Тема: Прогнозирование объема продаж

Процесс управления предприятием - это непрерывное развитие управленческих решений и их применение на практике. Успех предприятия во многом зависит от эффективности этих решений. В процессе производства менеджеры компании часто сталкиваются с критическими проблемами, требующими немедленных решений. Окончательный финансовый результат деятельности компании будет зависеть от принятого решения.
Необходимость в решении возникает каждый раз при наличии проблемы, которая в общем виде характеризуется двумя состояниями - заданным и прогнозируемым. Именно спрогнозированные значения будут в значительной степени влиять на процессе принятия управленческого решения. Несоответствие между желаемым и фактическим состоянием определяет необходимость принятия решения о развитии и управлении и контроля за его реализацией.
Актуальность этой проблемы возрастает из-за роста ассортимента продаваемых товаров, что заставляет многие торговые организации искать новые подходы в прогнозировании объемов продаж. Детальный анализ может предсказать продажи десятков видов товаров, но это невозможно сделать с сотнями, и особенно с тысячами. В то же время для компании, претендующей на место на рынке, необходимо строить прогнозы продаж для всех или, по крайней мере, наиболее распространенных видов товаров, иначе это может привести к значительным финансовым потерям.
Основной характерной чертой подобного рода задач является наличие базы данных с временными рядами о продажах большого спектра товаров (от сотен единиц до десятков тысяч). Что означает, имеется большое количество временных рядов, которые требуют периодического расширения для планирования бюджета и принятия управленческих решений.
Цель данной работы - изучить модель авторегрессии скользящего среднего и многослойного персептрона с обратного распространения ошибки. В статистике и обработке сигналов данная модель (autoregressive moving average, ARMA), используется для исследования временных рядов. Модель состоит из двух частей: авторегрессионной (AR) части и скользящей средней (MA). Для обозначения модели обычно используется обозначение ARMA (p, q), где p — порядок регрессионной части, ад — порядок скользящей средней. Использование соответствующих моделей авторегрессии для прогнозирования экономических показателей, может быть весьма эффективным (как правило, в краткосрочной перспективе).
Для наиболее эффективного прогнозирования, цели необходимо задать конкретными, и они должны быть поддающимися измеримыми. То есть для каждой цели должны существовать критерии, которые позволили бы оценить степень достижения цели. Без этих критериев не возможна реализация одной из основных функций управления - контроля. Исходя из этого, можно сделать вывод, что цель, степень достижения которой может быть определена количественно, всегда будет лучше цели, сформулированной только устно.
Купить

Одной из важнейших задач для многих компании (в частности для представителей розничной торговли). Инвестиции, направленные в эту область при правильном подходе окупятся в кратчайшие сроки.
Современные аналитические пакеты предлагают различные метода прогнозирования и анализа временных рядов продаж. Тем не менее при большом ассортименте продукции рассматривать каждый временной ряд по отдельности, проводить его детальный анализ и построение прогноза, становится практически не выполнимым.
Перспективным и надежным подходом, является программные решения, которые позволяют автоматизировать процесс прогнозирования и задействует ресурсы компьютера на максимум.
В дипломной работе были рассмотрены лишь два метода
прогнозирования временных рядов. В результате работы программа был сделан вывод что, нейронная сеть с обратным распространением ошибки
является лучшим выбором для данного ряда.
Купить