Prognozowanie krótkoterminowe w procesie planowania zasobów



Podobne dokumenty
GRUPA 1. Adres: Plac Kościuszki 13, Tomaszów Mazowiecki

5. Model sezonowości i autoregresji zmiennej prognozowanej

Człowiek - najlepsza inwestycja

PROJEKT WSPÓŁFINANSOWANY ZE ŚRODKÓW EUROPEJSKIEGO FUNDUSZU SPOŁECZNEGO W RAMACH PROGRAMU OPERACYJNEGO KAPITAŁ LUDZKI

DRZEWA REGRESYJNE I LASY LOSOWE JAKO

Przykład 2. Stopa bezrobocia

PROGNOZOWANIE SPRZEDAŻY STUDIUM PRZYPADKU

7.4 Automatyczne stawianie prognoz

WRZESIEŃ 2015 LEVEL I WRZESIEŃ wt 2. śr 3. czw 4. pt 5. sob 6. ndz 7. pon 8. wt 9. śr. 10. czw

Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona;

4. Średnia i autoregresja zmiennej prognozowanej

PROGNOZOWANIE CEN ENERGII NA RYNKU BILANSUJĄCYM

PROGNOZOWANIE Z WYKORZYSTANIEM METOD DATA MINING

Prognozowanie liczby pacjentów poradni ortopedycznej

Kalendarz roku szkolnego 2018/19 w SP 2 w Lublinie

ANALIZA SZEREGÓW CZASOWYCH I PROGNOZOWANIE

STYCZEŃ LUTY. Dyżury aptek w Grójcu 2014

Raport kontrolny inspekcji drogowej

t y x y'y x'x y'x x-x śr (x-x śr)^2

3. Modele tendencji czasowej w prognozowaniu

ZESZYTY NAUKOWE WSOWL. Nr 3 (157) 2010 ISSN NAUKI TECHNICZNE

Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody. Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB

FORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS

SOMMER. Lato z niemieckim. Oferta kursów wakacyjnych 2017

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski

Scoring kredytowy w pigułce

Kalendarz roku szkolnego 2017/2018 /PSPzOI nr 7/

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp.

Prognozowanie na podstawie modelu ekonometrycznego

Po co w ogóle prognozujemy?

Rozdział 8. Regresja. Definiowanie modelu

Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych

3. Analiza własności szeregu czasowego i wybór typu modelu

Współczesny model zarządzania środkami pieniężnymi Beehlera

PROGNOZOWANIE Z WYKORZYSTANIEM UCZENIA MASZYN

Zajęcia 1. Statystyki opisowe

Wprowadzenie do teorii prognozowania

Prognoza sprawozdania finansowego Bilans

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA

Egzamin ze Statystyki, Studia Licencjackie Stacjonarne czerwiec 2007 Temat A

Statystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, Spis treści

Szeregi czasowe, analiza zależności krótkoi długozasięgowych

DATA MINING W STEROWANIU PROCESEM (QC DATA MINING)

Regulamin zajęć z przedmiotu BIPOL 1 Rok akademicki 2019/20 semestr zimowy

Wytyczne do projektów

dr hab. Renata Karkowska 1

Zagadnienie 1: Prognozowanie za pomocą modeli liniowych i kwadratowych przy wykorzystaniu Analizy regresji wielorakiej w programie STATISTICA

PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2

-materiały reklamowe- PROGRAM WYCENA NIERUCHOMOŚCI W PODEJŚCIU PORÓWNAWCZYM METODAMI NUMERYCZNYMI

Analiza doboru predyktorów pogodowych do prognozowania zmiennych zależnych w budownictwie

Kalendarz wydany na zlecenie Urzędu Gminy Pomiechówek

PLAN PRACY SZKOŁY NA ROK 2019/2020. Szkoła Podstawowa im. Księcia Józefa Poniatowskiego w Ładach

Katolickie Stowarzyszenie Młodzieży Diecezji Pelplińskiej ul. Bpa Dominika 11; Pelplin

Olsztyn, dnia 18 lipca 2017 r. Poz UCHWAŁA NR XXV176/2017 RADY POWIATU W SZCZYTNIE. z dnia 28 czerwca 2017 r.

Opole, dnia 9 stycznia 2019 r. Poz. 102 UCHWAŁA NR II/29/18 RADY POWIATU BRZESKIEGO. z dnia 28 grudnia 2018 r.

czerwiec 2013 Uwaga: Przy rozwiązywaniu zadań, jeśli to konieczne, należy przyjąć poziom istotności 0,1 i współczynnik ufności 0,90

Co trzeba wiedzieć korzystając z modelu ARIMA i które parametry są kluczowe?

Maj Informacje dodatkowe... i... i... i i...

Model 1: Estymacja KMNK z wykorzystaniem 32 obserwacji Zmienna zależna: st_g

UNIWERSYTET MIKOŁAJA KOPERNIKA W TORUNIU. ZARZĄDZENIE Nr 135 Rektora Uniwersytetu Mikołaja Kopernika w Toruniu z dnia 30 czerwca 2014 r.

Miesięczna karta pracy pracownika - Ewidencja czasu pracy. Wrzesień 2013

TWORZENIE I STOSOWANIE MODELU PROGNOSTYCZNEGO Z WYKORZYSTANIEM STATISTICA ENTERPRISE

Walidacja metod badawczych i szacowanie niepewności pomiaru. Wojciech Hyk

KALENDARZ ROKU SZKOLNEGO 2017 / 2018

Olsztyn, dnia 7 stycznia 2016 r. Poz. 93 UCHWAŁA NR XII/86/2015 RADY POWIATU W SZCZYTNIE. z dnia 23 grudnia 2015 r.

Prognozowanie zanieczyszczeń atmosferycznych przy użyciu sieci neuronowych

Analiza sezonowości. Sezonowość może mieć charakter addytywny lub multiplikatywny

Zespół Szkół Handlowych w Sopocie Joanna Kaźmierczak. Systemy czasu pracy

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski

Ścieżki dostępu do STATISTICA

Analiza autokorelacji

Nazwa Grupy: Warsztaty plastyczne Rok szkolny:2017/2018. Wrzesień 2017

Ekonometria. Modele regresji wielorakiej - dobór zmiennych, szacowanie. Paweł Cibis pawel@cibis.pl. 1 kwietnia 2007

KRÓTKOOKRESOWE PROGNOZOWANIE CENY EKSPORTOWEJ WĘGLA ROSYJSKIEGO W PORTACH BAŁTYCKICH. Sławomir Śmiech, Monika Papież

PRZYKŁAD PROGNOZOWANIA Z WYKORZYSTANIEM METOD DATA MINING

KALENDARIUM ROKU SZKOLNEGO 2017/2018

POMOC PRAWNA WTOREK

OFERTA HANDLOWA BIURA REKLAMY TVP3 WARSZAWA

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

UCHWAŁA NR.../.../2014 RADY POWIATU WODZISŁAWSKIEGO. z dnia r.

Narzędzia metody i techniki modelowania procesów społecznogospodarczych. Mariusz Dacko

Stosowana Analiza Regresji

Dobór zestawu maszyn do robót ziemnych w aspekcie minimalizacji emisyjności CO 2

Prognozowanie produkcji budowlano montażowej w województwie dolnośląskim. Część I

STATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów

WSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno

STATYSTYKA MATEMATYCZNA

OFERTA HANDLOWA. Biuro Reklamy TVP Warszawa Tel: Fax:

Indeksy dynamiki (o stałej i zmiennej podstawie)

Wykorzystanie i monitorowanie scoringu

1 Harmonogram wykonania zamówienia.xls HRP I

REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji

Statystyka i Analiza Danych

Utrzymanie epuap. Raportt Q1 2014

1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.

Szkoły Podstawowej nr10 im. Władysława Broniewskiego w Olsztynie

PLAN PRACY. DZIEŃ PLANOWANE ZADANIA PLANOWANE ZADANIA PLANOWANE ZADANIA PLANOWANE ZADANIA WRZESIEŃ 2016 r. 1. CZW UROCZYSTE ROZPOCZĘCIE ROKU SZKOLNEGO

Katolickie Stowarzyszenie Młodzieży Diecezji Pelplińskiej ul. Bpa Dominika 11; Pelplin

Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817

OFERTA HANDLOWA. Biuro Reklamy TVP3 Wrocław, Tel. 71/ , , ul. Karkonoska 8, Wrocław

Transkrypt:

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 36 30-110 Kraków www.statsoft.pl

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

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

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

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

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

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% 7 2006-10-02 2006-10-04 2006-10-06 2006-10-08 2006-10-10 2006-10-12 2006-10-14 2006-10-16 2006-10-18 2006-10-20 2006-10-22 2006-10-24 2006-10-26 2006-10-28 2006-10-30

Wykres liniowy (Dane dzienne 16v*1428c) Wolumen 1 59 117 233 349 465 581 697 813 929 1045 1161 1277 1393 175 291 407 523 639 755 871 987 1103 1219 1335 8

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

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

Dane miesięczne Wykres liniow y (monthly 16v *59c) 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 11

Dane miesięczne pierwsze różnice Wykres liniow y (monthly 16v *59c) 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 12

ANOVA Skateg or. wykr es ramka-wąsy p=0,7285 Średnia Średnia±Błąd std Średnia±1,96*Błąd std 1 2 3 4 5 6 7 8 9 10 11 12 Mie siąc 13

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

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

Wartości oryginalne czy zlogarytmowane? Wartości oryginalne Logarytmy 1 14 27 40 53 66 79 92 105 118 131 144 157 170 183 196 209 222 235 248 261 274 287 300 313 1 14 27 40 53 66 79 92 105 118 131 144 157 170 183 196 209 222 235 248 261 274 287 300 313 16

Regresja wieloraka 17

Reszty modelu wstępnego 1 14 27 40 53 66 79 92 105 118 131 144 157 170 183 196 209 222 235 248 261 274 287 300 313 18

Funkcja autokorelacji reszt Opóźn Kor. S.E 1 +,585,0563 2 +,384,0562 3 +,325,0561 4 +,329,0560 5 +,311,0559 6 +,335,0558 7 +,251,0557 8 +,160,0556 9 +,110,0555 10 +,135,0554 11 +,202,0553 12 +,210,0553 13 +,145,0552 14 +,103,0551 15 +,091,0550 16 +,040,0549 17 +,010,0548 18 +,088,0547 Funkcja autokorelacji (Błędy standardow e to oceny białego szumu) 19 +,018,0546 372,6 0,000 0-1,0-0,5 0,0 0,5 1,0 Q 108,1 0,000 154,9 0,000 188,5 0,000 223,1 0,000 254,1 0,000 290,0 0,000 310,3 0,000 318,6 0,000 322,5 0,000 328,5 0,000 341,8 0,000 356,2 0,000 363,1 0,000 366,6 0,000 369,3 0,000 369,8 0,000 369,9 0,000 372,5 0,000 p 19

Modele autokorelacji reszt 20

Model ostateczny MAPE 3,31% 21

Autokorelacja reszt modelu ostatecznego Opóźn Kor. S.E 1 +,544,0574 2 3 +,305 +,290,0573,0572 4 +,291,0571 5 6 +,271 +,216,0570,0569 7 8 +,129 +,068,0568,0567 9 +,039,0566 10 11 +,084 +,062,0565,0564 12 -,106,0563 13 14 -,067 -,044,0562,0561 15 16 +,010 +,003,0560,0559 17 -,058,0558 18 -,072,0557 19 -,054,0556 20 -,054,0555 21 -,051,0554 22 -,008,0553 23 +,037,0552 24 +,029,0551 25 +,045,0550 26 +,041,0549 27 -,030,0548 28 29 +,005 +,004,0547,0546 30 -,039,0545-1,0-0,5 0,0 0,5 1,0 Q 90,01 0,000 118,3 0,000 144,0 0,000 169,9 0,000 192,6 0,000 207,1 0,000 212,2 0,000 213,6 0,000 214,1 0,000 216,3 0,000 217,5 0,000 221,1 0,000 222,5 0,000 223,1 0,000 223,1 0,000 223,1 0,000 224,2 0,000 225,9 0,000 226,8 0,000 227,8 0,000 228,6 0,000 228,6 0,000 229,1 0,000 229,4 0,000 230,0 0,000 230,6 0,000 230,9 0,000 230,9 0,000 230,9 0,000 231,4 0,000 0 p 22

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 <= 137,500000 > 137, 500000 ID=16 N=44 ID=17 N=37 <= XXX > XXX ID=20 N=99 ID=21 N=108

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

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

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% 26 2006-10-02 2006-10-04 2006-10-06 2006-10-08 2006-10-10 2006-10-12 2006-10-14 2006-10-16 2006-10-18 2006-10-20 2006-10-22 2006-10-24 2006-10-26 2006-10-28 2006-10-30

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

Dziękujemy za uwagę! Marzena Imiłkowski,, GE Money Bank Andrzej Sokołowski, StatSoft Polska Warszawa, 22 marca 2007 29