Prognozowanie krótkoterminowe w procesie planowania zasobów

Transkrypt

1 Analiza danych Data mining Sterowanie jakością Analityka przez Internet Prognozowanie krótkoterminowe w procesie planowania zasobów Marzena Imiłkowski,, GE Money Bank Andrzej Sokołowski, StatSoft Polska Warszawa, 22 marca 2007 StatSoft Polska Sp. z o.o. ul. Kraszewskiego Kraków

2 Plan wystąpienia Planowanie zasobów w banku Cel i Proces Prognozy tygodniowe Determinanty wolumenu Wyniki prognoz przed konsultacjami Analiza modeli StatSoft Wyniki prognoz po konsultacjach Aktualny sposób prognozowania Aktualne wyniki prognoz 2

3 Planowanie zasobów w banku Cel Optymalizacja kosztów Zapewnienie obsady w godzinach pracy banku Realizacja transakcji w wyznaczonym czasie 3

4 Planowanie zasobów w banku Proces wymagane zasoby = liczba transakcji * średni czas transakcji Etapy prognoz Prognozy długoterminowe Prognozy tygodniowe Prognozy krótkoterminowe 4

5 Prognozy tygodniowe podstawa harmonogramu pracy pracowników co wtorek do godziny 14:00 prognoza na kolejny tydzień w układzie dziennym w rozbiciu na główne typy transakcji Cel: odchylenie prognoz: max. +/- 5% 5

6 Determinanty wolumenu Liczba klientów Rodzaje produktów Struktura portfela Akcje mailingowe Awarie systemów dublowanie transakcji Reklamacje Dni odstające : święta, długie weekendy, itd. Czynniki zewnętrzne (np. XII I strajk poczty) Pogoda 6

7 20% 15% 10% 5% 0% -5% -10% -15% Wyniki prognoz przed konsultacjami 100% 90% 15% powyżej 10% 80% 70% 27% 60% od 5% do 10% 50% ` 40% 30% poniżej 5% 58% 20% 10% 0%

8 Wykres liniowy (Dane dzienne 16v*1428c) Wolumen

9 Wartości odstające? Czy jest trend? Pytania wstępne Czy są wahania sezonowe? Czy wariancja jest stabilna? Jak długi powinien być okres uczący? Które dni są nietypowe? Jaką wybrać metodę modelowania i prognozowania? 9

10 Podział na próbę uczącą i testową próba ucząca prognoza... Pt Sb Pn Wt Śr C Pt Sb Pn *Wt Śr C Pt Sb Pn Wt Śr C Pt Sb * - dzień budowy prognozy 10

11 Dane miesięczne Wykres liniow y (monthly 16v *59c)

12 Dane miesięczne pierwsze różnice Wykres liniow y (monthly 16v *59c)

13 ANOVA Skateg or. wykr es ramka-wąsy p=0,7285 Średnia Średnia±Błąd std Średnia±1,96*Błąd std Mie siąc 13

14 Profil tygodniowy Skategor. wykres ramka-wąsy: Wol skoryg Wolumen Pon Wto Śro Czw Pią Sob 14

15 Dni nietypowe Wigilia Sylwester Wielka sobota Przed świętem Po święcie Wartości Wykres średnich i przedz. ufności (95,00%) zw ykły po święcie przed świętem święto DzienOkSw ieto 15

16 Wartości oryginalne czy zlogarytmowane? Wartości oryginalne Logarytmy

17 Regresja wieloraka 17

18 Reszty modelu wstępnego

19 Funkcja autokorelacji reszt Opóźn Kor. S.E 1 +,585, ,384, ,325, ,329, ,311, ,335, ,251, ,160, ,110, ,135, ,202, ,210, ,145, ,103, ,091, ,040, ,010, ,088,0547 Funkcja autokorelacji (Błędy standardow e to oceny białego szumu) 19 +,018, ,6 0, ,0-0,5 0,0 0,5 1,0 Q 108,1 0, ,9 0, ,5 0, ,1 0, ,1 0, ,0 0, ,3 0, ,6 0, ,5 0, ,5 0, ,8 0, ,2 0, ,1 0, ,6 0, ,3 0, ,8 0, ,9 0, ,5 0,000 p 19

20 Modele autokorelacji reszt 20

21 Model ostateczny MAPE 3,31% 21

22 Autokorelacja reszt modelu ostatecznego Opóźn Kor. S.E 1 +,544, ,305 +,290,0573, ,291, ,271 +,216,0570, ,129 +,068,0568, ,039, ,084 +,062,0565, ,106, ,067 -,044,0562, ,010 +,003,0560, ,058, ,072, ,054, ,054, ,051, ,008, ,037, ,029, ,045, ,041, ,030, ,005 +,004,0547, ,039,0545-1,0-0,5 0,0 0,5 1,0 Q 90,01 0, ,3 0, ,0 0, ,9 0, ,6 0, ,1 0, ,2 0, ,6 0, ,1 0, ,3 0, ,5 0, ,1 0, ,5 0, ,1 0, ,1 0, ,1 0, ,2 0, ,9 0, ,8 0, ,8 0, ,6 0, ,6 0, ,1 0, ,4 0, ,0 0, ,6 0, ,9 0, ,9 0, ,9 0, ,4 0,000 0 p 22

23 Model Drzewo 12 drzewkowy dl a Wol umen Liczba węzłów dzielonych: 9, liczba węzłów końcowych: 10 ID=1 N=608 DzienTygodnia = 7 = Inne ID=2 N=101 ID=3 N=507 uwolumen -12 <= XXX > XXX ID=10 N=293 ID=11 N=214 uwolumen -18 <= XXX > XXX ID=12 N=83 ID=13 N=210 DzienTygodnia = 2 = Inne ID=32 N=79 ID=33 N=135 Main -18 Wolumen -18 DniOkSwi eto <= XXX > XXX ID=14 N=81 ID=15 N=2 <= XXX > XXX ID=18 N=207 ID=19 N=3 = 1, 2 = Inne ID=34 N=4 ID=35 N=75 NrTygodnia uwolumen -18 <= 137, > 137, ID=16 N=44 ID=17 N=37 <= XXX > XXX ID=20 N=99 ID=21 N=108

24 Pierwszy test modeli Regresja Drzewo Średni błąd MAPE Średni błąd MAPE wrzesień -2,93% 5,09% 1,05% 5,85% październik -1,09% 4,90% 4,20% 6,33% - Średni błąd daleki od zera - n i= 1 ( y yˆ ) t t 2 n i= 1 (ln y lnˆ y ) -Spóźniona reakcja na zmiany t t 2 - Model regresji dla ostatniego miesiąca Rzeczywiste=f(Prognozowane)+ξ - Korekta prognozy wstępnej 24

25 Test modelu poprawionego Regresja pierwsza Model poprawiony Średni błąd MAPE Średni błąd MAPE listopad -0,66% 6,43% -3,55% 4,32% pierwsza połowa grudnia -3,17% 5,42% -0,90% 4,04% 25

26 20% 15% 10% 5% 0% -5% -10% -15% Wyniki prognoz po konsultacjach 100% Capacity Planners Model Statsoft 90% 80% 70% 8% 15% 19% 27% 60% 50% 40% ` 30% 73% 58% 20% 10% 0% Capacity Planners model StatSoft powyżej 10% od 5% do 10% poniżej 5%

27 Proces prognozowania po konsultacjach Model StatSoft (podejście nr 3) Model StatSoft eksperymentalne wykorzystanie sieci neuronowych wybór na podstawie wiedzy eksperckiej korekta -uwzględnienie informacji dodatkowych incydentalnego wpływu określonych czynników na wolumen Sieci neuronowe Wiedza ekspercka Korekta Prognoza 27

28 Dziękujemy za uwagę! Marzena Imiłkowski,, GE Money Bank Andrzej Sokołowski, StatSoft Polska Warszawa, 22 marca