ΠΛΗΡΟΦΟΡΙΑ & ΔΙΑΙΣΘΗΣΗ Η διαίσθησή μας (ικανότητα να αναγνωρίζουμε πρότυπα σχήματα) μόνο δεν επαρκεί αν δεν υπάρχει επιπλέον πληροφορία για τα δεδομένα. Επιπλέον πληροφορία: Τα δεδομένα που ακολουθούν είναι μηνιαίες πωλήσεις του κόκκινου Αυστραλέζικου κρασιού Υπάρχουν δεδομένα αρκετών ετών
Μηνιαίες πωλήσεις Αυστραλέζικού κρασιού 3500 3000 Πωλήσεις($100 2500 2000 1500 1000 500 0 1 9 17 25 33 41 49 57 65 73 81 89 97 105 113 121 129 137 Μήνας
ΠΑΡΑΤΗΡΟΥΜΕ ΟΤΙ: Η χρονοσειρά περιλαμβάνει Εποχική συμπεριφορά Ανοδική τάση Αυξανόμενο πλάτος κύκλου καθώς αυξάνει το επίπεδο
Η ΑΞΙΑ ΤΩΝ ΔΕΔΟΜΕΝΩΝ Από τα δεδομένα αυτά μπορούμε να προβλέψουμε ικανοποιητικά τη χρονοσειρά. Υποθέτουμε ότι η χρονοσειρά έχει ευσταθή συμπεριφορά Απαιτούνται τουλάχιστον 4-5 εποχές στα δεδομένα. Για τη μηνιαία ζήτηση απαιτούνται τουλάχιστον 4 to 5 έτη παρατηρήσεων Με παρατηρήσεις 2 ετών, οι προβλέψεις βασίζονται ουσιαστικά σε δύο χρονικά σημεία εάν υπάρχει εποχική συμπεριφορά
1 ος ΝΟΜΟΣ ΠΡΟΒΛΕΨΕΩΝ: ΠΑΡΕΛΘΟΝ & ΜΕΛΛΟΝΤΙΚΗ ΣΥΜΠΕΡΙΦΟΡΑ Υποθέτουμε ότι το μέλλον συμπεριφέρεται με τον ίδιο τρόπο όπως το παρελθόν Εάν η συμπεριφορά της χρονοσειράς αλλάξει, τότε οι προβλέψεις δεν είναι ακριβείς
ΣΤΗΝ ΑΡΧΗ Η ΠΡΟΒΛΕΨΗ ΕΙΝΑΙ ΕΥΚΟΛΗ Τιμή προϊόντος Τιμή ($/Uni 4 3,5 3 2,5 2 1,5 1 0,5 Price 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 Περίοδος
ΚΑΜΜΙΑ ΜΕΘΟΔΟΣ ΒΑΣΙΖΟΜΕΝΗ ΣΤΗ ΣΥΜΠΕΡΙΦΟΡΑ ΤΟΥ ΠΑΡΕΛΘΟΝΤΟΣ ΔΕΝ ΜΠΟΡΕΙ ΝΑ ΠΡΟΒΛΕΨΕΙ ΤΗ ΣΥΝΕΧΕΙΑ Τιμή προϊόντος 4 3,5 3 Τιμή ($/Uni 2,5 2 1,5 1 0,5 Price 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 Περίοδος
ΠΟΡΙΣΜΑ 1 ου ΝΟΜΟΥ ΠΡΟΒΛΕΨΕΩΝ Στην πραγματικότητα το μέλλον συχνά δεν συμπεριφέρεται όπως το παρελθόν. Η συμπεριφορά πολλών χρονοσειρών συχνά μεταβάλλεται.
2 ος ΝΟΜΟΣ ΠΡΟΒΛΕΨΕΩΝ ΠΕΡΙΟΡΙΣΜΕΝΗ ΑΚΡΙΒΕΙΑ ΠΡΟΒΛΕΨΗΣ Ακόμη και όταν η μελλοντική συμπεριφορά της χρονοσειράς είναι όπως στο παρελθόν, οι προβλέψεις δεν μπορούν να γίνουν με απόλυτη ακρίβεια. Οι χρονοσειρές αποτελούνται από μία προσδιοριστική συνιστώσα και μία συνιστώσα τυχαίου θορύβου Η ακρίβεια που επιτυγχάνεται εξαρτάται από το μέγεθος της συνιστώσας τυχαίου θορύβου
ΠΟΡΙΣΜΑ 2 ου ΝΟΜΟΥ ΠΡΟΒΛΕΨΕΩΝ Όλες οι προβλέψεις έχουν σφάλματα Το ζητούμενο είναι: Πόσο κοντά μπορεί να πλησιάσει η πρόβλεψη την πραγματική τιμή; Είναι σημαντικό να μπορέσουμε να ποσοτικοποοήσουμε την αναμενόμενη ακρίβεια της πρόβλεψης
ΔΙΑΣΤΗΜΑΤΑ ΠΡΟΒΛΕΨΗΣ Μπορούμε να κατασκευάσουμε διαστήματα πρόβλεψης της μορφής: Υπάρχει xx% πιθανότητα ότι η πραγματική τιμή θα βρίσκεται στο διάστημα Παράδειγμα Πρόβλεψη K
Ιστορικά δεδομένα και μελλοντικές προβλέψεις 20 15 10 Παρόν Ζήτησηn 5 0-5 -10 Ιστορικά δεδομένα Μελλοντικές προβλέψεις -15-20 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 Περίοδος
Προβλέψεις με 50% διαστήματα πρόβλεψης 20 15 10 Ζήτησηn 5 0-5 -10-15 -20 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 Περίοδος
Προβλέψεις με 95% διαστήματα πρόβλεψης 20 15 10 Ζήτησηn 5 0-5 -10-15 -20 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 Περίοδος
ΔΙΑΣΤΗΜΑΤΑ ΠΡΟΒΛΕΨΗΣ Τα διαστήματα πρόβλεψης βασίζονται στις υποθέσεις Το μέλλον συμπεριφέρεται όπως το παρελθόν Το μοντέλο που χρησιμοποιείται για τον υπολογισμό του διαστήματος πρόβλεψης περιγράφει με ακρίβεια τα δεδομένα Τα διαστήματα πρόβλεψης δίνουν αισιόδοξες προβλέψεις (εξ αιτίας των υποθέσεων) Προσέξτε όμως πόσο εύρος έχουν!
3 ος ΝΟΜΟΣ ΠΡΟΒΛΕΨΗΣ Όσο μακρύτερα στο μέλλον προσπαθούμε να προβλέψουμε, τόσο μεγαλώνει το σφάλμα της πρόβλεψης. Αυτό συμβαίνει ακόμη και όταν το μέλλον συμπεριφέρεται όπως το παρελθόν. (όπως προκύπτει από διαστήματα πρόβλεψης)
ΠΟΡΙΣΜΑ 3 ου ΝΟΜΟΥ ΠΡΟΒΛΕΨΕΩΝ Οι περισσότερες σημαντικές αποφάσεις συχνά βασίζονται σε μακροπρόθεσμες προβλέψεις. π.χ. το κτίσιμο ενός κτιρίου Αν και ο κίνδυνος είναι πιο σημαντικός στις περιπτώσεις αυτές Παράδειγμα: Πρόβλεψη για την παραγωγή οπτικών ινών
ΑΠΟΦΑΣΕΙΣ ΚΑΙ Ο 2 ος ΝΟΜΟΣ ΤΩΝ ΠΡΟΒΛΕΨΕΩΝ Οι αποφάσεις βασίζονται στις προβλέψεις (Διαφορετικά δεν θα κάναμε προβλέψεις!) Θα πρέπει να λαμβάνουμε υπ όψη τις συνέπειες της απόφασης σε σχέση με το εύρος των δυνατών αποτελεσμάτων Δηλαδή: Επειδή οι προβλέψεις διακατέχονται από ένα εγγενές σφάλμα, οι αποφάσεις που βασίζονται στις προβλέψεις διακατέχονται από εγγενή κίνδυνο Οι ορθολογικές αποφάσεις περιλαμβάνουν ανάλυση του κινδύνου Δεν αγοράζουμε μετοχές αποκλειστικά με βάση την αναμενόμενη απόδοση
Κέρδος από δύο Αποφάσεις ως προς τις Πωλήσεις Κέρδοςi 80000 60000 40000 20000 0-20000 -40000-60000 -80000-100000 Decision 1 Decision 2-120000 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 Πωλήσεις(x1000)
Κέρδος από δύο Αποφάσεις ως προς τις Πωλήσεις Κέρδοςi 80000 60000 40000 20000 0-20000 -40000-60000 Decision 1 Decision 2-80000 -100000-120000 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 Πωλήσεις (x1000) Πρόβλεψη Πωλήσεων
Κέρδος από δύο Αποφάσεις ως προς τις Πωλήσεις Κέρδοςi 80000 60000 40000 20000 0-20000 -40000-60000 Decision 1 Decision 2-80000 -100000-120000 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 Πωλήσεις (x1000) Διάστημα πρόβλεψης
Κέρδος από δύο Αποφάσεις ως προς τις Πωλήσεις Κέρδοςi 80000 60000 40000 20000 0-20000 -40000-60000 Decision 1 Decision 2-80000 -100000-120000 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 Πωλήσεις (x1000) Διάστημα Πρόβλεψης
ΠΡΟΒΛΕΨΕΙΣ & ΑΠΟΦΑΣΕΙΣ Η πρόβλεψη αποτελεί μέρος της διαδικασίας λήψης απόφασης Είναι σημαντικό να διαχωρίζουμε τις αποφάσεις που βασίζονται σε προβλέψεις Έχοντας αυτά υπ όψη μπορούμε να ξέρουμε Πότε και πόσο συχνά να κάνουμε προβλέψεις Σε τι επίπεδο συγκέντρωσης να γίνονται οι προβλέψεις
ΣΥΓΚΕΝΤΡΩΤΙΚΕΣ ΠΡΟΒΛΕΨΕΙΣ Υποθέτουμε ότι προβλέπουμε τη ζήτηση ενός προϊόντος X σε επίπεδο ενός μεμονωμένου πελάτη. Υποθέτουμε επίσης ότι χρειαζόμαστε την πρόβλεψη της συνολικής ζήτησης του προϊόντος X για το σχεδιασμό της παραγωγής: Προσθέτουμε όλες τις επιμέρους προβλέψεις για να πάρουμε την πρόβλεψη της συνολικής ζήτησης του προϊόντος X; Ή υπολογίζουμε την πρόβλεψη της συνολικής ζήτησης του προϊόντος X από τα δεδομένα της συνολικής ζήτησης;
ΔΥΟ ΔΙΑΦΟΡΕΤΙΚΕΣ ΠΡΟΣΕΓΓΙΣΕΙΣ Μεμονωμένη πρόβλεψη: Πρόβλεψη για κάθε μεμονωμένο πελάτη Άθροιση των προβλέψεων για την πρόβλεψη της συνολικής ζήτησης Απ ευθείας πρόβλεψη: Πρόβλεψη από τα μηνιαία δεδομένα της συνολικής ζήτησης
ΕΠΙΧΕΙΡΗΜΑΤΑ ΓΙΑ ΜΕΜΟΝΩΜΕΝΕΣ ΠΡΟΒΛΕΨΕΙΣ Αθροίζοντας τη συνολική ζήτηση, έχουμε απώλεια πληροφορίας Πληροφορίες σχετικές με τους επιμέρους πελάτες χάνονται ή/και εμποδίζονται να αποκαλυφθούν λόγω της άθροισης Κάτω από ορισμένες προϋποθέσεις αποδεικνύεται ότι οι μεμονωμένες προβλέψεις είναι εξ ίσου καλές όπως και η απ ευθείας πρόβλεψη
ΕΠΙΧΕΙΡΗΜΑΤΑ ΓΙΑ ΑΠ ΕΥΘΕΙΑΣ ΠΡΟΒΛΕΨΕΙΣ Εξειδικευμένες συνθήκες που σπάνια ικανοποιούνται στην πράξη Κάθε μεμονωμένη πρόβλεψη απαιτεί την εκτίμηση των παραμέτρων ενός μοντέλου, οι εκτιμητές του οποίου διέπονται από το σφάλμα της εκτίμησης Τα σφάλματα αυτά συντίθενται στις μεμονωμένες προβλέψεις Η απ ευθείας πρόβλεψη δεν πάσχει από αυτό το πρόβλημα.
ΕΜΠΕΙΡΙΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΥΠΟΣΤΗΡΙΖΟΥΝ ΚΑΙ ΤΙΣ ΔΥΟ ΑΠΟΨΕΙΣ Η απ ευθείας μέθοδος είναι καλύτερη όταν: Οι μεμονωμένες χρονοσειρές είναι θετικά συσχετισμένες (τείνουν να μεταβάλλονται μαζί π.χ. όλοι οι πελάτες επηρεάζονται από τις οικονομικές συγκυρίες Οι προβλέψεις χαμηλού επιπέδου δεν αξιοποιούν όλη τη διαθέσιμη πληροφορία
Η ψηφιοποίηση του εκπαιδευτικού υλικού έγινε στο πλαίσιο υλοποίησης της πράξης με τίτλο «ΕΝΙΣΧΥΣΗ ΣΠΟΥΔΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ στο ΤΕΙ ΚΑΒΑΛΑΣ», του Μέτρου 2.2 «Αναμόρφωση Προγραμμάτων Σπουδών - Διεύρυνση Τριτοβάθμιας Εκπαίδευσης» του ΕΠΕΑΕΚ ΙΙ, που συγχρηματοδοτείται από το Ευρωπαϊκό Κοινωνικό Ταμείο (Ε.Κ.Τ.) κατά 80% και Εθνικούς πόρους κατά 20%.