előrejelzés fejlett analitikus módszerekkel

bevezető

A mai üzleti környezetben az értékesítésre ható tényezők folyamatosan változnak, a fogyasztói szokások gyorsabban átalakulhatnak, mint korábban. Így sokszor a hosszabb távú bevétel előrejelzési modellek hamar érvényüket veszíthetik vagy legalábbis gyakrabban felülvizsgálatra szorulnak.
Szerencsére egyre inkább rendelkezésünkre állnak olyan adatforrások és analitikus módszerek, illetve algoritmusok, amelyekkel ezekhez a változásokhoz gyorsan és hatékonyan tudjuk adaptálni a bevétel előrejelzéseinket. Ráadásul ezek a fejlett analitikus vagy gépi tanuláson alapuló módszerek sokszor pontosabbak is, mint az ún. szakértői becslések (ugyanakkor ezeknek a módszereknek is megvannak a maguk korlátai).
Ebben a bejegyzésben rendszerbe foglalva áttekintjük a lehetséges módszereket, valamint azok lényegi elemeit, de nem célunk, hogy részletes leírást adjunk az egyes előrejelzési technikák megvalósításáról vagy matematikai hátteréről. Az áttekintést követően a 2. részben egy konkrét értékesítési adatsoron keresztül, Excel illetve Python eszközöket használva bemutatjuk majd az egyes előrejelzési módszerek eredményeit, valamint azokkal kapcsolatos kihívásokat.

Idősoros előrejelzések, "hagyományos" autoregresszív technikák

Excel alapú trend és szezonalitás analízis

Múltbeli idősoros adatokon alapuló előrejelzést Excel segítségével is gyorsan, néhány lépésben összeállíthatunk. Az idősoros elemzések lényege, hogy a rendelkezésünkre álló adatokban mintázatokat (szabályszerűségeket) keresünk, például trendeket és szezonális hatásokat, valamint az egyedi hatásokat is megpróbáljuk elkülöníteni.
A módszer azon alapul, hogy:
  • valamilyen mozgó átlagolási technikával „kisimítjuk” az adatsort
  • amelyből már a tendenciára - tulajdonképpen az átlagos változásra - tehetünk becslést (előrejelzést)
  • valamint "simított" adatsor és tényleges értékek viszonya alapján a szezonális hatásokat és ún. "zajokat" kiszűrjük

Idősoros előrejelzések, "hagyományos" autoregresszív technikák

ARIMA modellek

Az ARIMA modellekre inkább egy rendkívül kiterjedt modell családként érdemes gondolni: valójában egy olyan "előrejelzési keretrendszerről" van szó, amely különböző típusú modelleket foglal magába. Amikor ARIMA modellekről beszélünk, akkor abba az ARMA, ARIMA, ARIMAX, SARIMAX stb. altípusokat is beleértjük és ezen típusok is számtalan "konfigurációban" állíthatók elő.
z ARIMA egyébként egy mozaik szó, amely az AutoRegressive Integrated Moving Average . Matematikailag 3 fő komponensből áll:
  1. AR - autoregresszív komponens, amely az idősor egy vagy több korábbi értékeire utal, pontosabban ezeknek valamilyen lineáris kombinációjára: pl. a T előrejelzési időszak értéke a T-1 és T-2 értékektől függ valamilyen módon
  2. I - ezzel a taggal a tendenciát, vagyis az idősor korábbi változását integráljuk valamilyen módon az előrejelzésbe
  3. MA - moving average komponens a nevével ellentétben nem a szokásos mozgó átlagolásra utal, hanem a múltbeli előrejelzési hibák hatását "görgetjük" tovább vele a következő ciklusokra.
A fentiek mellett az ARIMA kiterjesztett verzióiban a szezonalitást (SARIMA - seasonal ARIMA), valamint akár ún. exogén változókat is figyelembe vehetünk (SARIMAX - ARIMA w/ eXogenous variable).
Ha szeretnéd a cikket továbbolvasni vagy a második részt is elolvasni, akkor keresd a bejegyzést a blogunkon !