Метод под названием прогнозирование очень хорошо известен предпринимателям еще достаточно с давних времен, поскольку анализ данных прошлых периодов позволяет предвидеть, предсказать будущее и, тем самым, повлиять на него. В особенности этот метод пользуется большим спросом в области экономики, поскольку прогнозы оказывают прямое влияние на принятие решений во всех сферах производственно-хозяйственной деятельности компании и, как следствие, на объемы получаемой прибыли. С растущими потребностями в обработке разнородной и массивной по объему информации, умение оперировать большими данными для решения задач прогнозирования является обязательным критерием, оказывающим влияние на показатели прибыли, конкурентоспособности, а так же эффективности хозяйственной деятельности всего предприятия.
Прогнозирование - одна из наиболее востребованных и при этом самых сложных задач бизнес-аналитики, в частности - интеллектуального анализа корпоративных данных. Качественный прогноз является ключевой возможностью, позволяющей эффективно решать на предприятии такие экономические задачи, как оптимизация складских запасов и финансовых потоков фирмы, бюджетирование, оценки инвестиционной привлекательности и многие другие задачи.
Основа для всех систем прогнозирования - историческая информация, которая хранится в базе данных на предприятии в виде временных рядов. Если по данным временным рядам удастся построить математическую модель и подобрать шаблоны, адекватно отражающие рассматриваемую динамику, то у модели будет возможность (вероятность) предсказывать поведение данной системы и в будущем.
На практике же качественный прогноз получить за один шаг довольно трудно, поэтому для решения этой задачи используется сразу несколько действий: очистка, трансформация и т. д.
На данный момент существует несколько подходов к решению задачи прогнозирования и получения прогнозов. Разбивают их чаще всего на две основные категории – эвристические методы и экономико-математические методы. В некоторых случаях их эффективное совмещение и взаимодействие помогает в достижении более весомых результатов, чем их использование по отдельности.
Один из самых простых и известных эвристических методов – провести оценку мнений эксперта или группы экспертов в анализируемой области. Информационная поддержка данного метода базируется на их личном опыте работы и анализе рассматриваемой ситуации. Но такой метод не является в достаточной мере достоверным, поскольку носит субъективный характер. Так же экспертам чаще всего проще дать качественную характеристику объекта, нежели количественную.
Другой же способ решения задачи прогнозирования – построение математических моделей рассматриваемого экономического процесса или показателя, в частности, модели временных рядов. Проблемы, возникающие в процессе построения такого решения, обуславливаются различными причинами, одной из которых является недостаточное качество и количество исходных данных, другая - изменения среды, в которой протекает аналитический процесс, а так же принимаются во внимание воздействие внешних факторов.
Рассмотрим подробнее некоторые особенности моделирования временных рядов. Существует великое множество методов построения модели для временных рядов: полиномиальная регрессия, векторная регрессия, авторегрессия, ARIMA, МГУА, нейронные сети и многие другие. Но будет ли такая модель адекватно отражать процесс? Чрезмерное увеличение сложности модели зачастую ведет к ухудшению качества самой модели.
Для определения оптимального порядка модели, если данных достаточно, то можно разбить временной ряд на два участка и определить точку оптимума экспериментально. К сожалению, в реальных задачах данных обычно не хватает, поэтому уменьшение размеров временного ряда, по которому происходит построение модели, нецелесообразно. Исходя из этого, для оценки адекватности модели реальному процессу эксперт может сформулировать ряд дополнительных требований, которые, в силу человеческой психологии, обычно носят качественный характер и не являются строго формализуемыми
Например, если эксперт утверждает, что рост цены на товар будет несколько опережать инфляцию или увеличение безработицы скажется умеренно отрицательно на потреблении заданного товара, аналитик может это учесть при выборе модели либо используя свой опыт, либо предоставив эксперту на выбор несколько моделей, удовлетворяющих данным требованиям. Главное, что, имея даже такие неточные критерии качества, аналитик может отсеять большинство заведомо неадекватных моделей и тем самым сократить время получения окончательного варианта.
Рассмотрим некоторые примеры решения задач прогнозирования.
Нейронные сети являются одним из представителей класса нелинейных адаптивных систем с архитектурой, которая имитирует нервную ткань, которая состоит из нейронов. Математическая модель нейрона представляет собой универсальный нелинейный элемент, который допускает возможность изменять, дополнять и настраивать его характеристики. Но основная особенность таких сетей – способность к самообучению на конкретных примерах. Применение нейронных сетей предпочтительно там, где имеется очень много входных данных, в которых скрыты закономерности.
Поскольку экономические, финансовые и социальные системы очень сложны и являются результатом действий и противодействий различных людей, то задача создать полную математическую модель с учётом всех возможных факторов представляется сложным процессом. Практически невозможно детально аппроксимировать модель, основанную на таких традиционных параметрах, как максимизация полезности или максимизация прибыли.
Применение нейронных сетей эффективно для решения многих прикладных экономических задач. В области финансов нейронные сети используются для прогнозирования поведения клиентов, оценки рисков предстоящей сделки, прогноза возможных мошеннических действий и другие. Во время планирования хозяйственной деятельности нейронные сети могут быть задействованы в определении объемов продаж, загрузки производственных мощностей, прогнозирования спроса на новую продукцию. А в работе систем бизнес-аналитики и СППР принимают участие в сравнительном анализе конкурирующих фирм, анализе работы филиалов компании и выявлении тенденций, корреляций, типовых образцов и исключений в больших объемах данных.
Таким образом, решение задач прогнозирования позволяет оценить показатели спроса продукции, будущих продаж и затрат на хозяйственную деятельность, предотвратить возможные риски при производстве того или иного товара. Обеспечение достоверным прогнозом зависит не только от программного обеспечения и функционала, который им предоставляется, но так и от полноты и достоверности данных, своевременности и оперативности их пополнения, а так же квалификации экспертной группы и аналитиков.