☰

Информационные технологии в планировании. Информационные системы и прогнозирование

1

Осуществлено исследование основных направлений и проблем внедрения в практическую деятельность организаций современных информационно-коммуникационных технологий. Выявлены проблемы и направления создания единого информационного пространства. Проведен анализ условий и предпосылок практического моделирования, проанализированы особенности поэтапного построения прогнозных моделей деятельности организаций. Дана краткая характеристика особенностей использования различных прогнозных моделей, сделан акцент на важности проверки адекватности моделей прогнозирования. Выполнен обзор современных информационно-аналитических технологий прогнозирования деятельности организаций. Даны рекомендации по использованию в практической деятельности результатов прогнозирования ключевых показателей организации.

информационно-аналитические технологии

моделирование деятельности

анализ адекватности модели

прогнозирование деятельности организации

1. Голичев В.Д., Голичева Н.Д., Гусарова О.М. и др. Земля Смоленская и ее население (Историко-статистический обзор в цифрах и фактах). – Смоленск: Смолгортипография, 2013. – 152 с.

2. Гусарова О.М. Моделирование как способ планирования и управления результатами бизнеса // Успехи современного естествознания. – 2014. – № 11. – С. 88–92.

3. Гусарова О.М. Моделирование в принятии управленческих решений // Наука и образование: проблемы и перспективы развития: сборник научных трудов по материалам Международной научно-практической конференции. – Тамбов: Юком, 2014. – С. 41–42.

4. Гусарова О.М. Проблемы интеграции теории и практики моделирования результатов бизнеса // Экономика и образование: Вызовы и поиск решений: сборник научных трудов по материалам II Всероссийской (заочной) научно-практической конференции (Ярославль, 15 апреля 2014 г.) – Ярославль: Канцлер, 2014. – С. 78–82.

5. Гусарова О.М. Оценка взаимосвязи региональных показателей социально-экономического развития (на материалах Центрального федерального округа России) // Современные проблемы науки и образования. –2013. – № 6. (Электронный журнал).

6. Гусарова О.М., Журавлева М.А. Анализ и совершенствование деятельности акционерных обществ // Современные наукоемкие технологии. – 2014. – № 7–3. – С. 10–12.

7. Гусарова О.М. Методы и модели прогнозирования деятельности корпоративных систем // Теоретические и прикладные вопросы образования и науки: сборник научных трудов по материалам Международной научно-практической конференции. – Тамбов: Юком, 2014. – С. 48–49.

8. Гусарова О.М. Компьютерные технологии моделирования социально-экономических процессов // Экономический рост и конкурентоспособность России: тенденции, проблемы и стратегические приоритеты: сборник научных статей по материалам Международной научно-практической конференции. – М.: Юнити-Дана, 2012. – С. 102–104.

9. Гусарова О.М. Исследование качества краткосрочных моделей прогнозирования финансово-экономических показателей. – М.: 1999. – 198 c.

10. Орлова И.В., Турундаевский В.Б. Многомерный статистический анализ при исследовании экономических процессов. Монография. – М.: МЭСИ, 2014. – С. 190.

В условиях введения экономических санкций ряд российских предприятий осуществляют поиск эффективных путей обеспечения конкурентоспособности свой продукции и повышения эффективности деятельности организации . В сложных экономических условиях необходимо для принятия решений использовать не только практический опыт по организации бизнеса определенной сферы деятельности, но и современные подходы к планированию деятельности предприятия. Широкое внедрение в практику деятельности информационно-аналитических технологий моделирования и прогнозирования ключевых показателей бизнеса позволяет осуществлять оперативный мониторинг результатов бизнеса и формировать стратегию развития организации . Использование информационно-аналитических технологий позволяет создавать интегрированные системы управления результатами бизнеса, оптимизировать материальные и финансовые потоки, минимизировать издержки финансово-хозяйственной деятельности, максимизировать прибыль фирмы и решать ряд других задач .

Процессы информатизации современного общества и тесно связанные с ними процессы внедрения во все сферы бизнеса информационно-коммуникационных технологий характеризуются массовым распространением информационно-аналитических технологий анализа деятельности организаций различных сфер и форм собственности. Современные информационные технологии позволяют осуществлять автоматизацию ряда следующих направлений: исследование свойств системы (объекта), контроль динамики развития ключевых показателей всех сфер бизнеса, оптимизация параметров системы функционирования, создание интегрированных систем контроля и управления системой, осуществление планирования и прогнозирования перспектив развития организации .

Стратегической целью внедрения информационно-коммуникационных технологий во все сферы деятельности современного общества является создание единого информационного пространства, призванного решать широкий круг вопросов, связанных с доступом к единым базам данных, оперативному предоставлению статистической отчетности, созданию интегрированных систем мониторинга различных направлений деятельности. Все это способствует созданию принципиально новых возможностей для развития познавательной творческой деятельности человека: научно-исследовательской, организационно-управленческой, экспертной, предпринимательской и т.д. Создание единого информационного пространства способствует повышению эффективности и качества мониторинга деятельности организаций, интенсификации научных исследований различных направлений, сокращению время обработки и предоставления информации, оперативности и эффективности управления системой, интегрированности национальной информационной системы в международные системы доступа к информационным ресурсам в области науки, культуры, бизнеса и других сфер деятельности .

Внедрение информационно-коммуникационных технологий в практическую деятельность организаций характеризуется рядом направлений и проблем:

● техническая оснащенность организаций средствами информационно-коммуникационных технологий подразумевает доступ к современному программному обеспечению и сдерживается организационно-экономическими факторами. Так доступ к «малой информатизации» является в ряде случаев малоэффективным, а к «большой» - дорогостоящей и не дающей быстрой отдачи.

● Подготовка специалистов в области информационно-коммуникационных технологий, особенно в сфере сетевых технологий, должна стать первоочередной задачей, от решения которой зависит эффективность деятельности организации в этом направлении. Высококвалифицированный специалист в области ИТ-технологий порой может выполнить объем работы целого отдела организации. В связи с этим необходимо в деятельность образовательных организаций все шире внедрять дисциплины, связанные с информационными технологиями и повышать их практическую ориентированность. Современная система образования должна ориентироваться на фундаментализацию образования на всех его уровнях, широкое использование методов и технологий инновационного образования, повышение качества и доступности образования путем развития системы дистанционного образования и оснащения образовательного процесса современными информационными и коммуникационными технологиями.

● Создание информационных баз данных по всем направлениям деятельности организации требует определенных усилий, но является важным звеном интегрированности информационных технологий организации в единое информационное пространство.

Одним из актуальных направлений внедрения в практическую деятельность организаций информационно-аналитических технологий является оперативный мониторинг ключевых показателей бизнеса и прогнозирование альтернативных вариантов развития фирмы. В общем случае можно выделить следующую последовательность этапов прогнозирования развития системы (объекта) исследования.

● Постановка целей и задач исследования определяет стратегические ориентиры и тактические направления в изучении системы, которые в процессе исследования могут уточняться и конкретизироваться.

● Формулировка концептуальной модели системы предполагает обследование системы с целью выявления ее свойств, особенностей динамики и взаимосвязи с факторами внешней и внутренней среды. Сбор статистической информации о характеристиках системы предполагает дальнейшую формулировку словесно-описательной модели системы, подлежащей уточнению и формализации . Формулировка концептуальной модели системы предполагает сформулированный в терминах данной области исследования перечень основных вопросов, отвечающих целям исследования, и совокупность гипотез относительно свойств и характеристик объекта моделирования.

● Формализация словесно-описательной модели подразумевает построение математической модели и численное определение ее параметров. Важным моментом при этом является правильный выбор методов определения параметров математической модели. Каждой системе характерны свои особенности развития и от выбора метода численного определения параметров модели в значительной степени зависит такая характеристика модели, как адекватность, т.е. соответствие формализованной модели особенностям реальных процессов, характеризующих динамику системы исследования. В зависимости от специфики системы исследования предварительно могут быть выбраны различные классы моделей прогнозирования, например, кривые роста, характеризующие динамику системы во времени, эконометрические модели, устанавливающие и оценивающие взаимосвязь различных внутренних характеристик системы и ряда внешних факторов, разновидности адаптивных моделей, применяемых для высоко динамичных систем с наличием сезонных и циклических колебаний, от самых простейших до авторегрессионных моделей с автокоррелированными и гетероскедастичными остатками .

● Получение и интерпретация результатов моделирования предполагают проверку ряда свойств математической модели, в частности проверку адекватности и точности модели. Адекватность модели характеризует степень близости характеристик построенной модели к характеристикам и свойствам реального объекта (системы). В силу ряда причин, таких как, ряд допущений, имеющих место при моделировании, невозможность учета множества факторов, определяющих динамику развития объекта исследования, ряд технических погрешностей на этапе формализации модели и ряд других моментов, приводят, естественно, к различию характеристик модели и реального объекта. Важно, чтобы эти различия не носили принципиального характера и находились в определенных пределах (отклонениях). Величина допустимых отклонений определяется особенностями динамики системы исследования, периодом анализа характеристик системы, а также целью исследования. Показатели точности модели, такие как среднее квадратичное отклонение ряда остатков, средняя ошибка аппроксимации, средняя относительная ошибка характеризуют степень приближения моделируемых данных к фактическим наблюдениям, полученным в результате сбора статистической информации. На данном этапе осуществляется уточнение и окончательный выбор модели, используемой в дальнейшем для построения прогноза. При этом осуществляется расширенная проверка адекватности модели, включающая кроме проверки гипотез о выполнении ряда статистических свойств остаточной компоненты, таких как независимость, случайность, равенство математического ожидания остатков нулю, выполнение нормального закона распределения, оценку ряда таких характеристик модели, как коэффициент детерминации, характеризующий долю вариации изучаемого признака под воздействием внешних и внутренних факторов, коэффициент Фишера, оценивающий статистическую значимость полученной модели. По результатам сравнения характеристик адекватности и точности осуществляется окончательный выбор прогнозной модели .

● Построение по формализованной модели прогнозов и использование результатов моделирования в управлении системой предполагает получение точечных прогнозов, характеризующих перспективы развития системы исследования. В дополнение к ним могут быть построены интервальные прогнозы, несущие более высокую вероятность получения интервалов, в которых могут колебаться характеристики системы. Необходимо отметить, что прогнозирование носит вероятностный характер и будет достоверным только в том случае, если в периоде упреждения будут действовать те же закономерности развития, что имели место на этапе исследования системы.

Использование результатов прогнозирования в принятии управленческих решений является творческим процессом и требует не только теоретических знаний в определенной области, но и практического опыта по работе с системой исследования . На настоящий момент научные исследования далеко продвинулись в разработке информационно-аналитических технологии прогнозирования деятельности организаций. Так, например, известны технологии нейросетевого прогнозирования, нечеткой логики, ряд специализированных многофункциональных программ анализа и прогнозирования, таких, как Statistica, SPSS, Stadia, VSTAT, Project Exspert и ряд других программных продуктов. Для оперативного мониторинга и прогнозирования результатов функционирования системы, а также в учебных целях может быть также использован пакет MS Excel, реализующий трендовый и регрессионный анализ, а также позволяющий на базе табличного процессора осуществить расчет ряда дополнительных характеристик системы.

По результатам исследования системы (объекта) управления с использованием информационно-аналитических технологий прогнозирования могут быть сформулированы рекомендации по совершенствованию деятельности организации (системы), например, ориентация на достижение определенных значений ключевых показателей деятельности, реализующих стратегию развития организации, оптимизация денежных потоков, разработка новых перспективных направлений деятельности . Использование современных информационно-аналитических технологий моделирования и прогнозирования будет способствовать повышению эффективности деятельности в свете реализации стратегии и тактики развития организации.

Библиографическая ссылка

Гусарова О.М. ИНФОРМАЦИОННО-АНАЛИТИЧЕСКИЕ ТЕХНОЛОГИИ ПРОГНОЗИРОВАНИЯ ДЕЯТЕЛЬНОСТИ ОРГАНИЗАЦИЙ // Международный журнал прикладных и фундаментальных исследований. – 2015. – № 12-3. – С. 492-495;
URL: https://applied-research.ru/ru/article/view?id=7962 (дата обращения: 26.04.2019). Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»

Тема 3.1. Интеллектуальные технологии в прогнозировании

Сейчас стратегическое управление является доминантной составляющей успешного развития организации в долгосрочной перспективе. При разработке стратегии, а в дальнейшем - и для успешного осуществления стратегических изменений руководителю необходимо проводить тщательный анализ внутренней и внешней среды организации, в частности различных микро- и макроэкономических показателей, социально-экономического, политического и правового аспектов развития государства и общества в данный период.

Чрезвычайно актуальным, а во многих случаях - и определяющим становится вопрос получения аналитической информации, на основе которой осуществляются прогнозирование параметров развития организации и выработка стратегии в условиях постоянно изменяющейся внешней среды. Особенно актуальным данный вопрос становится в современных условиях информатизации общества, когда информации настолько много и она настолько разнообразна как в содержательном, так и в эмпирическом аспекте, что получить необходимые сведения представляется делом архисложным и требующим колоссальных трудовых затрат рабочего времени сотрудников.

Для получения аналитической информации и прогнозирования развития внутренней и внешней среды организации в настоящее время используют информационные технологии, основанные на приемах извлечения знаний об объектах анализа из общей совокупности информации.

На сегодняшний день существует два основных типа информационных технологий:

1. традиционные (классические) информационные технологии;

2. нетрадиционные информационные технологии (их еще называют интеллектуальными технологиями).

Традиционные информационные технологии базируются на формальных методах извлечения знаний и формальных алгоритмах прогнозирования (регрессионные методы, статистические и эконометрические методы, методы Бокса-Дженкинса, ARIMA, ARMA).

Однако традиционные информационные технологии эффективны в основном на операционном и в меньшей степени - на тактическом уровнях управления, где, как правило, анализируемая информация представляет собой упорядоченный набор относительно легко формализуемых данных, количество которых невелико. На уровне стратегического управления руководитель или группа экспертов, в число которых могут входить топ- менеджеры, плановики, экономисты, сотрудники отдела развития, как правило, имеют дело уже с огромным количеством информации из совершенно разных областей, которая существует в различных формах. Например, руководитель интуитивно чувствует последствия смены политического курса в регионе, технолог - параметры производственного процесса, плановик - зависимости показателей один от другого. Это малая толика факторов. Но проблема заключается в том, что влияющих на производство факторов и информации настолько много, что в реальной практике многие факторы отбрасываются. Это неизбежно ведет к неточностям и ошибкам, из-за чего траектория стратегии отклоняется от своего кратчайшего расстояния. Это приводит, в свою очередь, к увеличению затрат и снижению финансового результата. Таким образом, адекватный учет наибольшего числа факторов и информации способен дать организации существенный экономический эффект.

Как раз в случаях трудно формализуемой информации, недостаточности эмпирических данных, большого числа переменных при неопределенности и многофакторности протекающих процессов в условиях постоянно изменяющейся внешней среды применяют интеллектуальные информационные технологии, которые основаны на концепции интеллектуализации процессов анализа и прогнозирования.

Интеллектуализация означает перенос организации и приемов мышления, свойственных человеку, в техническую область.

Можно сказать, что интеллектуальные технологии превосходят традиционные программные и аппаратные технологии в случае тех задач, в решении которых их превосходит человек со свойственным ему развитым мышлением.

На данный момент существуют четыре основных типа интеллектуальных информационных технологий:

1. Экспертные системы (нечеткая логика).

2. Генетические алгоритмы.

3. Нелинейная динамика (теория хаоса).

4. Искусственные нейронные сети.

Экспертные системы на базе нечеткой логики используют интуитивно-эмпирические модели функционирования организации, составляемые экспертом или группой экспертов в виде правил условного логического вывода типа «Если., то.» и образуют базу знаний, исходя из которой система принимает то или иное решение. Например, в условиях неопределенности сведений о количестве производимой продукции рекомендовать руководителю, исходя из данных о конъюнктуре рынка и введенных правилах вывода, выпустить больший объем продукции. Существенными недостатками таких систем являются: субъективный характер правил, задаваемых экспертом, и большие сложности в изменении правил условно-логического вывода при изменениях внешней среды.

Интеллектуальные информационные технологии, основанные на генетических алгоритмах и принципах селекции, лучше приспосабливаются к изменяющимся условиям внешней среды, однако процесс их создания является чрезвычайно сложным, и в реальных условиях работы предприятия найти специалиста в этой области проблематично, что в равной мере относится и к сложной нелинейной динамике.

Оптимальной технологией искусственного интеллекта, предназначенной для использования в процессе разработки и реализации стратегии организации, являются искусственные нейронные сети, так как они в принципе не нуждаются в построении модели, а строят ее сами только на основе предъявляемой информации. Именно поэтому нейронные сети уже являются незаменимыми инструментами эффективного управления организацией, где необходимо решать трудно формализуемые задачи в условиях существенной неопределенности происходящих процессов.

Рассмотрим интеллектуальные технологии более подробно.

Экспертные системы

Реализация экспертных систем чаще всего представляется в виде компьютерных программ, имитирующих процессы мышления эксперта в конкретной предметной области. Примеры экспертных систем включают в себя и бизнес-решения, и профессиональные задачи от медицинской диагностики до разведки нефти и конфигурирования компьютерных систем27.

Экспертные системы основываются на лабораторных опытах, которые определяют, что эксперт сделает в данной ситуации, и затем записывают эти знания как набор правил. В экспертных системах методы обработки информации отделены от самой информации, позволяя разработчикам программного обеспечения создавать программы, обрабатывающие информацию несколькими различными путями, что полезно для многих типов задач.

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.

  • 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