О принципах в научных исследованиях в области прогнозирования можно почитать здесь. А в этой статье мы обсудим практические аспекты.

Прикладное прогнозирование

Практически любую задачу прикладного прогнозирования можно разделить на три блока со следующими пунктами:

1. Предварительное исследование:
   1. Исследовать объект прогнозирования;
   2. Собрать данные;
2. Тестирование моделей:
   1. Выбрать модели, способные дать прогноз;
   2. Оценить модели, дать по ним прогноз;
   3. Оценить прогнозную точность этих моделей;
3. Непосредственное прогнозирование:
   1. Выбрать подходящую модель;
   2. Дать прогноз по выбранной модели;
   3. Откорректировать прогноз в соответствии с экспертным суждением.

Первый блок необходим для понимания того, что именно мы прогнозируем, какие факторы могут влиять на прогноз и какие именно данные нам нужны. Иногда заказчик сам не до конца понимает, что именно ему нужно. Например, какой-нибудь производитель карамельных конфет на палочке «бедный Йорик» хочет понять, сколько ему выпускать продукции и при этом обладает данными по продажам своей продукции в каждом магазине, в который он её поставляет, информацией об акциях (типа «заплати за два получи один» или «скидка -50%»), а так же данными о ценах на свою продукцию и на продукцию конкурентов. Когда он строит какую-нибудь регрессию или модель ARIMAX для каждого магазина, он сталкивается с кучей сложностей и никак не может решить, сколько же выпускать (а значит и сколько закупать воды, сахара, красителей и ароматизатора E041, дающих тонкий вкус вяленого мяса). Постановка такой задачи на самом деле подразумевает, что у заказчика слишком много лишней информации. Возможно нам будет достаточно просто агрегировать продажи по всем магазинам, чтобы получить общие продажи «Йорика» по городу, и построить прогноз по таким данным для организации в целом, а не по каждой конкретной точке сбыта. Благодаря агрегированию случайность в исходных данных сглаживается, а информация об акциях оказывается незначимой. Только поговорив с самим заказчиком, поняв, что же он хочет и что делает, можно прийти к выводам относительно объекта прогнозирования и того, какие именно данные нужны для достижения поставленной задачи.

С некоторыми элементами второго блока непосредственно связано понятие «процедура ретропрогноза», которая заключается в том, что имеющийся временной ряд разделяется на две части: на обучающую и тестовую выборки. Первая используется для оценки моделей, в то время как вторая используется для сравнения их прогнозных свойств. Сам ретропрогноз как раз и заключается в том, чтобы, оценив модели по первой части, дать прогноз на вторую. Этот блок важен, так как только поняв, как именно будут себя вести модели на данных, можно решить, какую же выбрать. Выбор модели вслепую просто потому что она «хорошая» или «статистически обоснованная» или «зарекомендовала себя в прошлом» может привести к неточным прогнозам. Если заказчик пользуется какими-нибудь программами для прогнозирования, то нужно сравнить прогнозы, получаемые с помощью этой программы с прогнозами по выбранным моделям. Если заказчик после получения прогноза вносит коррективы в прогнозы вручную, то эти изменения нужно зафиксировать отдельно, после чего проверить, увеличивают ли они точность прогнозов. Если прогнозистов (или, что чаще бывает на практике, «продажников»), занимающихся корректировкой вручную много, то надо изучить эти изменения для всей группы в целом и выявить, кто работает лучше / хуже и почему. Всё это можно сделать в рамках второго блока.

Третий блок, непосредственное прогнозирование, стоит по возможности выполнять только после первых двух, хотя обстоятельства бывают разными. Самым тонким местом в третьем блоке является пункт 3.3. — корректировка прогноза. На эту тему существует множество научных статей. Так, например, уже доказано, что корректировки прогнозов вниз оказываются более эффективными, чем корректировки вверх из-за «оптимистического смещения» — обычно люди переоценивают свои возможности и оказываются излишне оптимистичными относительно того, что их ждёт. А ещё точность таких корректировок сильно зависит от настроения прогнозиста. Поэтому идеальный прогнозист — это прогнозист в постоянной депрессии.

Бывает так, что в распоряжении исследователя статистических данных по объекту исследования нет в принципе (продукт только начал производиться). В результате этого всё, что может сделать прогнозист из всех пунктов выше — это пункт 1.1 и пункты 3.1 — 3.3. Так всё прогнозирование может свестись к получению экспертного прогноза, например, с помощью метода Дельфи (пункт 3.1, 3.2), который, как показывает практика, затем следует откорректировать (пункт 3.3).

Иногда прогнозы специально завышаются, так как руководство хочет видеть рост продаж, прибыли и прочих показателей. Это, конечно же, абсолютно бессмысленная и неправильная практика. Прогнозы нужны для того, чтобы понять, что произойдёт, если в будущем будет всё примерно так же, как в настоящем. Если мы намеренно искажаем прогноз, то руководство не сможет принять шаги для достижения поставленной цели. В конце концов прогнозирование — это одна из функций планирования, и, не имея адекватные представления о будущем, невозможно принять правильное решение. Ни в коем случае нельзя смешивать друг с другом цели организации и полученные прогнозы! Поэтому как бы от вас не требовали нарисовать красивую картинку, не поддавайтесь и постарайтесь донести до других, почему точные прогнозы так важны.

И последнее. В случае, если вы до этого никогда не занимались прогнозированием, но такая задача перед вами неожиданно встала, обратитесь к «Золотому правилу прогнозирования» (статья J.Scott Armstrong, Kesten C. Green и Andreas Graefe). В этой статье на странице 4 приведён список того, что следует делать в различных ситуациях. Авторы даже попытались дать оценку того, на какой процент в среднем уменьшается ошибка прогноза при использовании тех или иных приёмов. Например, корректировка тренда в случае, если исторических данных меньше, чем горизонт прогнозирования, в среднем повышает точность прогнозов на 43%.

Ну, и, конечно же, при практическом прогнозировании стоит по возможности помнить о базовых принципах прогнозирования, использующихся в научном исследовании, рассмотренных нами ранее. В конце концов прогнозирование — это не голая теория, а вполне себе прикладная дисциплина, поэтому любые научные находки в этой области могут быть полезны и применимы на практике.

Если вы всё уже прочитали и не знаете, чем заняться, то рекомендую ознакомиться с базовыми научными принципами прогнозирования.