|
Источник: http://www-marketing.wharton.upenn.edu/forecast/paperpdf/The_Forecasting_Canon.pdf
ПРИНЦИП ПРОГНОЗИРОВАНИЯ: ДЕВЯТЬ ОБЩИХ ПРАВИЛ ДЛЯ УЛУЧШЕНИЯ ТОЧНОСТИ ПРОГНОЗА (перевод с англ.) Дж. Скотт Армстронг Анонс: Используя результаты обоснованных опытным путём сравнений, Скотт развивает девять общих правил, которые могут улучшить точность прогноза. Он находит, что они часто игнорируются организациями, так что внимание к ним предоставит существенные возможности для выгоды. В этой статье Скотт предлагает рекомендации по структурированию проблемы прогноза, выявлению знаний руководителей, и выбору соответствующих методов прогноза. Используя результаты эмпирических сравнений, я развил девять общих правил, чтобы улучшить точность прогноза: 1. Соответствие метода прогнозирования ситуации 2. Использование знания области исследования 3. Структурирование проблемы 4. Моделирование прогнозов экспертов 5. Реалистичное представление проблемы 6. Использование причинных моделей при наличии хорошей информации 7. Использование простых количественных методов 8. Предусмотрительность при неуверенности 9. Комбинированные прогнозы Хотя эти общие правила дают существенную выгоду, они часто игнорируются. Я начал мою карьеру как технолог в Eastman Kodak в 1960. Замечая, что компания имеет проблему в краткосрочном прогнозировании для производства, я взялся за проект развития нового метода. Существующий метод прогноза был примитивен: бухгалтер, с помощью линейки и календаря, смотрел каждый временной ряд и делал a поверхностную экстраполяцию. В то время о методах прогнозирования было написано немного. Однако, следую новаторской книге Брауна (1959) , я развивал программу экспоненциального сглаживание с сезонным регулированием. Поскольку не было программное обеспечение для прогнозирования, я написал программу. Новый метод предлагал более точные прогнозы и менее дорогие по сравнению с существующим методом. Однако я был не готов к следующей проблеме: изменение текущего процесса не считалось правильным, так что компания не использовала программу, пока бухгалтер не уволился несколько лет спустя. Мир изменился с тех пор. В дополнение к пролгнозирующему программному обеспечению, мы теперь имеем доступ к многим исследованиям в прогнозировании. Исследования, которые сравнивают эмпирические работы, являются особенно важными для того, чтобы определить какой метод работает лучше всего в данной ситуации. Используя этот подход к прогнозированию, мной развиты девять общих правил для того, чтобы улучшать точность. Эти обобщения были умело скрыты среди тысячи академических статей, так что не было бы удивительно если некоторые из них избежали вашего внимания. 1. Соответствие метода прогнозирования ситуации. Если Вы предоставите проблему прогнозирования консультантам, они вероятно используют тот же самый метод, который они используют для всех их проблем прогнозирования. Эта привычка неудачна потому что условия прогнозирования изменяются. Не существует лучшего метода, который бы работал для всех ситуаций. Чтобы методы прогноза соответствовали к ситуациям, я построил дерево выбора (См. Рис 1). Вы можете описать вашу проблему и использовать дерево для определения, какой из 17 методов прогнозирования подходит.
Многие из рекомендаций в дереве выбора базируются на опытном суждении. Большинство из них также основано на исследовательских учениях. Интересно, что общие правила, засвидетельствованные опытным путём, иногда находятся в противоречии с общим убеждениями, о наилучшем методе. 2. Использование знания области исследования. Менеджеры и аналитики типично обладают необходимыми знаниями о ситуациях. Например, они могли бы знать много об автомобильном бизнесе. Не смотря на то, что эта область знаний может быть важна для прогноза, она часто игнорируется. Такие методы как экспоненциальное сглаживание, метод Бокса-Дженкинса, пошаговая регрессия, Data Mining (информационная проходка), и нейронные сети редко включают знание области исследования. Исследование относительно использования области знания быстро возросло в последние годы. Армстронг и Коллопи (1998) издали 47 статей на этой теме, опубликованных с 1985 по 1998. Эти статьи послужили руководством о том, как использовать решения наиболее эффективно. Один полезный и недорогой способ использовать знание менеджеров базируется на том, что мы называем причинными силами. Причинный силы могут использоваться для обобщения ожиданий менеджеров относительно направления тенденции в временном ряде. Приводят ли вышеупомянутые причинные силы временной ряд к увеличению или уменьшению? Ожидания менеджеров особенно важны, когда их знание о причинных силах противоречит историческим тенденциям, в ситуации, когда нам необходим противоположный ряд. Например, предположим, что ваша компания недавно выпустила изделие, которое вызовет существенное сокращение продаж одного из существующих изделий, продажи которого увеличились. Вы изменяете ваш маркетинг не в поддержку этого старого изделия в пользу нового изделия. Старое изделие представляет противоположный ряд потому что историческая тенденция возрастает, но ожидаемая будущая тенденция снижается. Прогнозы противоположного ряда традиционными методами обычно содержат огромные ошибки. Причинные силы играют важную, но сложную роль в прогнозировании на основе правил, методе отбора и методе весовой экстраполяции (Коллопи и Армстронг, 1992). Однако можно использовать простое правило, чтобы получить много выгоды из знания области исследования: при столкновении с противоположным рядом, не экстраполировать тенденцию. Вместо этого, экстраполировать последнее значение (так называемую наивную или модель без изменения). Когда мы проверили это правило на большом наборе данных, наряду с данными четырех других наборов, мы снизили ошибки на 17 процентов для прогнозов на один год вперед и более чем 40 процентов для прогнозов на шесть лет вперед. 3. Структурирование проблемы. Одна из основных стратегий управления исследованием - разбить проблему на выполняемые части, решите каждую часть, а затем соединить их снова. Эта стратегия эффективна для прогнозирования, особенно когда Вы знаете больше о части чем о целом. Таким образом, чтобы предсказать продажи, необходима декомпозиция: • уровень, тенденция, и сезонность, • промышленные продажи и рыночная доля для вашей марки, • постоянные долларовые продажи и инфляция • различные линии изделия. Эти подходы к декомпозиции могут привести к существенный улучшениям точности. Например, в прогноз с 18-месячный горизонтом для 68 ежемесячных экономических рядов показал, что сезонная декомпозиция уменьшила ошибки прогноза на 23 процента. MacGregor (2001) показал, что декомпозиция улучшает точность субъективных прогнозов, когда задача включает в себя чрезвычайные (очень большие или очень маленькие) числа. Он разбивает 3 исследования на 15 задач, сокращая среднюю ошибку в половине её глобальной оценки. Проблем прогнозирования могут быть также структурированы причинными силами. Когда имеют место противоположные ряды и компоненты ряда могут быть спрогнозированы более точно чем глобальный ряд, декомпозиция причинными силами улучшает точность прогноза. Например, чтобы предсказать число людей, которые погибают на шоссе каждый год, предсказывают количество пассажиров, которые будут ездить (ряд, который имеет ожидаемую тенденцию роста), и показатель смертности пассажиров (ряд, который имеет ожидаемую тенденцию спада), и затем умножают. Когда мы проверили эту процедуру на пяти временных рядах с очевидно выполняемыми условиями, мы уменьшили ошибки прогноза на две трети. Кроме того, для четырех рядов, которые частично сошлись критерии, мы уменьшили ошибки на половину. 4. Моделирование прогнозов экспертов. Организации имеют экспертные системы, для представления прогнозов, сделанных экспертами. Они позволяют уменьшить затраты повторных прогнозов при улучшении точности. Однако, развитие экспертных систем дорого. Субъективные улучшающие предложения - недорогая альтернатива экспертным системам. В этом методе Вы делаете статистическую гипотезу об оцениваемой модели, возвращаясь к субъективным прогнозам информации, которую предсказатель использовал. Почти все модели субъективных улучшающих предложений сведены к четырем или меньшему количеству переменных. Рассуждение в том, что модель применяет человеческие правила более последовательно, чем могут люди. Будучи довольно недорогим, субъективное улучшение редко используется практиками. Возможно, потому что результаты нарушают наш здравый смысл, а возможно, потому что нам не нравится думать, что компьютер может делать прогнозы лучше, чем мы. 5. Представить проблему реалистично. Начинаем с задачи и развиваем её к реалистичному представлению. Это обобщение находится в противоречии с общей практикой, в которой мы начинаем с модели и делаем попытку обобщить её на задачу. Эта практика помогает объяснить почему теория игр, математическая модель имела обыкновение моделировать и предсказывать поведение противников в конфликте, когда не было жанных для прогноза. Реалистические представления особенно важны, когда прогнозы, основанные на лишённом помощи суждении терпят неудачу, поскольку они производятся, когда предсказывающие решения сделаны в ситуациях конфликта. Моделируемое взаимодействие, тип ролевой игры, в который две или больше сторон разыгрывают взаимодействия, является реалистическим путем к изображению ситуации. Например, чтобы предсказать, как объединение будет реагировать на потенциальное предложение компании на переговорах, люди разыгрывают эти две стороны, будто они решают, принять ли это предложение. По сравнению с экспертным суждением, моделируемое взаимодействие уменьшило ошибки прогноза на 44 процента в восьми изученных ситуациях. Другой подход к реализму состоит в том, чтобы выделить аналогичные ситуации. Грин и Армстронг (2004), используя восемь конфликтных ситуаций, пришли к выводу, что высоко структурированный подход к использованию аналогий уменьшил ошибки на 20 процентов. Когда эксперты могли думать о двух или больше аналогиях, ошибках понижались на больше чем 40 процентов. 6. Использование причинных моделей при наличии хорошей информации Под хорошей информацией я подразумеваю достаточную информацию для понимания факторов, которые влияют на прогнозируемую величину, и достаточные данные для построения причинной (эконометрической) модели. Чтобы удовлетворять первое условие, аналитик может получить знание о ситуации от знания области и от предшествующего исследования. Аллен и Филдз (2001) доказали, что количественные эконометрические модели более точны чем непричинные методы, типа экспоненциального сглаживания. Количественные эконометрические модели являются особенно важными для того, чтобы предсказать ситуации прихода больших изменений. Причинные модели позволяют видеть эффекты альтернативных решений, типа эффектов различных цен продаж. 7. Использование простых количественных методов. Сложные модели часто вводятся в заблуждение шумом в данных, особенно в сомнительных ситуациях. Таким образом, используя простых методов важно, когда есть большая неуверенность в ситуации. Простые модели легче в понимании, менее склонны к ошибкам, и более точны, чем сложные модели. 8. Предусмотрительность при неуверенности Много источников неуверенности делают прогноз трудным. Когда Вы сталкиваетесь с неуверенностью, делайте осторожные прогнозы. В временном ряде это означает оставаться близко к историческому среднему. Для структурных данных останьтесь близко к типичному поведению. Когда исторический временной ряд показывает длинную устойчивую тенденцию с небольшой измененчивостью, Вы должны экстраполировать тенденцию в будущее. Однако, если историческая тенденция подчинена изменениям, неоднородности, и обратному ходу, не нужно экстраполировать историческую тенденцию. Гарднер и МакКензи (1985) внедрили и протестировали метод для затухания тенденций в моделях экстраполяции. В статье, основанной на 3003 временных рядах, заглушенные тенденции с экспоненциальным сглаживанием уменьшили ошибки прогноза на семь процентов по сравнению с традиционным экспоненциальным сглаживанием (Makridakis и Hibon, 2000). Мельник и Williams (2004), развивали процедуру для затухания сезонных факторов. Когда было больше неуверенности в исторических данных, они использовали меньшие сезонные факторы (например, мультипликативные факторы были приравнены к 1.0). Их процедуры уменьшили ошибки прогноза примерно до четырех процентов. 9. Комбинированные прогнозы. Исследователи рекомендуют объединять прогнозы на протяжении уже более чем половины столетия. В обзорах методов прогноза, многие организации утверждают, что использовали комбинированные прогнозы. Я подозреваю, однако, это большинство организаций использует их неофициальным способом и таким образом теряет большую часть выгоды. Вы можете типично улучшать точность, используя множество экспертов. Группа экспертов обычно обладает большим знанием чем индивидуальный эксперт. К сожалению, однако, большая часть выгоды теряется, когда эксперты делают прогнозы на традиционных встречах. Простые средние независимых субъективный прогнозов, однако, могут вести к улучшенным прогнозам. В недавнем изучении прогнозных решений в восьми конфликтных ситуациях было получено, что комбинация субъективных прогнозов от моделируемых взаимодействий уменьшили ошибку на 67 процентов по сравнению с отдельными прогнозами. Объединение может также использоваться для других методов. В количественный обзор 30 исследований, при комбинировании прогнозов улучшалась точность в каждом изучении по сравнению с типичным методом. Прибыль возросла от трех до 24 процентов со средним сокращением ошибки 12 процентов. В некоторых случаях, объединенный прогноз был лучше чем любой из индивидуальных методов.
Объединение особенно эффективно когда различный прогнозные методы доступны. В идеале, используйте целых пять различных методов, и комбинируйте их прогнозы, используя предопределенное механическое правило. Очевидно, недостаток: что некоторые методы более точны чем другие, однако взвешенное среднее число прогнозов должно работать хорошо.
|
