了解丰富的公司新闻及最新的市场动态

Know a lot about company news

时间序列预测算法与在企业管理中的作用

2021-08-21
分享:

概述:

随着科学技术的发展和社会上各企业之间的竞争越发激烈的大背景下,各企业普遍性的采用了各式各样的管理信息的系统;应运而生的问题就是在企业的系统中累积了大量的历史数据,这些历史数据没有得到企业的有效重视,只是被简单的存储在企业信息系统的数据库中。对于这些数据,各企业只是进行一些传统的操作来得到一些表面的信息,并没有挖掘出这些数据中更深层次的信息。在以往,企业在数据的收集和管理方面耗费了大量的精力,但是现在的企业用户更想通过对已有的数据进行整理分析,希望能从中发现更深层的信息,以获得更多的利益。

时间序列预测,从统计意义上来讲,是按照时间的先后顺序,将某个指标在不同的时间上的数据依次有序排列而得到的数列,这样的数列受到某些因素的影响会展现出一些随机性,该数列中各个数据之间会存在一定程度的依赖关系。分析时间序列,得到其内在的规律,这在预测未来行为方面,具有深刻的意义和重大的价值。

案例与数据

传统的销售预测,企业需要指派专门的人员去负责,并且对该人员的素质和经验有很高的要求,不仅如此,计划员为了提高销售预测的准确性,往往也需要收集大量的主观和客观、定量和定性的信息,从而耗费了大量的人力、物力、财力。而时间序列预测算法则能够很好的改善这一状况。

某企业市场部想预测某产品未来几个月后的销售量,以便于决策层做出相应并准确的计划和决策,市场部收集了最近4年的历史月销量数据如图1所示。根据所提供的数据,采用分解算法来预测几个月的销售量及其发展趋势。本案例使用到国工数据大脑中的时间序列预测算法中的分解组件。该组件包含两个模型:乘法模型和加法模型,本次采用乘法模型进行举例分析。

1 最近4年的月销售数据

国工数据大脑分析过程

使用国工数据大脑组件会读取EXCEL文档里的数据。

2

使用系统已集成好算法的分解组件,进行数据的时间序列预测分析处理。对组件参数进行设置,模型类型配置为乘法模型;影响因素配置为季节加趋势;季节长度配置为12;预测点数配置为6;队列容量设为100。单击运行,从调试界面查看运行结果。

3


分析结果

 

4

5

6

数据大脑自动生成拟合趋势方程,其方程为 (见图4),通过方程计算出拟合值(图7红色实线)与观测数据曲线(图7蓝色实线)比较接近,表明其拟合效果较好,其趋势走向缓慢上升(图7绿色实线),符合数据的发展趋势,说明可以相信接下来几个月的预测值。

为了能够反映出季度和总平均值之间的关系,我们采用季节指数作为指标,当季节指数大于1时,说明该季度的值高于总平均值;反之则低于总平均值。当序列的季节指数近似等于1,说明该序列没有明显的季节效应。在本次案例中,二者之间的关系较为稳定的,结合图6左上进行如下分析:6-9月份季节指数是大于1为销售旺季,其中最高的是7月份是销售的最高峰。同时参考原始数据序列图(见图5左上图)以及去除趋势后数据的序列图(见图6右上图和图5右上图)也可得出相同的规律。

采用分解算法进行分析时,通常会将时间序列趋势分解成如下三个方面:长期变动趋势(见图5左下图)、季节变动趋势(见图5右上图)和不规则变化趋势(见图5右下图)。对比上述图片,可以得出数据中确实存在趋势分量和季节性分量。同时从原始数据序列图及去除季节分量后的季节性调整数据序列图(见图5左下图)可见,该产品的销量呈缓慢上升的趋势,如图7中的绿色直线。

7

由图7我们不难看出,该企业某产品销量来逐年增长(绿色实线)。国工数据大脑基于对原始数据的一系列分析,推测出某产品未来几个月的销量数据(紫色实线)呈上升趋势。

时间序列预测的作用

1.帮助企业制定合理的经营决策。

企业要制定出正确的合理的经营决策,前提是要有对未来科学的、准确的预测。时间序列预测是以企业的历史数据、现在的发展过程为前提,以其理论方法和技术支持为基础去研究企业未来数据的变化。为经营策略的制定提供科学的方法和理念依据。预测结果越精确,企业制定出正确经营决策的可能性就越大。

2.帮助企业提升市场应变能力。

企业要想提高市场竞争力,一方面要把握住现有的市场,另一方面也需要能够预知将来的市场,有良好的市场应变能力。时间序列预测就可以对未来市场需求的预估和判断。企业可以随时了解市场上各商品的供求变动情况及趋势的同时,及时把握住市场契机,正确地选择或调整生产经营方向,以次来提高市场竞争力。

3. 提高企业经营计划的可行性和经济效益。

企业生产经营活动的核心是提高经济效益,而经营计划是否可行直接关系着经济效益是否能够提高。时间序列预测除了在生产经营活动方面发挥重要作用之外,企业架构也对其有不同程度的需求。

名词解释

时间序列时间序列是指均匀时间间隔上的观测值序列。

预测预测是一种在时间序列分析中广泛使用的方法,用于预测指定时间段内的响应变量。

模型的选择当数据中季节性模式的量值取决于数据的量值时,选择乘法模型。当数据中的季节性模式的量值不取决于数据的量值时,选择加法模型。

季节指数季节指数是用简单平均法计算的周期内各时期季节性影响的相对数。

分解分解可以将时间序列分为线性趋势、季节性和误差分量,并提供预测。

去除趋势去除趋势的值是指删除了趋势分量的数据。等于观测值除以季节性值(乘法模型)。

残差残差在数理统计中是指实际观察值与估计值(拟合值)之间的差。

分量分析分解过程分析各图中序列的趋势和季节性分量。

季节性分析分解过程分析时间序列每个季节中季节性指数和变异。

适用范围

一般来说,可以在时间维度上连续表示的数据都可以成为时间序列的分析对象,例如:销售预测、采购的价格量化交易、设备损坏性的预测和评估、某产品的消费预测等。