Прогнозирование ключевых показателей розничной сети во времени

Аннотация

Поставлена классическая задача прогнозирования товарного спроса. Применяются ключевые показатели, связанные с работой розничной сети. Актуальность исследования обусловлена настоятельной потребностью прогнозирования значимых для развития розничной торговли показателей в целях повышения эффективности планирования деятельности торговых организаций. Указывается важность прогнозирования будущих значений рассматриваемых показателей – температурного режима и количества чеков – как для адекватного прогнозирования спроса, так и для решения прочих управленческих задач. Определяется круг методов анализа временных рядов, которые используются для решения задачи прогнозирования спроса для розничной сети. При этом практически в каждом методе рассматривается подход модели пространства состояний. Описывается теоретическая база каждого метода в целях освещения достаточного разнообразия применяемого математического инструментария. Делается акцент на том, что среди задействованных методов прогнозирования есть как классические (ARIMA, экспоненциальное сглаживание), так и современные методы, применяемые крупными IT-компаниями (Facebook и Google). Обосновывается выбор метрики качества прогнозирования для рассматриваемой задачи – корень квадратный от среднеквадратичной ошибки и абсолютная ошибка в процентах. В качестве исходных данных для построения прогнозов используется набор ежедневных данных по количеству чеков розничной сети города Ижевска, а также средние дневные температурные режимы в географической зоне города. Для краткосрочных прогнозов предлагается разбиение исходной выборки на обучающую и тестовую в отношении 9 к 1 в силу того, что прогнозирование показателей имеет краткосрочный характер. Дается характеристика важности показателя ряда температур для деятельности розничного магазина, динамики покупательского спроса. Обсуждается проблематика точного прогнозирования температуры только на основании временного ряда температур. Производится расчет моделей для ряда температур и оцениваются показатели качества для каждой модели. Описывается значение показателя количества чеков для отражения деятельности розничной торговли. Перечисляется ряд внешних факторов, влияющих на динамику количества чеков: день недели, наличие предпраздничного или праздничного дня. На основании приведенного прогнозного моделирования количества чеков делаются выводы о высокой эффективности композиционного прогноза с использованием нескольких методов. Подчеркивается, что даже с помощью среднего арифметического из прогнозов по нескольким методам возможно создать более точный прогноз, чем по каждому методу в отдельности. Направления будущих исследований связаны с совершенствованием инструментария и созданием автоматизированной системы прогнозирования товарного спроса.

Ключевые слова

розничная торговля, прогнозирование спроса на товар, анализ временных рядов, байесовское моделирование, метрика качества прогноза, композиция прогнозов спроса

Для цитирования

Пивкин К.С. Прогнозирование ключевых показателей розничной сети во времени // Вестник Пермского университета. Сер. «Экономика». 2017. Том 12. № 4. С. 592–608. DOI 10.17072/1994-9960-2017-4-592-608

Список литературы

1. Пивкин К.С. Корреляционный анализ факторов влияния на покупательский спрос розничного магазина как этап формирования модели прогнозирования и управления запасами // Вестник УдГУ. Сер. Экономика и право. 2016. № 3. С. 40–50.
2. Hyndman R.J., Khandakar J. Automatic time series forecasting: The forecast Package for R. // Journal of Statistical Software. July 2008. Vol. 27. Iss. 3. P. 1–22. doi:10.18637/jss.v027.i03.
3. Svetunkov I., Kourentzes N. Complex exponential smoothing // Working Paper of Department of Management Science. Lancaster University. 2015. P. 1–31. doi: 10.13140/RG.2.1.3757.2562. URL: https://www.researchgate.net/publication/283488877 (дата обращения: 12.06.2017).
4. Svetunkov I. Complex exponential smoothing. A thesis submitted for the degree of Doctor of Philosophy. Lancaster, Lancaster University,2016. 132 p. URL: http://eprints.lancs.ac.uk/82749/ (дата обращения: 01.08.2017).
5. Taylor S.J., Letham B. Forecasting at scale. 2017. URL: https://facebookincubator.github.io/prophet/
static/prophet_paper_20170113.pdf (дата обращения: 01.08.2017).
6. Varian H.R. Big data: New tricks for econometrics // Journal of Economic Perspectives. 2014. Vol. 28. № 2. P. 3–28.
7. Чучуева И.А., Павлов Ю.Н. Экстраполяция псевдослучайных процессов по максимуму подобия // Наука и образование. Электронное научное издание МГТУ им. Н.Э. Баумана. 2009. № 7. URL: http://technomag.bmstu.ru/doc/129712.html (дата обращения: 12.06.2017).
8. Чурсин Ю.А., Михалевич С.С., Байдали С.А. Моделирование систем автоматического управления методом пространства состояний // Приборы и системы. Управление, контроль, диагностика. 2012. № 10. C. 11–17.
9. Da Veiga C.P., Da Veiga C.R.P., Catapan A., Tortato U., Da Silva W.V. Demand forecasting in food retail: A comparison between the Holt Winters and ARIMA models // In WSEAS Transactions on Business and Economics. 2014. Vol. 11. P. 608–614.
10. Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р. Введение в статистическое обучение с примерами на языке R. / пер. с англ. С.Э. Мастицкий. М.: ДМК-Пресс, 2016. 460 с.
11. Кэмерон Э.К. Микроэконометрика: методы их применения. Книга 1 / Э.К. Кэмерон, П.К. Триведи; пер. с англ. [Сурен Авакян и др.]; под науч. ред. Б. Демешева. М.: Дело, 2015. 552 с.
12. Айвазян С.А. Байесовский подход в эконометрическом анализе // Прикладная эконометрика. 2008. № 1(9). С. 93–130.
13. Scott S.L., Varian H.R. Predicting the present with bayesian structural time series. 2013. URL: https://ssrn.com/abstract=2304426 (дата обращения: 05.08.2017).
14. Цыплаков А. Введение в моделирование в пространстве состояний // Квантиль. 2011. № 9. С. 1–24.
15. Durbin J., Koopman S.J. Time series analysis by state space methods. Oxford: Oxford University Press, 2001.273 p.
16. Васильева Т.В. Прогнозирование показателей надежности авиационной техники с использованием рядов Фурье // Научно-методический электронный журнал «Концепт». 2016. Т. 15. С. 1476–1480. URL: http://e-koncept.ru/2016/96214.htm (дата обращения: 01.06.2017).
17. Белый В.С., Адамушко Н.Н. Применение рядов Фурье для прогнозирования технического состояния здания // Экология и строительство. 2015. № 1. С. 11–14.
18. Власова Ю.Е., Малич А.В., Закревская Е.А. Прогнозирование продаж методами гармонического анализа // Международный студенческий научный вестник. 2016. № 2. URL: https://www.eduherald.ru/ru/article/view?id=15861 (дата обращения: 18.06.2017).
19. Горлач Б.А., Шигаева Н.В. Применение рядов Фурье для прогнозирования и оптимизации поставок предприятия оптовой торговли в аспекте управления собственным и арендуемым транспортом // Экономика и менеджмент инновационных технологий. 2014. № 7 (34). URL: http://ekonomika.s
nauka.ru/2014/07/5292 (дата обращения: 18.06.2017).
20. Турунцева М.Ю. Оценка качества прогнозов: простейшие методы // Российское предпринимательство. 2011. № 8–1 (189). С. 50–56.
21. Жуликов С.Е. Математическое моделирование краткосрочного прогноза погоды // Вестник Тамбовского университета. Сер.: Естественные и технические науки. 2009. Vol. 14. С. 1021–1026.
22. Трохинова А.А., Карапетян Т.А. Анализ эффективности деятельности предприятия ресторанно-гостиничного бизнеса // Экономическая наука сегодня: теория и практика: материалы V Междунар. науч.-практ. конф. (Чебоксары, 3 дек. 2016 г.) / редкол.: О.Н. Широков [и др.]. Чебоксары: ЦНС «Интерактив плюс», 2016. С. 95–101.
23. Катаева Н.Н. Характеристика и оценка эффективности мерчандайзинга продуктового магазина // Nauka-rastudent.ru. 2014. № 12-1(12).. URL: http://naukarastudent.ru/12/2242 (дата обращения: 18.06.2017).
24. Никитин А.П. Анализ транзакционных данных и определение количественных критериев лояльности клиентов // Экономика. Налоги. Право. 2012. № 2. С. 113–124.
25. Пересунько П.В., Должанская С.А. Реализация и исследование результатов взвешенного прогноза // Современные информационные технологии. 2016. № 23. С. 52–55.

Показать весь текст