Создан заказ №626536
18 мая 2015
Аналитическое решение для прогнозирования спроса в системе Deductor
Как заказчик описал требования к работе:
Цель работы – разработка в системе Deductor сценария для решения задачи прогнозирования спроса на
Проект «Аналитическое решение для прогнозирования спроса в системе
Deductor»
Работу можно выполнять индивидуально или в группе до 3 человек.
Если вы выполняли прогноз на основе предоставленных данны
х (продажи стройматериалов), то в архив необходимо поместить только проект Deductor (.ded) и документ Word с отчетом. Если вы использовали собственный набор данных, то его необходимо добавить в архив. Не забудьте в отчёте указать всех участников.
При создании сценария указывайте относительный путь к файлу данных, т.е. только имя файла данных, без директории. Штраф за невнимательность – 20%.
Требования
Цель работы – разработка в системе Deductor сценария для решения задачи прогнозирования спроса на основе исторических данных о продажах.
Исходные данные представляют собой выгрузку из учетной системы по склада-магазина по продаже стройматериалов (файл materials.txt).
Необходимо реализовать:
1. Прогнозирование на уровне товарных групп на горизонте в 6 месяцев с использованием нескольких моделей (например, экспоненциальное сглаживание, экспоненциально взвешенное скользящее среднее, скользящее среднее с различным окном, авторегрессия, нейросеть; рекомендуется по каждому типу модели реализовать несколько вариантов с разными параметрами или наборами входных переменных).
2. Расчет ошибки прогноза по каждой модели (MAE, MAPE, MSE, RMSE, BIAS).
3. Автоматический выбор наилучшей модели по критерию наименьшей ошибки (на историческом периоде или на тестовом периоде при прогнозе ex post – если позволяет объем данных)
4. Декомпозиция прогноза для группы до отдельных товаров на горизонте в 2 месяца
5. Необходимую для построения и анализа моделей, а также для принятия решений визуализацию результатов, которую необходимо добавить на панель отчетов в Deductor.
6. Текстовый отчет, в котором поясняются основные этапы построения аналитического решения и анализируются результаты. Качество подготовки отчета (последовательность, полнота, отсутствие
логических ошибок, обоснованность решений и выводов, а главное – самостоятельность написания) имеет решающее значение при оценке вашей работы. При обнаружении копирования чужих сценариев или отчетов все соучастники получают за работу 0 (и первоначальный автор тоже).
В отчете необходимо пояснить, почему вы приняли те или иные решения при построении сценария, а не что именно надо нажать или выбрать в Deductor. При этом необходимо иллюстрировать ваши рассуждения статистическими данными и графиками из программы. Имеет смысл рассмотреть, почему вы решили включить именно эти модели, как подбирали их параметры, по какому критерию выбирали лучшую модель, охарактеризовать устойчивость работы вашего сценария на разных данных. Нормальный объем отчета 5-10 страниц, написанных по существу вопроса.
Рекомендации по выполнению работы:
1. Из файла materials.txt необходимо загрузить выгрузить данные о продажах (указывайте относительный путь к файлу, т.е. просто materials.txt, а не C:\XXX\YYY\materials.txt)
Объект прогнозирования – продажи строительных материалов (в разрезе групп и номенклатур) в натуральных единицах.
2. При разработке сценария каждая группа должна рассматриваться отдельно, для этого необходимо отфильтровать продажи только по текущей группе. Прогнозирование для других групп производится с использованием узла «Групповая обработка»
3. Сгруппируйте данные в месячные периоды с детализацией до товарной группы. Убедитесь в том, что результат является временным рядом. По графику определите, какие закономерные компоненты в нем содержатся, и какие модели можно использовать.
4. Для моделей авторегрессии набор входных переменных (лагов) можно подобрать экспериментально, или с использованием коррелограммы. Предварительно необходимо привести ряд к стационарности, вычислив простую разность. Рекомендую в любом случае делать несколько моделей с разным набором входных переменных, т.к. для разных товарных групп нужны разные лаги. Как правило, нужны 1-3 ближайших месяца и прошлогоднее значение (лаг 12).
5. Модели прогнозирования реализуются с помощью узлов «Экспоненциальное сглаживание», «Пользовательская модель» (его можно применять для скользящего среднего), «Линейная регрессия» - для моделей авторегрессии и «Нейросеть». В пользовательских моделях для среднего можно использовать обычную формулу (усреднение по окну), либо функцию MovingAverage. Для экспоненциально-взвешенного скользящего среднего (последние наблюдения получают больший вес) можно использовать функцию ExpMovingAverage(). В Deductor есть и другие функции прогнозирования: Addictive, Multiplicative, ARIMA, AutoRegression. Попробуйте их использовать, если владеете теорией построения этих моделей. В ветви сценария для каждой модели добавьте в набор данных вычисляемый столбец с названием модели, чтобы в дальнейшем можно было отдельно обрабатывать результаты каждой модели и оставить только лучший прогноз.
6. Для расчета ошибки прогноза посчитайте абсолютное отклонение, квадрат отклонения, относительное отклонение после построения модели по столбцам Количество и Количество_OUT. Относительное отклонение считается по формуле:
|Факт – Прогноз | / Факт * 100 Предусмотрите, что факт может иметь нулевое значение. В этом случае относительное отклонение
должно быть равно нулю, если и прогноз нулевой и 100%, если факт и прогноз различаются. Чтобы посчитать показатели ошибки по ряду в целом (MAE, MAPE, MSE, BIAS), необходимо использовать группировку по коду модели с подсчетом среднего по фактам ошибки. RMSE – это корень из MSE.
7. Выбор наилучшей модели производится методом TOP-n анализа: меры ошибки по всем моделям собираются в один набор данных (слияние с узлом, объединение), который нужно упорядочить по возрастанию ошибки (можете использовать любой показатель, хотя обычно используется средний квадрат ошибки - MSE). Затем при помощи группировки можно оставить только первую строку из набора данных. Для этого укажите, что название модели – это не измерение, а факт, и поставьте агрегирующую функцию – “первый”.
8. Прогнозы, полученные по разным моделям, объединяются при помощи обработчика “Слияние с узлом” (объединение). Чтобы оставить прогноз только по лучшей модели (ее название и меры ошибки определены на предыдущем шаге), необходимо соединить набор с объединенными прогнозами и набор с кодом лучшей модели при помощи внутреннего соединения. В результате прогнозы по моделям, коды которых не совпадают кодом лучшей модели, исчезнут (см. также пояснение в файле Как получить лучший прогноз.xlsx).
9. Чтобы получить потоварный прогноз на основе прогноза для группы, необходимо отфильтровать данные на требуемом горизонте и применить узел «Разгруппировка»
10. Обработка других групп производится при помощи узла «Групповая обработка»
11. В данных прогноза присутствуют только артикулы. Чтобы сделать результаты более понятными пользователю, можно добавить данные о наименовании товара и группе, соединив прогноз со списком товаров по категориям с помощью обработчика «Слияние с узлом» (по ключу Код товара).
Отчет оформите в виде экранных форм с пояснениями. Оформление контрольной работы в Microsoft Word. Файл программы Deductor тоже выслать.
подробнее
Заказчик
заплатил
заплатил
200 ₽
Заказчик не использовал рассрочку
Гарантия сервиса
Автор24
Автор24
20 дней
Заказчик принял работу без использования гарантии
19 мая 2015
Заказ завершен, заказчик получил финальный файл с работой
5
Аналитическое решение для прогнозирования спроса в системе Deductor.docx
2020-07-20 06:19
Последний отзыв студента о бирже Автор24
Общая оценка
4.4
Положительно
Работа выполнена быстро и качественно, расписано всё очень подробно. В очередной раз огромнейшее спасибо!!!)
Хочешь такую же работу?
300 ₽
