Nowa metoda prognozowania sprzedaży

advertisement
Sieci neuronowe jako jedna z metod prognozowania
sprzedaży
Sieci neuronowe od czasu swych narodzin w latach czterdziestych przeżywały okresy
wzlotów i upadków. Od początkowej fascynacji ich możliwościami, poprzez znaczny spadek
zainteresowania, wręcz zapomnienia po książce Minskiego, aż po renesans w latach
osiemdziesiątych i dziewięćdziesiątych. W dzisiejszych czasach nawet w prasie codziennej
pojawiaja się artykuły dotyczące sieci neuronowych, w których autorzy niejednokrotnie
wyrażają swój zachwyt tym zjawiskiem.
Pierwowzorem, inspiracją, modelem, do którego, początkowo bezpośrednio, odwoływali
się badacze sieci neuronowych jest najbardziej skomplikowany i tajemniczy z ludzkich
organów- bezkształtna masa, będąca plątaniną komórek nerwowych- mózg. Sieci neuronowe
odziedziczyły po swoim pierwowzorze kilka cech odróżniających ich działanie od innych
systemów przetwarzania danych a upodabniających je do mózgu. I choć nie mają monopolu
na naśladowanie mózgu, to właśnie najczęściej sieci neuronowe wykorzystywane są do:

diagnostyki układów elektronicznych,

badań psychiatrycznych,

prognoz giełdowych,

prognozowania sprzedaży,
Szukasz gotowej pracy ?
To pewna droga do poważnych kłopotów.
Plagiat jest przestępstwem !
Nie ryzykuj ! Nie warto !
Powierz swoje sprawy profesjonalistom.

interpretacji badań biologicznych,

prognozy cen,

prognozowania postępów w nauce,

analizy problemów produkcyjnych,

prognoz meteorologicznych i hydrologicznych
W dalszej części pracy chciałbym przybliżyć jedno z zastosowań sieci neuronowych, a
mianowicie prognozowanie sprzedaży.
Każde przedsiębiorstwo, firma znajdująca się na rynku przywiązuje bardzo dużą wagę co
do oceny możliwych do uzyskania w przyszłości zasobów. W przypadku większości
istniejących organizacji gospodarczych są to przychody ze sprzedaży oferowanych przez nią
towarów lub usług. Dlatego każdy przedsiębiorca przeprowadza tak zwaną prognozę
sprzedaży. Na podstawie jej wyników zazwyczaj tworzy w dalszej kolejności plany i
podejmuje określone decyzje. Są one związane np. z zaciąganiem kredytu, który trzeba będzie
spłacać wykorzystując bieżące przychody, z przeznaczeniem określonej ilości środków na
badania i rozwój przedsiębiorstwa, z ewentualnymi podwyżkami płac dla pracowników itp.
Jednym z kluczowych problemów przedsiębiorstw jest minimalizowanie gromadzonych
zapasów materiałów do produkcji, półproduktów oraz gotowych wyrobów. Niezmiernie
Szukasz gotowej pracy ?
To pewna droga do poważnych kłopotów.
Plagiat jest przestępstwem !
Nie ryzykuj ! Nie warto !
Powierz swoje sprawy profesjonalistom.
istotne jest ograniczenie częstotliwości zamówień na rzecz optymalizacji ich wielkości.
Właściwe rozwiązanie dla współczesnej firmy to dostawy "dokładnie na czas" (just in time).
Harmonogram takich dostaw sporządza się właśnie na podstawie stale przeprowadzanych
prognoz sprzedaży. Skuteczna realizacja systemu "dokładnie na czas" pozwala ma
zmniejszenie kosztów związanych z przestrzenią magazynową oraz wydatków
administracyjnych ponoszonych przy każdej operacji zamówienia i wysyłki towarów.
W praktyce bardzo rozpowszechnione są różnego rodzaju klasyczne metody statystyczne.
Często prognozy dotyczące wielkości przyszłych przychodów są oparte na opiniach
doświadczonych i obdarzonych dużą intuicją ekspertów. Oba te podejścia nie gwarantują
jednak minimalizacji błędów prognozy, dlatego coraz częstszym środkiem po który sięgają
przedsiębiorcy są metody prognozowania np. wykorzystujące sieci neuronowe.
Do modelowania przyczynowego można zastosować sieci neuronowe. W wyniku procesu
uczenia się sieć bowiem może nabyć umiejętność przewidywania przychodów ze sprzedaży.
Czy zastosowanie tego narzędzia do rozwiązywania problemów regresyjnych jest celowe i
przyniesie mniejsze (w porównaniu z innymi metodami) błędy prognozowania, można
dopiero określić po przeprowadzeniu doświadczeń z siecią neuronową.
Zagadnienia związane ze sztucznymi sieciami neuronowymi należą do interdyscyplinarnej
dziedziny, budzącej szerokie zainteresowanie w środowiskach zarówno teoretyków
zajmujących się biocybernetyką, elektroniką, matematyką stosowaną, jak i praktyków, tzn.
Szukasz gotowej pracy ?
To pewna droga do poważnych kłopotów.
Plagiat jest przestępstwem !
Nie ryzykuj ! Nie warto !
Powierz swoje sprawy profesjonalistom.
inżynierów różnych specjalności oraz ekonomistów. Ci ostatni wiążą z nią spore nadzieje,
między innymi, z punktu widzenia zastosowań w prognozowaniu gospodarczym.
Sztuczne sieci neutronowe stworzono dzięki dostępnej wiedzy o działaniu mózgu i systemie
nerwowym. Funkcjonowanie rzeczywistego neuronu (występującego w organizmach żywych)
stało się pierwowzorem dla modelu opisu matematycznego sztucznego neuronu. Dysponując
takim modelem można już opracowywać sztuczne sieci składające się z jednostek
elementarnych, jakimi są neurony.
Neurony mają wiele wejść i jedno wyjście. Podstawowym parametrem określającym działanie
neuronu oraz co za tym idzie całej sieci jest nieliniowa funkcja określająca wpływ
wypadkowego pobudzenia neuronu na jego odpowiedź. Relację między sygnałami
dochodzącymi do poszczególnych wejść x1, x2, ..., xn a sygnałem wyjściowym y można
przedstawić w postaci poniższej zależności:
y = f(e),
gdzie:
f - jest tzw. nieliniową funkcją przejścia,
e - określa całkowite pobudzenie neuronu.
Szukasz gotowej pracy ?
To pewna droga do poważnych kłopotów.
Plagiat jest przestępstwem !
Nie ryzykuj ! Nie warto !
Powierz swoje sprawy profesjonalistom.
Wielkość "e" wyznacza się z następującego wzoru:
gdzie:
wi - jest to i-ta składowa wektora wag synaptycznych W,
xi - jest to i-ta składowa wektora sygnałów wejściowych X.
Na jakość działania danej sieci neuronowej (poza rodzajem przyjętego modelu neuronu) mają
także wpływ ilość neutronów oraz struktura sieci. Większość obecnie tworzonych i
wykorzystywanych sieci ma budowę warstwową. Określona warstwa zawiera neurony, które
najczęściej są połączone tylko z neuronami z warstw sąsiednich. Wyróżnia się trzy
podstawowe typy warstw:

wejściową,

ukrytą (zlokalizowaną między warstwami wejściową i wyjściową),

wyjściową.
W przedstawionym przeze mnie przypadku wykorzystano do prognozowania wyłącznie sieci
jednokierunkowe tzn. takie, w których sygnał przechodzi tylko w jedną stronę - od wejścia do
wyjścia. Badane sieci miały jedną warstwę ukrytą. Umożliwiała ona przetwarzanie informacji
wprowadzanych przy pomocy warstwy wejściowej. Powstałe wyniki były następnie
przesyłane do warstwy wyjściowej, która służyła do obliczenia poszukiwanej zmiennej
zależnej. Ilość neutronów znajdujących się w poszczególnych warstwach należało dostosować
do przyjętej funkcji opisującej prognozowaną sprzedaż w przedsiębiorstwie.
Szukasz gotowej pracy ?
To pewna droga do poważnych kłopotów.
Plagiat jest przestępstwem !
Nie ryzykuj ! Nie warto !
Powierz swoje sprawy profesjonalistom.
Problem regresji związany z prognozowaniem sprzedaży rozwiązano za pomocą
następujących etapów. Najpierw określono, że przedmiotem rozważań będą tzw. sieci
heteroasocjacyjne, tzn. umożliwiające implementację określonej funkcji, wiążącej wielkości
wejściowe z wartością wyjściową. Następnie wybrano do szczegółowej analizy
trójwarstwową sieć o architekturze. Kolejny etap obejmował przygotowanie danych
wejściowych. Dalszym krokiem był dobór odpowiedniej struktury sieci. Później należało
określić ilość neuronów występujących we wszystkich warstwach. Na zakończenie
przeprowadzono proces uczenia i testowania gotowej sieci. Do uczenia sieci wykorzystano
algorytm wstecznej propagacji błędów. W tych doświadczeniach wykorzystano bezpłatne
programy do tworzenia i analizy sieci neuronowych.
Odpowiednie dostosowanie danych wejściowych do specyficznych właściwości konkretnej
sieci neuronowej było niezbędnym warunkiem uzyskania sensownych wyników.
Otrzymywana w wyniku przetwarzania danych wielkość wyjściowa także nie była wprost
poszukiwaną przez autora prognozowaną wartością sprzedaży. Należało bowiem we
właściwy sposób ją przekształcić. Badane sieci neuronowe źle sprawdzały się dla
argumentów o dużych modułach (konieczne było odpowiednie przeskalowanie), ponieważ
nieliniowe funkcje aktywacji neuronów ulegały nasyceniu dla stosunkowo dużych wartości.
Dobór ilości neuronów rozpoczęto od warstwy wyjściowej. Przyjęto tutaj typowe rozwiązanie
dla problemów regresyjnych, tzn. zastosowano jeden neuron odpowiadający zmiennej
zależnej czyli prognozowanej sprzedaży. W warstwie wejściowej umieszczano (w kolejnych
doświadczeniach) od trzech do siedmiu neuronów, z których każdy odpowiadał zmiennym
Szukasz gotowej pracy ?
To pewna droga do poważnych kłopotów.
Plagiat jest przestępstwem !
Nie ryzykuj ! Nie warto !
Powierz swoje sprawy profesjonalistom.
niezależnym mającym wpływ na poszukiwaną wartość sprzedaży. Tymi zmiennymi były
odpowiednio: cena towaru, budżet reklamowy, promocja, wielkość prowizji itp.
Jak już wcześniej wspomniano, w obliczeniach wykorzystano sieci o jednej warstwie ukrytej.
Określenie właściwej ilości neuronów dla tej warstwy okazało się dosyć trudnym zadaniem.
Ostatecznie, najlepsze wyniki uzyskano dla dwóch lub trzech neuronów, w zależności od
wielkości ciągu uczącego.
Wykorzystanie sieci neuronowych w różnych dziedzinach codziennego zycia stało się
ostatnio bardzo modne. Nie sposób znaleźć dziedziny, w której nie próbowano by ich
stosować. W literaturze można znaleźć opinię, że sieci neuronowe są lepszym narzędziem do
prognozowania niż klasyczne metody statystyczne. Czy na pewno jest to prawda? Niezbędne
jest bowiem przeprowadzenie testów porównawczych, które dałyby jasną odpowiedź na tak
postawione pytanie. Modele z sieciami neuronowymi dają dobre wyniki przy prognozowaniu
długoterminowym.
Szukasz gotowej pracy ?
To pewna droga do poważnych kłopotów.
Plagiat jest przestępstwem !
Nie ryzykuj ! Nie warto !
Powierz swoje sprawy profesjonalistom.
Download
Random flashcards
123

2 Cards oauth2_google_0a87d737-559d-4799-9194-d76e8d2e5390

ALICJA

4 Cards oauth2_google_3d22cb2e-d639-45de-a1f9-1584cfd7eea2

bvbzbx

2 Cards oauth2_google_e1804830-50f6-410f-8885-745c7a100970

Create flashcards