Грамотное прогнозирование продаж является одной из самых важных концепций успеха почти любой компании. Для того чтобы наиболее эффективно вести
бизнес, необходимо правильно рассчитать прогноз, что позволит компании оптимизировать и контролировать расходы. Когда же речь идёт о продукции, то качественно проведённое прогнозирование объёмов продаж, позволит так же сформировать оптимальный запас, что не повлечёт за собой нехватки или недостачи
продукта.
По данным прошлого года, вклад нефтепродуктов в ВВП России составлял
около 30%, в доходы бюджета — около 50%, в объем российского экспорта —
около двух третей. Существует мнение о том, что Россия «сидит на нефтяной игле». Сторонники этого мнения утверждают, что экономика России основывается
почти целиком на экспорте углеводородов, и если объёмы этого экспорта снизятся
или цена на нефть существенно упадёт, то это приведёт к полному экономическому
краху России. Однако есть и противники этого мнения, поэтому не стоит всецело
верить и думать, что в сегодняшней ситуации, когда цены на нефть весьма нестабильны, нашу страну ждёт неминуемый провал.
С другой стороны, наиболее точное прогнозирование объёмов продаж
нефтепродуктов позволит более эффективно использовать ресурсы страны, что не
может не отразиться на экономике в целом. Поэтому, очень важно, чтобы компании, занимающиеся поставкой и продажей нефтепродуктов, имели представление
о том, что может произойти в будущем, так как это позволит своевременно реагировать на возможные события. Кроме того, к процедуре прогнозирования объема
продаж следует подходить серьезно, поскольку из нее вытекает планирование
всего бизнеса. Это может быть, как формирование бизнес-плана, так и формирование бюджета компании. Если прогноз является ошибочным и неточным, то и
планирование окажется никому не нужным, так как не принесёт должных результатов.5
Таким образом, планирование бизнеса, то есть формирование бизнес-планов,
оценка и формирование бюджета, опирается на прогнозирование объема продаж, а
целью планирования является распределение ресурсов компании таким образом,
чтобы обеспечить эти ожидаемые продажи.
Компания может заниматься прогнозированием доли своих продаж на рынке, либо оценивать свой личный объём продаж. В данной работе будет рассматриваться прогнозирование личных объёмов продаж нефтепродуктов компании
ОАО «Газпром нефть». ОАО «Газпром нефть» предоставила статистику, по которой на данный момент, для того, чтобы рассчитать прогноз объёмов продаж
нефтепродуктов, а так же сопутствующих товаров на АЗС на следующий день
тратится 4.5 человеко/дня. Такой показатель для компании является неприемлемым в виду отсутствия необходимого времени, нужного количества человеческих
ресурсов, а так же в виду того, что процесс прогнозирования ведётся с помощью
инструментов Excel, которые опираются на данные и факты, которые на сегодняшний момент потеряли свою актуальность и эффективность, что не позволяет
строить удовлетворительный прогноз.
Поэтому можно выделить ряд прикладных задач, позволяющих упростить и
модифицировать этот процесс. Одна их таких задач – это задача разработки ансамбля из разных моделей алгоритмов прогнозирования, который позволит выбрать лучший из возможных методов для каждого прогнозируемого объекта,
сможет накапливать статистику о параметрах выбранной модели для дальнейшего
анализа, а так же позволит сделать процесс создания прогноза более автоматизированным.
В ходе данной работы была рассмотрена задача прогнозирования объёмов
продаж основных нефтепродуктов на АЗС компании ОАО ”Газпром нефть”. Были
применены некоторые способы преобразования данных, была рассмотрена возможность применения различных моделей алгоритмов прогнозирования на реальных тестовых данных. Были проведены сравнение и анализ результатов.
Рассмотренные модели алгоритмов были объединены в единый ансамбль,
реализованный на языке R, который в дальнейшем будет расширяться и использоваться сотрудниками компании ОАО ”Газпром нефть”.
Разработанный прогнозный модуль позволяет накапливать статистику о параметрах моделей алгоритмов, показавших наилучшие результаты. Существование таких параметров позволит экспертам по анализу данных в данной области, производить прогноз самостоятельно, когда это становится невозможным в виду отсутствия качества или нужного количества данных.
По результатам проведённых экспериментов лучшие результаты показал метод
Хольта-Винтерса, усредённая погрешность в этом случае составила 7.2%, хуже
всего отработала нейронная сеть, здесь усреднённая погрешность оказалась равной
10.8%.
В ходе дальнейшего исследования можно рассмотреть другие алгоритмы
прогнозирования, что может положительно сказаться на качестве прогноза и повысит точность. Кроме того, в данных не учитываются возможные простои АЗС,26
учёт которых позволил бы не исключать из рассмотрения временные ряды с пропущенными значениями.
Так же, для улучшения качества прогноза в будущем можно учитывать факт
изменения формата АЗС, который зависит от размера автозаправочной станции;
возможно введение меток для входных данных, таких как: “праздничный день”,
“пятница” и др., что позволит сделать дополнительный акцент на характере временного ряда.
