Сегодня я Вам расскажу об одном сервисе, который построен по модели SaaS, в тестировании которого я принимал непосредственное участие и предложил одну доработку сервиса, которую охотно приняли на вооружение.

Но обо все по порядку. URL ресурса: ForecasterOnline.com. Авторы сервиса – Индусы.

Все, что нужно для начала использования сервиса – это зарегистрироваться. Пока сервис бесплатен для пользователей. На входе вы задаете Excel таблицу с данными, на выходе построенный прогноз и возможность выгрузить прогнозные данные в CSV файл, который также можно просмотреть в Excel.

На сегодняшний момент реализованы следующие модели для прогнозирования:

Линейная регрессия (Single Variable Regression Model)

В качестве модели рассматривается уравнение вида Y=A*X+B, где Y – предсказываемая величина, X – независимая переменная, которая может показывать, например, период. A, B – искомые параметры.

Полиномиальная регрессия 2-ого и 3-его порядка (Single Variable Polynomial Regression Model)

В качестве модели рассматривается уравнение вида Y=A*X^2+B*X+C или Y=A*X^3+B*X^2+C*X+D, где Y – предсказываемая величина, X – независимая переменная, которая может показывать, например, период. A, B, С, D – искомые параметры.

Скользящее среднее (Moving Average Method)

Самый простой из ныне известных методов прогнозирования. В качестве прогноза берется среднее арифметическое за некоторое количество рассматриваемых периодов. По умолчанию берется среднее за 5 периодов. Самый простой прогноз это взять значение предыдущего периода – в литературе Вы можете встретить такое понятие как «Наивная модель». Довольно часто применяется на практике, если необходимо, например, план продаж распределить по устоявшемуся соотношению между точками реализации. В качестве прогноза процента используется предыдущее фактическое значение.

Взвешенное скользящее среднее (Weighted Moving Average Method)

В отличии от предыдущего метода исторические значения взвешиваются по определенным весам. Можно варьировать значимость исторических данных. По умолчанию в качестве модели используется среднее по двум значениям с весами 0,7 и 0,3. Изменяя параметры весов, можно учитывать небольшое влияние исторических данных и больший вес данных, которые произошли в недавнем прошлом.

Экспоненциальное сглаживание (Exponential Smoothing)

Метод очень похож на предыдущий, чем более давнее событие тем меньший вес оно имеет. Чем давность события меньше,тем больше оно учитывается.

Простое экспоненциальное сглаживание (Single Exponential Smoothing)

Модель больше подходит когда данные не показывают какого-либо тренда или сезонности. Данные перед прогнозированием сглаживаются.

Двойное экспоненциальное сглаживание (Double Exponential Smoothing)

Для сглаживания применяется модель Хольта. Подходит для прогнозирования, когда в данных прослеживается линейный тренд без сезонности.

Тройное экспоненциальное сглаживание (Triple Exponential Smoothing)

Модель подходит для прогнозирования данных, в которых прослеживается и тренд и сезонность.

Автоматическое нахождение модели (Best Fit Model) – данная опция была добавлена авторами после моей рекомендации.

Выбирает автоматически модель для прогнозирования исходя из минимума ошибки прогноза и максимума точности модели.

Данная опция подходит для людей не очень разбирающихся в методах прогнозирования, но желающих найти оптимальную модель для прогнозирования. Есть и негативный момент применения данной опции. Иногда лучше взять более устойчивую модель, нежели более точную на исторических данных. Поэтому лучше аккуратно подходить к использованию данной опции и все же протестировать несколько моделей, которые дают хорошие результаты, перед выбором лучшей.

Если у Вас остались вопросы по применению методов, я постараюсь детально освятить методы нахождения и критерии оценки моделей прогнозирования в другой раз.

Ну что же удачи авторам и удачного вам применения сервиса!