PROGNOZOWANIE SZEREG脫W RZADKICH

W praktyce cz臋sto obserwujemy zjawiska, kt贸re nie zachowuj膮 ci膮g艂o艣ci w czasie. Struktura danych nie jest regularna, istniej膮 warto艣ci dominuj膮ce oraz du偶a zmienno艣膰. Przyk艂adem mog膮 by膰 dane sprzeda偶owe produktu, kt贸ry nie by艂 sprzedawany codziennie, ale co kilka dni lub rzadziej. W takim szeregu czasowym wyst臋puje w贸wczas wiele zer i to one s膮 warto艣ci膮 dominuj膮c膮, nie jest on sp贸jny i standardowe metody prognozowania przestaj膮 by膰 skuteczne.

W takiej sytuacji nale偶y szuka膰 innych metod - dostosowanych do szereg贸w rzadkich. W aplikacji firmy Prologistica u偶ywamy trzech algorytm贸w wyspecjalizowanych w prognozowaniu tego typu przypadk贸w. Jest to wyst臋puj膮ca w literaturze metoda Crostona oraz dwa autorskie algorytmy: PDF oraz Schodkowy.

METODA CROSTONA

Algorytm ten jest znan膮 w literaturze metod膮 dekompozycji szeregu rzadkiego na dwa inne szeregi. Jeden z nich to szereg odst臋p贸w mi臋dzy kolejnymi sprzeda偶ami, a drugi - wielko艣ci tych sprzeda偶y. W ten spos贸b unikamy negatywnego wp艂ywu du偶ej ilo艣ci zer.

W optymalizacji stan贸w magazynowych nale偶y zwr贸ci膰 uwag臋 na odpowiednie wykorzystanie takich prognoz. Przyk艂adowo, je艣li prognoz膮 nast臋pnej sprzeda偶y jest 300 sztuk, a prognoz膮 czasu oczekiwania na sprzeda偶 jest 10 dni, to w贸wczas mo偶emy uzna膰, 偶e prognoza na ka偶de kolejne 10 dni to warto艣膰 30 sztuk (zamiast przyjmowa膰 na 9 dni same zera, a dziesi膮tego dnia 300 sztuk). Nie jest to w praktyce raczej mo偶liwe, ale w teorii zapas贸w pozwala utrzyma膰 cz臋艣膰 zapasu w magazynie i chroni przed spadkiem poziomu obs艂ugi klienta.

METODA PDF

Algorytm ten jest najskuteczniejszy w przypadku danych, kt贸re nie charakteryzuj膮 si臋 widoczn膮 sezonowo艣ci膮 ani wyst臋puj膮cym w nich trendem, innymi s艂owy wykorzystywany jest g艂贸wnie wtedy, gdy warto艣ci s膮 w miar臋 ustabilizowane wok贸艂 pewnego poziomu. G艂贸wn膮 ide膮 metody jest dopasowanie 鈥 na podstawie zaawansowanych test贸w, rozk艂adu prawdopodobie艅stwa do danych. Gdy 偶aden rozk艂ad nie oka偶e si臋 skuteczny, w贸wczas stosujemy techniki bootstrapowe.

METODA SCHODKOWA

Ide膮 tego algorytmu jest agregacja danych i wykorzystanie faktu, 偶e podczas grupowania danych, zmniejsza si臋 rzadko艣膰 szeregu. Szereg rzadki przedstawiaj膮cy dzienn膮 sprzeda偶 zagregowany do miesi臋cy b臋dzie znacznie bardziej ci膮g艂y, przez co mo偶liwy do prognozowania klasycznymi metodami takimi jak ARIMA.

Poprzedni szereg wraz z prognoz膮 po agregacji 

Mo偶emy dzi臋ki temu uwzgl臋dnia膰 sezonowo艣膰 i wyst臋powanie tendencji rozwojowych w danych, kt贸rych nie by艂o wida膰 w ni偶szej agregacji.

Ten sam szereg ponownie w agregacji dziennej wraz z uzgodnion膮 prognoz膮 

Bardzo wa偶n膮 kwesti膮 jest odpowiednia interpretacja takich prognoz. W podej艣ciu klasycznym dla szereg贸w ci膮g艂ych, celem by艂o wygenerowanie prognoz, kt贸re jak najlepiej odda艂yby wizualny charakter przysz艂ych warto艣ci. W przypadku szereg贸w rzadkich nie jest to mo偶liwe. Dlatego mo偶liw膮 strategi膮 takiego prognozowania s膮 prognozy p艂askie w danych okresach. Nie mo偶na dok艂adnie przewidzie膰 kiedy po wielu tygodniach braku sprzeda偶y, w ko艅cu ona nast膮pi i jakiej b臋dzie wielko艣ci. Mo偶na jednak przewidzie膰 sum臋 sprzeda偶y w danym okresie i roz艂o偶y膰 j膮 w okre艣lony spos贸b na dni. Ma to szczeg贸lne znaczenie w procesie optymalizacji zapas贸w - potrzebujemy pewn膮 ma艂膮 ilo艣膰 zapas贸w na ka偶dy dzie艅 (mimo, 偶e sprzeda偶 nie wyst臋puje) ale w ten spos贸b, gdy w ko艅cu nast膮pi du偶a sprzeda偶 - b臋dziemy na to przygotowani.