Только 15% элементов вышли за пределы допустимой ошибки. Это указывает, что остались некоторые аномалии после предобработки. Для их удаления создан алгоритм корректировки. Полученный набор снова пропущен через аналогичную структуру. Окончательная точность уже составила 95%. Это достигнуто благодаря применению ансамбля нейросетей.
При моделировании использовались сведения за 2,5 года. Прогнозы построены по каждому месяцу, области на протяжении требуемого интервала. Наибольшую часть времени заняли выбор архитектуры, настройка связей, процесс обучения, разработка алгоритма. А вот формирование моделей рынков потребления оказалось сверхзадачей.
Оригинальная агрегация позволила повысить качество исследования. Разработан алгоритм сглаживания массива рядов большой длины. Определена последовательность поиска аномалий по сбыту, выявлены серьёзные недостатки предыдущих предсказаний.
Работа позволила увидеть ближайшие величины реализации и перспективную динамику. Также появился следующий приятный бонус. Выделился лучший филиал по управлению за представленный промежуток.
ИСТОРИЯ
Окончание, смотрите начало.
Торговая компания реализует товары в нескольких регионах. Ширина ассортимента насчитывает более пяти тысяч позиций. Задействованы собственные филиалы, сторонние гипермаркеты. Они расположены на территориях с разным климатом, предпочтениями. Прогнозирование осуществляется отдельно по поставщикам и по головному подразделению.
ЗАДАЧА
Следует реализовать схему составления прогнозов продаж. В первую очередь для филиалов по товарным группам на несколько месяцев вперед. Так как подрядчиками являются фирмы России, Восточной Европы, Китая, длительность доставки может достигать девяти периодов.
РЕШЕНИЕ
Для сохранения уникальной специфики выделим торговые точки как отдельные области учёта. Отдельно для каждого пространства проведём прогнозирование. В связи с наличием множества сложных рядов применим нейронную сеть. Для качественных результатов потребуется значительный массив исходной информации.
Поэтому приумножим её объём - проведём маркетинговый анализ ассортимента. Заново сформированы группы на основе функциональности, сезонности, цены. Их количество намного увеличилось. Выработаны свежие названия, критерии объединения.
Использована российская аналитическая no-code платформа Deductor. Выберем необходимые элементы для входов сети. Создадим модель сезонностью один год. Запустим этап обучения, подадим подготовленные данные. Они указывают принадлежность временного ряда к конкретному пространству, категории, периоду.
Сформируем нейронную структуру топологии 4x12x3x1 с расширяющейся схемой. На четыре элемента первого слоя поступают начальные значения, выход определяет итоги. Между ними расположена два скрытых уровня. Цвета показывают силу взаимосвязей между узлами.
Теперь оценим результат, рассмотрев диаграмму рассеяния. Синяя прямая представляет идеальную линию. На ней расположены зелёные значки фактических величин. Расчётные указаны красными точками. Параллельно главному направлению проходят границы допустимого интервала.
