Содержание
Введение
1. Классификацияметодов прогнозирования
2. «Мягкие»вычисления. Нейронные сети и нечеткая логика
3. Выбор методапрогнозирования
4. Используемые методы
5. Научноепрогнозирование и бизнес
Заключение
Список литературы
Введение
Сегодняразрабатываются методы прогнозирования, использующие положения теории хаоса ифракталов. В отличие от «мягких» алгоритмов, они пока малопроработаны как с теоретической точки зрения, так и в плане практическойреализации. Отдельные моменты иногда применяются при анализе финансовых рынков- трейдеры, как правило, первыми испытывают все новые методы прогнозирования.Потенциальная практическая значимость этих исследований не вызывает сомнений. Врезультате могут быть получены методы довольно точного прогнозирования резких ивнезапных изменений — например, экономических кризисов, скачкообразной динамикиспроса, банкротств...
Историческаялогика развития методов прогнозирования отражает рост информационнойнасыщенности, возрастающую взаимозависимость различных объектов и сложность ихповедения. Новые методы появляются в области сложных комбинированных подходов,использующих элементы искусственного интеллекта, обучения и развития. Учитываятот факт, что в последнее время в рамках отдельных концепций разработаномножество алгоритмов для специфических задач и частных случаев, можнопредположить, что будут развиваться не столько методы прогнозирования, сколькометодология в целом.
1. Классификацияметодов прогнозирования
Чтобыполучить общее представление о методах прогнозирования, необходимо для началаклассифицировать эти методы. Их принято разделять на количественные икачественные.
Методыразличаются:
погоризонту прогноза: краткосрочные (как правило, в пределах года или несколькихмесяцев), среднесрочные (несколько лет) и долгосрочные (более пяти лет);
потипу прогнозирования: эвристические (использующие субъективные данные, оценки имнения), поисковые (в свою очередь делятся на экстраполятивные, проецирующиепрошлые тенденции в будущее, и альтернативные, учитывающие возможностискачкообразной динамики явлений и различные варианты их развития) и нормативные(оценка тенденций проводится исходя из заранее установленных целей и задач);
постепени вероятности событий: вариантные (подразумевают вероятностный характербудущего и предлагают несколько сценариев развития событий) и инвариантные(предполагается единственный сценарий);
поспособу представления результатов: точечные (прогнозируется точное значениепоказателя) и интервальные (прогнозируется диапазон наиболее вероятныхзначений);
постепени однородности: простые и комплексные (сочетают в себе нескольковзаимосвязанных простых методов);
похарактеру базовой информации: фактографические (основываются на имеющейсяинформации о динамике развития явления или объекта, бывают статистическими иопережающими), экспертные (индивидуальные и коллективные, в зависимости отчисла экспертов) и комбинированные (использующие разнородную информацию).
2. «Мягкие»вычисления. Нейронные сети и нечеткая логика
Рассмотримнекоторые методы «мягких» вычислений, не получившие пока широкогораспространения в бизнесе. Алгоритмы и параметры этих методов значительноменьше детерминированы по сравнению с традиционными. Появление концепций«мягких» вычислений было вызвано попытками упрощенного моделированияинтеллектуальных и природных процессов, которые во многом носят случайныйхарактер.
Нейронныесети используют современное представление о строении и функционировании мозга.Считается, что мозг состоит из простых элементов — нейронов, соединенных междусобой синапсами, через которые они обмениваются сигналами.
Основноепреимущество нейронных сетей заключается в способности обучаться на примерах. Вбольшинстве случаев обучение представляет собой процесс изменения весовыхкоэффициентов синапсов по определенному алгоритму. При этом, как правило,требуется много примеров и много циклов обучения. Здесь можно провести аналогиюс рефлексами собаки Павлова, у которой слюноотделение по звонку тоже началопоявляться не сразу. Отметим лишь, что самые сложные модели нейронных сетей намного порядков проще мозга собаки; и циклов обучения нужно значительно больше.
Применениенейронных сетей оправдано тогда, когда невозможно построить точнуюматематическую модель исследуемого объекта или явления. Например, продажи вдекабре, как правило, больше, чем в ноябре, но нет формулы, по которой можнопосчитать, насколько они будут больше в этом году; для прогнозирования объемапродаж можно обучить нейронную сеть на примерах предыдущих лет.
Срединедостатков нейронных сетей можно назвать: длительное время обучения,склонность к подстройке под обучающие данные и снижение обобщающих способностейс ростом времени обучения. Кроме того, невозможно объяснить, каким образом сетьприходит к тому или иному решению задачи, то есть нейронные сети являютсясистемами категории «черный ящик», потому что функции нейронов и весасинапсов не имеют реальной интерпретации. Тем не менее, существует массанейросетевых алгоритмов, в которых эти и другие недостатки так или иначенивелированы.
Впрогнозировании нейронные сети используются чаще всего по простейшей схеме: вкачестве входных данных в сеть подается предварительно обработанная информацияо значениях прогнозируемого параметра за несколько предыдущих периодов, навыходе сеть выдает прогноз на следующие периоды — как в вышеупомянутом примерес продажами. Существуют и менее тривиальные способы получения прогноза;нейронные сети — очень гибкий инструмент, поэтому существует множество конечныхмоделей самих сетей и вариантов их применения.
Ещеодин метод — генетические алгоритмы. В их основе лежит направленный случайныйпоиск, то есть попытка моделирования эволюционных процессов в природе. Вбазовом варианте генетические алгоритмы работают так:
1.Решение задачи представляется в виде хромосомы.
2.Создается случайный набор хромосом — это изначальное поколение решений.
3.Они обрабатываются специальными операторами репродукции и мутации.
4.Производится оценка решений и их селекция на основе функции пригодности.
5.Выводится новое поколение решений, и цикл повторяется.
Врезультате с каждой эпохой эволюции находятся более совершенные решения.
Прииспользовании генетических алгоритмов аналитик не нуждается в априорнойинформации о природе исходных данных, об их структуре и т. д. Аналогия здесьпрозрачна — цвет глаз, форма носа и густота волосяного покрова на ногахзакодированы в наших генах одними и теми же нуклеотидами.
Впрогнозировании генетические алгоритмы редко используются напрямую, так каксложно придумать критерий оценки прогноза, то есть критерий отбора решений, — при рождении невозможно определить, кем станет человек — космонавтом илиалконавтом. Поэтому обычно генетические алгоритмы служат вспомогательнымметодом — например, при обучении нейронной сети с нестандартными активационнымифункциями, при которых невозможно применение градиентных алгоритмов. Здесь вкачестве примера можно назвать MIP-сети, успешно прогнозирующие, казалось бы,случайные явления — число пятен на солнце и интенсивность лазера.
Ещеодин метод — нечеткая логика, моделирующая процессы мышления. В отличие отбинарной логики, требующей точных и однозначных формулировок, нечеткаяпредлагает иной уровень мышления. Например, формализация утверждения«продажи в прошлом месяце были низкими» в рамках традиционнойдвоичной или «булевой» логики требует однозначного разграниченияпонятий «низкие» (0) и «высокие» (1) продажи. Например,продажи равные или большие 1 миллиона шекелей — высокие, меньше — низкие.
Возникаетвопрос: почему продажи на уровне 999 999 шекелей уже считаются низкими?Очевидно, что это не совсем корректное утверждение. Нечеткая логика оперируетболее мягкими понятиями. Например, продажи на уровне 900 тыс. шекелей будутсчитаться высокими с рангом 0,9 и низкими с рангом 0,1.
Внечеткой логике задачи формулируются в терминах правил, состоящих изсовокупностей условий и результатов. Примеры простейших правил: «Есликлиентам дали скромный срок кредита, то продажи будут так себе»,«Если клиентам предложили приличную скидку, то продажи будутнеплохими».
Послепостановки задачи в терминах правил четкие значения условий (срок кредита вднях и размер скидки в процентах) преобразуются в нечеткую форму (большой,маленький и т. д.). Затем производится их обработка с помощью логических операцийи обратное преобразование к числовым переменным (прогнозируемый уровень продажв единицах продукции).
Посравнению с вероятностными методами нечеткие позволяют резко сократить объемпроизводимых вычислений, но обычно не повышают их точность. Среди недостатковтаких систем можно отметить отсутствие стандартной методики конструирования,невозможность математического анализа традиционными методами. Кроме того, вклассических нечетких системах рост числа входных величин приводит кэкспоненциальному росту числа правил. Для преодоления этих и другихнедостатков, так же как и в случае нейронных сетей, существует множествомодификаций нечетко-логических систем.
Врамках методов «мягких» вычислений можно выделить так называемыегибридные алгоритмы, включающие в себя несколько разных составляющих. Например,нечетко-логические сети, или уже упоминавшиеся нейронные сети с генетическимобучением.
Вгибридных алгоритмах, как правило, имеет место синергетический эффект, прикотором недостатки одного метода компенсируются достоинствами других, иитоговая система показывает результат, недоступный ни одному из компонентов поотдельности.3. Выборметода прогнозирования
Любойпроцесс прогнозирования, как правило, строится в следующей последовательности:
1.Формулировка проблемы.
2.Сбор информации и выбор метода прогнозирования.
3.Применение метода и оценка полученного прогноза.
4.Использование прогноза для принятия решения.
5.Анализ «прогноз-факт».
Всеначинается с корректной формулировки проблемы. В зависимости от нее задачапрогнозирования может быть сведена, например, к задаче оптимизации. Длякраткосрочного планирования производства не так важно, каким будет объем продажв ближайшие дни. Важнее максимально эффективно распределить объемы производствапродукции по имеющимся мощностям.
Краеугольнымограничением при выборе метода прогнозирования будет исходная информация: еетип, доступность, возможность обработки, однородность, формализуемость, объем.Например, при прогнозировании темпов научно-технического прогресса в случаемасштабного контакта и сотрудничества с внеземной цивилизацией применениефактографических методов вряд ли будет возможным. Для таких прогнозовнеобходимо использовать методы моделирования, экспертные, сценарные. С другой стороны,для прогнозирования объемов продаж туалетной бумаги с приемлемой точностьюдостаточно простой экстраполяции тренда.
Выборконкретного метода прогнозирования зависит от многих моментов. Достаточно лиобъективной информации о прогнозируемом явлении (существует ли данный товар илианалоги достаточно долго)? Ожидаются ли качественные изменения изучаемогоявления (оснащение автомобиля антигравитационным оборудованием)? Имеются лизависимости между изучаемыми явлениями и/или внутри массивов данных (объемыпродаж, как правило, зависят от объемов вложений в рекламу)? Являются ли данныевременным рядом (информация о наличии собственности у заемщиков не являетсявременным рядом)? Имеются ли повторяющиеся события (сезонные колебания)?
4. Используемыеметоды
Извсего набора методов прогнозирования в реальной практике бизнеса используютсялишь некоторые.
Абсолютныйхит — метод оценки прогнозов сотрудниками компании. Подразумевается, чтоработники обладают необходимым опытом и интуитивным знанием предметной области,рынка. К этой же группе можно отнести опросы потребителей, которые призванывыявить их предпочтения и ожидания, на основе чего моделируется будущее.
Второйпо популярности является экстраполяция трендов, которая подразумевает выявлениево временном ряде основной тенденции и продление ее в будущее. Этот методпредельно прост и дает приблизительные результаты.
Скользящеесреднее применяется при краткосрочном прогнозировании: каждое последующеезначение среднего рассчитывается на основе сдвигающегося вперед наборапредыдущих значений.
Методаналогий предполагает построение прогноза на основе известной динамикиродственных явлений, например товаров-субститутов. Этот способ прогнозированиясхож с методом подобия, применяемым на финансовых рынках, но менее трудоемок,используется обычно в случае новых товаров.
Экспоненциальноесглаживание выдает в качестве прогноза комбинацию прошлых значений. Методработает при небольших колебаниях уровней ряда или при краткосрочномпрогнозировании.
Регрессионныйанализ исследует взаимосвязь зависимой переменной от других независимых,применяется при наличии связи между прогнозируемым процессом и какими-либофакторами, влияющими на него.
Изэкспертных оценок обычно используют хорошо известный метод «Дельфи».
Вбизнесе в основном применяют субъективные методы прогнозирования и некоторыеколичественные. Возникает вопрос: почему, имея значительный набор средствпрогнозирования, аналитики в подавляющем большинстве случаев продолжаютпользоваться простейшими из них? Причин здесь несколько.
Во-первых,использование более сложных методов не всегда приводит к повышению точностипрогнозов. Многие вещи можно прочувствовать, но практически невозможнопросчитать. Интуиция в бизнесе все еще остается незаменимой. Во-вторых, чемсложнее метод, тем больше времени требуется на подготовку данных, на расчеты,анализ, численные эксперименты. Чем больше ассортимент, тем проще используемыеметоды прогнозирования (или больше штат прогнозистов).
В-третьих,окружающая среда, продукция, внутрифирменные факторы и прочие условия меняютсяслишком часто, что не позволяет опереться при прогнозировании нарепрезентативные выборки исходных данных. При этом подавляющее большинствометодов прогнозирования так или иначе использует именно исторические данные.
В-четвертых,грамотное применение научных методов прогнозирования обычно требует специальныхзнаний, соответствующего образования, умения пользоваться математическим истатистическим аппаратом, прикладными пакетами анализа и т. д.
Какойже точности прогноза удается добиться с помощью используемых на практикеметодов? Здесь все, как правило, зависит от степени агрегированностипоказателя. Так, если прогнозировать совокупный общий объем реализации вденьгах — точность прогноза может достигать +-5%. Но если прогнозировать,например, объемы оптовых продаж потребительских товаров по ассортиментнымпозициям в разрезе регионов — очень высоким результатом считается 40-процентнаяточность попадания в интервал +-20% в пределах месяца, то есть объем реализации40% позиций ассортимента угадан с точностью +-20%.
Широкоизвестным является факт значительного роста объемов оптовых продаж к концумесяца. Если сравнивать объемы продаж первой и последней недель внутри месяца — разница может достигать нескольких сотен процентов, тогда как разница междудвумя месяцами обычно не так велика.
Чемболее агрегированный по объему или по времени показатель анализируется, темточнее будет прогноз. Со снижением степени агрегированности снижается и пользаот статистических методов. Поэтому необходимо искать баланс между детализациейи точностью.5. Научноепрогнозирование и бизнес
Текущийуровень развития средств обработки информации позволяет говорить о возможностимассового перехода от отдельных методов прогнозирования к системам поддержкипринятия решений, использующим в работе элементы искусственного интеллекта исамообучения. Однако практическая востребованность этих методов вызываетсомнения.
Во-первых,не доказано их преимущество перед человеческой интуицией в условиях бизнеса.Во-вторых, процесс функционирования сложной системы, как правило, недостаточнопрозрачен для пользователя, соответственно, результат не вызывает полногодоверия. В-третьих, параметры таких систем требуют тонкой настройки и подбора,методы проведения которых практически не формализованы. В-четвертых,комплексные прогностические системы создаются для уникальных условий и редкотиражируются, в связи с чем стоимость их разработки, внедрения и поддержкидовольно высока.
Этии другие причины тормозят проникновение научного прогнозирования в бизнес,фильтрующий все методы на предмет практической пользы и простоты применения.Вне зависимости от их продвинутости — с академической точки зрения.
Заключение
Современнаянаука предлагает более 150 методов прогнозирования, которые могут бытьиспользованы для целей бизнеса. От простейших приемов усреднения допрограммно-аппаратных систем поддержки принятия решений. И если практикойприменения трендовых моделей и экспертных оценок в экономике сложно кого-тоудивить, то новые достижения научной мысли на стыке математики, статистики,информатики и кибернетики продолжают оставаться недостаточно востребованнымибольшинством компаний.
Причинздесь несколько: консерватизм и отсутствие воображения у многих менеджеров,сложность новых концепций прогнозирования и их математического аппарата,неочевидность сравнительной практической пользы от внедрения, нехваткаинформации о них.
Методы«мягких» вычислений, среди которых можно отметить нейронные сети,генетические алгоритмы и нечеткую логику, существуют уже несколько десятилетий.Но вряд ли многие из читателей смогут вспомнить пример их регулярногоиспользования в бизнесе. Исключением будут разве что компании, чья основнаядеятельность — активные операции на финансовых рынках, страховщики и некоторыебанки.
Внаучных кругах прогрессивность и практическая польза этих методов не вызываютсомнений, однако теоретикам далеко не всегда удается донести информацию допрактиков в доступной форме.
Список литературы
1. Теория прогнозирования и принятия решений: Учеб. пособие. /Под ред. С.А.Саркисяна. — М.: Высшая школа, 2005. — 514с.
2. Титова Т.А. Перспективы развития научного прогнозирования// Экономика иматематические методы. – 2008. — №2. – с. 26-29
3. Фейгенберг Дж. Основы научного прогнозирования. /Пер. с нем. – М., 2002.- 245с.
4. Шабанов П.А. Методы научного прогнозирования и их практическоеприменение. М.: 2007
5. Шукшин С.Н. Прогнозирование как метод научного познания// Экономика иматематические методы. – 2008. — №3. – с. 16-22