Что такое прогнозирование?

Методы прогнозирования могут быть качественными и количественными.

Качественное прогнозирование основано на краткосрочных прогнозах специалистов по маркетингу. Если статистических данных недостаточно, можно использовать качественные методы. Два стандартных примера использования см. ниже.

• Методы исследования рынка, такие как анкетирование и опросы, определяют потребительский спрос.
• Дельфийский метод предусматривает опрос экспертов в определенной области, чтобы собрать их мнения и предсказать тенденции в этой области.
  

Модели количественного прогнозирования используют содержательную статистику и статистические данные для прогнозирования долгосрочных будущих тенденций. Стандартные примеры использования количественных методов см. ниже.

• Эконометрическое моделирование позволяет анализировать наборы финансовых данных, таких как данные о кредитах и инвестициях, для прогнозирования значительных экономических сдвигов и их влияния на компанию.
• Подход индикатора позволяет сравнивать точки данных, чтобы определить отношения между, казалось бы, несвязанными данными. Например, изменения ВВП можно использовать для прогнозирования уровня безработицы.
• В этом сценарии данные о ВВП называются опережающим индикатором, а уровень безработицы – запаздывающим индикатором.
• Прогнозирование временных рядов позволяет анализировать данные, собранные за разные промежутки времени, для прогнозирования будущих тенденций. 

Перекрестные данные охватывают отдельные юридические и физические лица за один и тот же период времени. С другой стороны, данные временных рядов – это любой набор данных, который охватывает информацию за различные промежутки времени. Эти данные отличаются друг от друга, потому что они упорядочивают точки данных по времени. В результате существует возможность корреляции между наблюдениями в соседних интервалах.

Данные временного ряда можно нанести на график с инкрементальными интервалами (или временными шкалами) на оси x и значениями наблюдаемых выборочных данных на оси y. Такие графики временных рядов являются ценными инструментами для визуализации данных. Специалист по работе с данными используют их для определения характеристик данных прогнозирования. Несколько примеров характеристик данных временных рядов см. ниже.

В данных о тенденциях значения y увеличиваются или уменьшаются со временем, что делает график линейным. Например, данные о населении могут увеличиваться или уменьшаться линейно со временем.

Сезонные шаблоны возникают, когда данные временных рядов показывают регулярные и предсказуемые шаблоны с временными интервалами менее года. Этот шаблон данных может проявляться в виде резких подъемов или других аномалий на линейном графике. Например, розничные продажи магазина могут увеличиться в праздничные дни в декабре и апреле.

Иногда модель поведения данных временных рядов внезапно меняется в определенный момент времени. График временного ряда может внезапно смещаться вверх или вниз, создавая структурный разрыв или нелинейность. Например, многие экономические показатели резко изменились в 2008 г. после начала мирового финансового кризиса.

Прогнозирование с помощью временных рядов – это научная методика работы с данными на основе машинного обучения и других компьютерных технологий для изучения наблюдений в прошлом и прогнозирования будущих значений данных временных рядов. Примеры прогнозирования с помощью временных рядов см. ниже.

• Астрономические данные состоят из сведений о повторяющихся движениях планет на протяжении веков. Такие данные можно использовать для прогнозирования астрономических событий, таких как затмения и кометы.
  
• Прогноз погоды основан на модели ветра и температуры для прогнозирования изменений погоды.
  
• Ученые могут использовать данные о рождаемости и миграции для прогнозирования роста населения.
  

Анализ временных рядов направлен на исследование основных причин в любых данных временных рядов. Эта область исследования направлена на то, чтобы понять причину, которая стоит за набором данных временных рядов. Нередко аналитиками приходится делать предположения и декомпозировать или разбивать данные, чтобы извлечь значимые статистические данные и другие характеристики.

Анализ временных рядов – это понимание набора данных, тогда как прогнозирование – это его предсказание. Три шага прогностического моделирования см. ниже.

• Задайте вопрос и соберите примерный набор данных временного ряда, который отвечает на этот вопрос за прошедший период времени.
• Обучите компьютерное ПО или алгоритм прогнозирования, используя предыдущие значения.
• Используйте алгоритм прогнозирования для будущих наблюдений.
  

Благодаря прогнозированию компании получают актуальную и достоверную информацию как о настоящем, так и о будущем. Стандартные примеры использования прогнозирования см. ниже.

More Retail Ltd. (MRL) входит в четверку крупнейших продовольственных ритейлеров Индии с доходом в несколько миллиардов долларов. Компания имеет широкую сеть магазинов и сложную цепочку поставок дистрибьюторов. Для оценки и заказа запасов использовался ручной ввод менеджеров, однако это повлияло на качество обслуживания клиентов, особенно в категории свежих продуктов. Компания MRL использовала сервисы прогнозирования AWS для создания автоматизированной системы заказов, которая сократила потери свежих продуктов на 30 %.

Hon Hai Technology Group (Foxconn) – крупнейший в мире производитель электроники и поставщик решений. Во время пандемии COVID-19 компания Foxconn столкнулась с беспрецедентной волатильностью потребительского спроса, поставок и мощностей. Компания сотрудничала с Amazon Machine Learning Solutions Lab, чтобы составить точные прогнозы чистых заказов для завода в Мексике. Эти прогнозы позволили достичь годовой экономии более 500 000 US.

Affordable Tours.com – один из крупнейших поставщиков туров с сопровождением, круизов, речных круизов и активного отдыха в США. Компания делала все возможное, чтобы выделить ресурсы при обработке большого количества звонков клиентов. Иногда количество агентов было слишком велико, а иногда – слишком мало, что снижало качество работы с клиентами и увеличивало количество пропущенных звонков. Компания использовала Amazon Forecast, чтобы лучше прогнозировать объемы звонков клиентов, и смогла на 20 % уменьшить количество пропущенных звонков.

Amazon Forecast – это полностью управляемая служба прогнозирования временных рядов, основанная на машинном обучении и предназначенная для анализа бизнес-метрик. Для начала работы не требуется опыт машинного обучения. Необходимы только статистические данные, а также любые дополнительные данные, которые, по вашему мнению, могут повлиять на прогнозы. После предоставления данных Amazon Forecast автоматически проверит их и определит, что является значимым. Затем сервис создает модель прогнозирования, которая может составлять прогнозы на 50 % более точными, чем модели, которые рассматривают только данные временных рядов.

Чтобы начать работу с сервисом, создайте бесплатный аккаунт Amazon сегодня и получите уровень бесплатного пользования AWS. В течение первых двух месяцев использования Amazon Forecast новые клиенты AWS получают до 10 000 поколений прогнозов временных рядов в месяц; до 10 ГБ хранилища данных в месяц и до 10 часов обучения в месяц.