ПРОГНОЗИРОВАНИЕ СПРОСА НА ПРОДУКЦИЮ ОРГАНИЗАЦИИ С ИСПОЛЬЗОВАНИЕМ АДАПТИВНЫХ МОДЕЛЕЙ ВРЕМЕННЫХ РЯДОВ

FORECASTING DEMAND FOR AN ORGANIZATION'S PRODUCTS USING ADAPTIVE TIME SERIES MODELS

Diana Shevchenko

student, Department of Economics of Innovations, Samara National Research University named after Academician S.P. Korolev,

Russia, Samara

АННОТАЦИЯ

Аналитикам временные ряды позволяют выявлять закономерности, прогнозировать будущее и предлагать обоснованные решения для развития бизнеса. В данной статье будет рассмотрено применение адаптивных моделей.

ABSTRACT

Time series allow analysts to identify patterns, predict the future, and offer informed decisions for business development. This article will discuss the use of adaptive models.

Ключевые слова: прогнозирование спроса; временные ряды; адаптивные модели; адаптация прогнозирующих моделей.

Keywords: demand forecasting; time series; adaptive models; adaptation of forecasting models.

Прогнозирование спроса на продукцию является одной из ключевых задач стратегического планирования деятельности любой организации. В современных условиях высокой волатильности рынков и постоянно меняющейся экономической среды особую актуальность приобретают адаптивные модели прогнозирования временных рядов, которые способны учитывать изменения в динамике показателей и корректировать параметры прогноза в режиме реального времени.

Адаптивные модели временных рядов основаны на принципе экспоненциального сглаживания, при котором более поздним наблюдениям придается больший вес по сравнению с ранними данными. Это позволяет модели быстро реагировать на структурные изменения в динамике показателей спроса и формировать более точные прогнозы. Важнейшим параметром адаптивных моделей является параметр сглаживания α, который принимает значения от 0 до 1 и определяет степень влияния предыдущих наблюдений на текущий прогноз.

При прогнозировании спроса на продукцию организации необходимо учитывать характер временного ряда [4]. Если в динамике показателей наблюдается устойчивый тренд, целесообразно использовать модель Хольта, которая помимо экспоненциального сглаживания уровня ряда включает сглаживание тренда. Для временных рядов с сезонной составляющей применяется модель Хольта-Уинтерса, учитывающая как тренд, так и сезонные колебания.

Рассмотрим практическое применение адаптивных моделей на примере прогнозирования квартального спроса на продукцию условного предприятия. Исходные данные о продажах за последние три года представлены на диаграмме 1.

Диаграмма 1. Квартальные данные о продажах продукции (тыс. шт.)

Анализ данных показывает наличие как возрастающего тренда, так и сезонных колебаний с пиком продаж в четвертом квартале. В этой ситуации оптимальным выбором является модель Хольта-Уинтерса, которая позволяет учесть обе эти составляющие временного ряда.

Процесс построения прогноза начинается с инициализации параметров модели. Для модели Хольта-Уинтерса необходимо определить три параметра сглаживания: α - для уровня ряда, β - для тренда и γ - для сезонной составляющей. Оптимальные значения этих параметров подбираются путем минимизации ошибки прогноза на исторических данных.

В реальной практике значения параметров α, β и γ определяются путем оптимизации на основе исторических данных конкретной организации [2]. Обычно это делается с помощью специального программного обеспечения, которое перебирает различные комбинации параметров и выбирает те, которые обеспечивают минимальную ошибку прогноза.

Для определения оптимальных параметров модели Хольта-Уинтерса можно использовать метод наименьших квадратов или другие методы оптимизации. Математически это выражается следующим образом:

где:

- фактические значения временного ряда

- прогнозные значения

n - количество наблюдений

Для примера мы зададим следующие оптимальные значения параметров: α = 0.3, β = 0.2, γ = 0.1. На основе этих параметров рассчитываются прогнозные значения спроса на следующий год, которые представлены в таблице 1.

Таблица 1.

Прогноз спроса на продукцию на 2024 год (тыс. шт.)

Важным аспектом прогнозирования является оценка точности полученных результатов. Для этого рассчитываются различные показатели ошибок прогноза, такие как средняя абсолютная ошибка (MAE), средняя квадратическая ошибка (MSE) и средняя абсолютная процентная ошибка (MAPE). В нашем случае значение MAPE составило 3.2%, что свидетельствует о высокой точности прогноза.

Адаптивные модели временных рядов обладают важным преимуществом - способностью к самообучению [5]. По мере поступления новых данных о фактических продажах модель автоматически корректирует свои параметры, что позволяет повышать точность прогнозов. Это особенно важно в условиях динамично меняющегося рынка, когда традиционные статические модели могут давать существенные ошибки.

При практическом использовании адаптивных моделей для прогнозирования спроса необходимо регулярно проводить мониторинг точности прогнозов и при необходимости корректировать параметры модели. Кроме того, важно учитывать внешние факторы, которые могут влиять на спрос, такие как изменения в конкурентной среде, макроэкономические показатели, маркетинговые активности компании.

Таким образом, адаптивные модели временных рядов представляют собой эффективный инструмент прогнозирования спроса на продукцию организации, позволяющий учитывать сложную динамику показателей и автоматически адаптироваться к изменениям рыночной конъюнктуры. Их применение способствует повышению качества управленческих решений в области планирования производства, управления запасами и организации сбытовой деятельности предприятия.

Список литературы:

1. Антохонова, И. В. Методы прогнозирования социально-экономических процессов: учебное пособие для вузов / И. В. Антохонова. — 2-е изд., испр. и доп. — Москва: Издательство Юрайт, 2023. — 213 с.
2. Калиновский, Д. О. Современные технологии прогнозирования в бизнесе / Д. О. Калиновский, А. В. Куприянов, С. Э. Коновал. — Текст : непосредственный // Молодой ученый. — 2023. — № 41 (488). — С. 18-23.
3. Невская, Н. А. Макроэкономическое планирование и прогнозирование в 2 ч. Часть 2: учебник и практикум для вузов / Н. А. Невская. — 2-е изд., испр. — Москва: Издательство Юрайт, 2023. — 236 с.
4. Политический анализ и прогнозирование: учебник для вузов / под общей редакцией В. А. Семенова. — 2-е изд. — Москва: Издательство Юрайт, 2023. — 433 с.
5. Светуньков, И. С. Методы социально-экономического прогнозирования в 2 т. Т. 1 теория и методология: учебник и практикум для вузов / И. С. Светуньков, С. Г. Светуньков. — Москва: Издательство Юрайт, 2023. — 351 с.
6. Ценина Е.В., Слепенкова Е.В. Модель прогнозирования спроса для оптимизации запасов: пример малого предприятия // Вестник Алтайской академии экономики и права. – 2023. – № 12-2. – С. 355-364.
7. Стегний, В. Н. Прогнозирование и планирование: учебник для вузов / В. Н. Стегний, Г. А. Тимофеева. — Москва: Издательство Юрайт, 2023. — 210 с.