Επιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές [Εισαγωγικά Στοιχεία και Ποιοτικά Χαρακτηριστικά Χρονοσειρών] Διάλεξη 1

Transcript

1 ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Επιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές [Εισαγωγικά Στοιχεία και Ποιοτικά Χαρακτηριστικά Χρονοσειρών] Διάλεξη 1

2 Πρόβλεψη Επέκταση της ακολουθίας των παρατηρήσεων στο μέλλον

3 Πρόβλεψη Επέκταση της ακολουθίας των παρατηρήσεων στο μέλλον

4 Πρόβλεψη Επέκταση της ακολουθίας των παρατηρήσεων στο μέλλον

5 Πρόβλεψη 04 Η μεγαλύτερη πρόκληση στην ανάλυση χρονοσειρών είναι η πρόβλεψη, δηλαδή πώς η ακολουθία των παρατηρήσεων θα συνεχιστεί στο μέλλον. Το ζητούμενο είναι να ακολουθεί μια διαδικασία που θα εξασφαλίσει ότι θα παραχθούν όσο τον δυνατόν πιο ακριβείς προβλέψεις, αξιοποιώντας στο έπακρο όλη την διαθέσιμη ιστορική πληροφορία. Πολύς λόγος γίνεται για την ακρίβεια των μοντέλων προβλέψεων, για τα μεγάλα σφάλματα και την αδυναμία των μοντέλων προβλέψεων να υποδείξουν επερχόμενες αλλαγές που αιφνιδίασαν όλο τον επιχειρηματικό κόσμο. Ο βασικότερος λόγος για την κριτική είναι οι εσφαλμένες απαιτήσεις των χρηστών των προβλέψεων. Η πρόβλεψη δεν είναι υποκατάστατο της προφητείας. Τα σφάλματα στις προβλέψεις είναι αναπόφευκτα. Ιδιαίτερα σημαντικό, από πρακτικής απόψεως, είναι να κατανοήσουν οι χρήστες των προβλέψεων τα ρεαλιστικά πλεονεκτήματα αλλά και τα όρια των μεθόδων προβλέψεων και να τα λάβουν υπόψη τους όταν τις χρησιμοποιούν στον σχεδιασμό και στην λήψη αποφάσεων.

6 Κατηγορίες Μεθόδων Πρόβλεψης 05 Κατηγορίες Μεθόδων Πρόβλεψης Ποσοτικές (quantitative) Κριτικές (judgmental) Διαθέσιμη πληροφορία για το παρελθόν Ποσοτικοποίηση της πληροφορίας Θεώρηση πως το πρότυπο συμπεριφοράς θα διατηρηθεί και στο μέλλον. Εμπειρία, γνώση και κριτική ικανότητα

7 Κατηγορίες Μεθόδων Πρόβλεψης 06 Μοντέλο Χρονοσειρών Κατηγορίες Μεθόδων Πρόβλεψης X i f Y είσοδοι σύστημα έξοδος Ποσοτικές (quantitative) Κριτικές (judgmental) Μοντέλο Χρονοσειρών Αιτιοκρατικό Μοντέλο Αιτιοκρατικό Μοντέλο X i f Y Ανεξάρτητες σύστημα εξαρτημένη Μεταβλητές μεταβλητή

8 Πλεονεκτήματα και Μειονεκτήματα Μεθόδων Πρόβλεψης 07 Πλεονεκτήματα Συμβάλλουν στη σωστή λήψη αποφάσεων Συμβάλλουν στο σχεδιασμό Αν τα δεδομένα είναι υψηλής ποιότητας, μπορούν και οι προβλέψεις να είναι ακριβείς Μέθοδοι Πρόβλεψης Μειονεκτήματα o o Τα δεδομένα δεν είναι πάντα ακριβή και αξιόπιστα Το παρελθόν δεν είναι πάντα ο σωστός οδηγός για το μέλλον. Τα δεδομένα μπορεί να είναι πολύ παλιά o Επίδραση απρόβλεπτων εξωτερικών παραγόντων π. χ. νομοθεσία, πολιτική, φυσικές καταστροφές, κλπ special events)

9 Αβεβαιότητα 08 Αβεβαιότητα του μετρό Αβεβαιότητα της καρύδας

10 Forecasting Data and Methods 09 Cross-sectional forecasting Time series forecasting Predictor variables and time series forecasting

11 Χρονοσειρές 10 Εβδομαδιαία Δεδομένα Μηνιαία Δεδομένα Ημερήσια Δεδομένα Τριμηνιαία Δεδομένα Ετήσια Δεδομένα Ιστορικά Δεδομένα που απαρτίζονται από διαδοχικές παρατηρήσεις μέσα σε ένα χρονικό διάστημα. Οι παρατηρήσεις γίνονται ανά σταθερό χρονικό βήμα και κατηγοριοποιούνται όπως φαίνεται παραπάνω

12 Take a break! Grab some coffee and make new friends.

13 Ποιοτικά Χαρακτηριστικά Χρονοσειρών 11 Στασιμότητα Εποχιακότητα Κυκλικότητα Τάση Ασυνέχειες Τυχαιότητα Stationary Seasonality Cyclical Trend Ασυνήθιστες Τιμές (Outliers) Αλλαγή Επιπέδου (Level Shift) Irregular Random

14 Forecasting Data and Methods 12

15 Forecasting Data and Methods 13

16 Forecasting Data and Methods 14 Telephone Connection per Month

17 Forecasting Data and Methods 15 International Airline Passengers

18 Forecasting Data and Methods 16 Sales of new one family houses, USA

19 Forecasting Data and Methods 17 Sales of an Industrial Building Material

20 Forecasting Data and Methods 18

21 Forecasting Data and Methods 19 Annual Patent Application

22 Forecasting Data and Methods 20 Sales of Champagne per Month

23 Forecasting Data and Methods 21 Electricity Sales per Customer

24 Forecasting Data and Methods 22

25 Forecasting Data and Methods 23

26 Forecasting Data and Methods 24

27 Forecasting Data and Methods 24

28 Forecasting Data and Methods

29 Βασικά Βήματα σε μια Διαδικασία Πρόβλεψης 25 Συγκέντρωση Πληροφοριών (Gathering Information) Χρήση και αποτίμηση του μοντέλου πρόβλεψης (forecasting and monitoring) Καθορισμός Προβλήματος (Problem Definition) Προετοιμασία χρονοσειρών (data and adjustments) Επιλογή & Προσαρμογή Μοντέλου (Choosing & Fitting models) Forecast

30 Καθορισμός Προβλήματος (Problem Definition) 26 Συχνά αποτελεί το πιο δύσκολο μέρος στην διαδικασία πρόβλεψης. Πρέπει να γίνει απολύτως σαφές: πώς θα χρησιμοποιηθούν οι προβλέψεις ποιοι θα χρησιμοποιήσουν τις προβλέψεις Ιδιαίτερη σημασία πρέπει να δοθεί: ποιος θα συλλέξει τα στοιχεία ποιος θα συντηρεί τις βάσεις δεδομένων ποιος θα χρησιμοποιήσει τις προβλέψεις για τον μελλοντικό σχεδιασμό

31 Συγκέντρωση Πληροφοριών (Gathering Information) 27 Απαιτούνται τουλάχιστον δύο είδη πληροφοριών: στατιστικά (συνήθως αριθμητικά) δεδομένα η κρίση, η πείρα και η εμπειρία του προσωπικού πως ασχολούνταν με αυτή την αγορά το πρόσφατο χρονικό διάστημα. Πρέπει να συλλεχθούν πριν ξεκινήσει η διαδικασία της πρόβλεψης.

32 Προετοιμασία χρονοσειρών (data and adjustments) (1/3) 28 Δημιουργείται γενική «αίσθηση» των δεδομένων Υπάρχουν πρότυπα; Υπάρχει σημαντική τάση ή εποχικότητα; Υπάρχουν ασυνήθιστες τιμές; Η ανάλυση μας οδηγεί σε κατάλληλους χειρισμούς αποσύνθεσης και κατόπιν σε οικογένεια μοντέλων πρόβλεψης που λογικά αναμένεται να δώσει ικανοποιητικές προβλέψεις.

33 Προετοιμασία χρονοσειρών (data and adjustments) (2/3) 29 Απεικόνιση δεδομένων Τι πληροφορία αποκομίζουμε από τα ακατέργαστα ιστορικά δεδομένα; Προσαρμογή Δεδομένων adjustments Διαχείριση κενών τιμών - Missing Values Διαχείριση μηδενικών τιμών - Zero Values Ημερολογιακές προσαρμογές Working & Trading Days Δημιουργία σειράς τάσης-κύκλου (trend cycle line) με τη χρήση Κινητών Μέσων Όρων

34 Προετοιμασία χρονοσειρών (data and adjustments) (3/3) 30 Ανάλυση δεδομένων analysis Στατιστική Ανάλυση statistics (μέση τιμή, τυπική απόκλιση, min, max, mean) Στατιστικοί δείκτες Εποχιακότητα seasonality Growth rates Ασυνέχειες - Special Events & Actions (SEA) Ασυνήθιστες τιμές Αλλαγή επιπέδου Διαδικασία διόρθωσης (Impact chart of identified SEA) Αναδεικνύουν κάποια δευτερεύοντα χαρακτηριστικά της χρονοσειράς

35 Επιλογή & Προσαρμογή Μοντέλου (Choosing & Fitting models) 31 Επιλογή μεθόδου πρόβλεψης Επιλογή και καθορισμός των παραμέτρων

36 Χρήση & Αποτίμηση του μοντέλου πρόβλεψης (forecasting and monitoring) 32 Χρησιμοποιείται το επιλεγμένο μοντέλο με τις βέλτιστες παραμέτρους εξομάλυνσης ώστε να παραχθούν προβλέψεις. Το κατά πόσο το μοντέλο και οι προβλέψεις είναι ικανοποιητικές κρίνονται μόνο από τον χρόνο και αν είναι απαραίτητο κάποια βήματα στην διαδικασία της πρόβλεψης επαναλαμβάνονται.

37 Πεδία και Εφαρμογές Πρόβλεψης 33 Χρηματο - οικονομικά Πρόβλεψη των δεικτών του Χρηματιστηρίου Παραγώγων Αθηνών ΧΠΑ Πρόβλεψη Μεταβλητότητας των δεικτών του ΧΑ Περιβάλλον Ενεργειακή Ζήτηση Διαχείριση Υδάτινων Πόρων Μετεωρολογία Πρόβλεψη και Διαχείριση Κρίσεων Ρύπανση Κοινωνικό Περιβάλλον Περιβάλλον Ενεργειακή Ζήτηση- Παραγωγής Πρόβλεψη ζήτησης φορτίου ημερήσια ή ωριαία Πρόβλεψη μέγιστης αναγκαίας ισχύος θέρμανσης ή ψύξης Πρόβλεψη απαιτούμενης ενέργειας θέρμανσης ή ψύξης Περιβάλλον & Υδάτινοι Πόροι Πρόβλεψη των υδάτινων αποθεμάτων Πρόβλεψη πλημμύρων και ξηρασιών Πρόβλεψη ύψους βροχόπτωσης Πρόβλεψη ποιότητας υδάτων και εδαφών ετησίως

38 Πεδία και Εφαρμογές Πρόβλεψης 34 Μετεωρολογία Πρόβλεψη καιρού: Βροχόπτωση, Χιονόπτωση Ένταση ανέμου Νεφοκάλυψη, Ηλιοφάνεια Ρύπανση Πρόβλεψη ατμοσφαιρικών Ρύπων Πρόβλεψη επιπέδων θορύβου (ηχορύπανση) Πρόβλεψη Ρύπανσης Υδάτων Πρόβλεψη Ρύπανσης Εδαφών Θερμοκρασία, Υγρασία, Ατμοσφαιρική πίεση Μετεωρολογία Πρόβλεψη επικίνδυνων καιρικών φαινομένων: Καταιγίδα Θύελλα Πλημμύρα Κοινωνικό Περιβάλλον Πρόβλεψη με τη χρήση γεωδημογραφικών δεδομένων: Πρόβλεψη Εγκληματικότητας Πρόβλεψη Επιδημιών

39 Πεδία και Εφαρμογές Πρόβλεψης 35 Real Estate Εκτίμηση αντικειμενικών ή πραγματικών αξιών ακινήτων risk management : δανειοδοτήσεις, επανέλεγχος αξίας ακινήτων, απόφαση ρευστοποίησης ακινήτων Μεταφορές Οδικό Δίκτυο Πρόβλεψη κυκλοφοριακού φόρτου μέσω χωρο χρονικών μοντέλων: Δεδομένα ροής (αριθμός οχημάτων) % καταληψιμότητας ανά μονάδα χρόνου Μετρήσεις σε γεωγραφικά σημεία με συγκεκριμένη κατεύθυνση Πρόβλεψη Ατυχημάτων Τουρισμός Συνολικές αφίξεις Τουριστών Αφίξεις κατά μέσο μεταφοράς Συνολικές Διανυκτερεύσεις Τουριστών Διανυκτερεύσεις τουριστών ανά τουριστική περιοχή Αφίξεις ανά σκοπό ταξιδιού (συνεδριακός τουρισμός, αγροτουρισμός, κτλ) Ταξιδιωτικό συνάλλαγμα Μόδα Πρόβλεψη Χρώματος Παράγοντες και τάσεις που επηρεάζουν τις τάσεις και τη συμπεριφορά των καταναλωτών. Πολιτιστικές ανάλυση - Ανάλυση Μόδα - Υλικά και χρώμα ανάλυση Master In πρόβλεψης τάσεων μόδας: POLIMODA, INTERNATIONAL INSTITUTE OF FASHION DESIGN & MARKETING

40 36 Mobile Project ForeDroid - Εφαρμογή προβλέψεων για φορητές συσκευές με λογισμικό Android Analytics Support Locations Customizable On line Forecast:

41 Using R 37 How Proficient are you in R? Expert: I have written several packages on CRAN Skilled: I use it regularly User: I use it sometimes Learner: I have used it a few times Beginner: I have managed to download and install it

42 Using R Download & Install R Windows/ MAC (32/64 bit) 03 Install required packages install.packages("fpp",dependencies=true) 02 Download & Install R studio 04 Install required packages Forecast tseries MAPA Stats Ggplot2 fpp References & Further Reading Επιχειρησιακές Προβλέψεις, Πετρόπουλος Φ., Ασημακόπουλος Β., Αθήνα 2012 Armstrong, J. S., ed. (2001). Principles of forecasting: a handbook for researchers and practitioners. Boston, MA: Kluwer Academic Publishers Ord, J. K. and R. Fildes (2012). Principles of business forecasting. South-Western College Pub

43 Fell free to say hi! We are friendly and social Ηρώων Πολυτεχνείου 9, Ζωγράφος Αττική, 15780, Ελλάδα info(at)fsu.gr Τηλέφωνο: Fax: Κτίριο της Σχολής Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών 2ος όροφος NTUA Μονάδα Προβλέψεων και Στρατηγικής ΕΜΠ lesson@fsu.gr