхода
• Оценка качества прогнозной модели.
• Правила графического анализа остатков: histogram, scatterplot, график автокорреляции (ACF plot)

Пример в SPSS. Изучаем изменчивость цен по регионам. Рассчитываем и интерпретируем основные статистические показатели. Строим графики.
Пример в SPSS. Изучаем динамику продаж. Учимся анализировать колебания продаж и формировать правильные ожидания
Пример в SPSS. Проводим графический анализ динамики числа клиентов. Самостоятельно учимся определять наличие тренда, сезонности, структурных сдвигов и выбросов.
Пример в SPSS. Проводим сезонную декомпозицию на основе истории продаж. Учимся интерпретировать результаты.
Пример в SPSS. Проводим сезонную декомпозицию и строим прогноз на несколько месяцев. Оцениваем качество построенной модели.

День 2. Прогнозирование методом экспоненциального сглаживания. Регрессионный анализ

• Прогнозирование на основе метода экспоненциального сглаживания: идея метода: четыре параметра сглаживания, пошаговый алгоритм в SPSS, оценка адекватности моделей: критерий Льюинга-Бокса, значимость параметров, влияние горизонта прогноза на точность прогнозов, плюсы и минусы подхода
• Критерии выбора между экспоненциальным сглаживанием и сезонной декомпозицией
• Многофакторный регрессионный анализ: идея и требования к исходным данным
• Пошаговый алгоритм прогнозирования на основе регрессионного анализа в SPSS
• Диагностика и решение проблемы взаимозависимых факторов (мультиколлинеарность)
• Правила оценки качества модели: анализ остатков, ANOVA, R-квадрат и скорректированный R-квадрат
•   План действий при «плохих» остатках модели
• Интерпретация коэффициентов регрессионного уравнения: как влияют факторы на отклик, ранжирование факторов по силе влияния
• Учет в регрессии сезонности разного типа
• Плюсы и минусы прогнозирования на основе регрессионного анализа

Пример в SPSS. Строим прогноз на несколько месяцев с помощью экспоненциального сглаживания. Оцениваем качество модели и прогноза.
Пример в SPSS. На основе истории продаж по товарной группе строим прогноз на 12 месяцев двумя способами (на основе сезонной декомпозиции и методом экспоненциального сглаживания). Оцениваем качество моделей и выбираем наиболее адекватный подход.
Пример в SPSS. Анализируем влияние макроэкономических факторов на цену недвижимости.
Пример в SPSS. Анализируем влияние кризиса; изменения ассортимента; числа торговых точек и т.п. на динамику прогнозируемого показателя.

День 3. Прогнозирование с использованием авторегрессионного анализа. Метод ARIMA

• Авторегрессионные модели прогнозирования: идея и реализация
• Плюсы и минусы прогнозирования на основе авторегрессионного анализа
• Правила перехода от регрессии к авторегрессии
• Особенности прогнозирования при недостатке информации о факторах. Техника фиктивных (dummy) переменных
• Авторегрессионные модели интегрированного скользящего среднего (ARIMA): требования к исходным данным, условия применимости метода, понятие стационарного временного ряда, шесть параметров модели: алгоритм выбора на основе графиков (ACF plot, partial ACF plot), оценка адекватности моделей: критерий Льюинга-Бокса, Байесовский информационный критерий (BIC), значимость параметров
• Улучшение моделей экспоненциального сглаживания и ARIMA по результатам автоматического поиска выбросов и структурных сдвигов

Пример в SPSS. Прогнозируем продажи с использованием фиктивных переменных методом авторегрессии.
Пример в SPSS. Анализируем влияние погодных условий на прогнозируемый показатель.
Пример в SPSS. Проводим сравнительный анализ прогнозов, полученных методами регрессии и авторегрессии.
Пример в SPSS. Прогнозируем поток клиентов на основе метода ARIMA: выбираем параметры моделей с помощью графиков, выбираем лучшую модель, получаем прогноз на ее основе.
Пример в SPSS. Строим прогноз потребления ресурса всеми изученными способами и выбираем наиболее адекватный подход (самостоятельно).

День 4. Адаптация рассмотренных методов к практическим задачам прогнозирования

• Особенности учета факторов в ARIMA
• Учет запаздывающего влияния факторов при прогнозировании
• Использование регрессионного и авторегрессионного анализа для оценки: нелинейного влияния факторов, эффектов акций, эффекта "каннибализма", влияния праздничного спроса
• Структура ошибки прогноза
• Алгоритм выявления источников ошибки прогноза и оценка всех ее компонентов

Пример в SPSS. Оцениваем эффекты акций в зависимости от имеющейся информации.
Пример в SPSS. Анализируем продажи по SKU и измеряем эффекта "каннибализма".
Пример в SPSS. Учитываем влияние выходных и праздничных дней при прогнозировании потребления продукта.
Пример в SPSS. Анализируем временную задержку (лаг) в росте продаж при росте рекламного бюджета.
Пример в SPSS. Прогнозируем продажи с учетом нелинейного влияния рекламного бюджета.
Примеры в SPSS. Получаем и анализируем прогнозы на основе данных слушателей. Изучаем потенциальные возможности улучшения прогнозов.

После окончания обучения с помощью SPSS Вы сможете:

• Определять наилучший метод прогнозирования для конкретной ситуации
• Прогнозировать, если имеется история только по прогнозируемому показателю
• Прогнозировать с учетом дополнительной информации о разных факторах (активность конкурентов, акции, рекламный бюджет, погода и т.п.), одновременно влияющих на прогнозируемый показатель
• Определять и интерпретировать влияние факторов на прогнозируемый показатель
• Повышать точность прогнозов

После обучения Вы получите:

• Пошаговые инструкции по применению каждого метода прогнозирования
• Сертификат на 4-месячную бесплатную консультационную поддержку

Требования к участникам:

• Высшее образование
• Опыт работы в Excel на уровне пользователя