Новый взгляд аналитики

ДЛИННЫЕ ПЛАНЫ ПРОСТРАНСТВ

Всего 15% элементов на диаграмме вышли за пределы допустимой ошибки. Для уменьшения выбросов создан алгоритм корректировки, аномальные отклонения сведены к нулю. Изменённый набор подаётся в новую, описанную выше структуру. В результате уменьшилась погрешность, точность составила 95%. Такая достоверность достигнута благодаря схеме, известной как ансамбль нейросетей.

Использованы сведения по сбыту за предыдущие 2,5 года. Прогнозы построены по каждому месяцу и по отдельным зонам на протяжении следующих 9 периодов. Значительную часть времени заняли выбор архитектуры, настройка связей и процесс обучения. Формирование моделей рынков по пространствам является сверхзадачей этой работы.

Оригинальная агрегация позволила повысить качество анализа и прогноза. Разработан алгоритм сглаживания массива рядов большой длины и сложности. Определён план поиска аномалий в продажах, выявлены серьёзные недостатки предыдущих прогнозов.

Решение позволило компании увидеть ближайшую величины реализации и перспективную динамику. В процессе построения возникло неожиданное и приятное дополнение. Определился лучший филиал по управлению сбытом за представленный интервал времени.

 

Продолжение, часть II. Начало, см. часть I.

 

Торговая компания реализует товары в нескольких регионах. В каждом из них задействованы как собственные филиалы, так и сторонние сетевые гипермаркеты. Условно они назначены некими пространствами продаж. Так гораздо лучше учитывать специфики территории и динамики.

Для повышения надёжности приумножим объём первичной информации. Это также необходимо для нейросети. Количество существующих товарных групп недостаточно, увеличим их число. Проведём маркетинговый анализ имеющихся агрегатов и собранных в них товаров. Выработаем новые критерии объединения в несколько этапов. В результате размер сведений возрос в 50 раз.

Создадим модель для прогнозирования. Автокорреляция указывает на сезонность в 12 месяцев. Далее осуществим обучение сети. На входы подадим исходные данные месяцев одного года. Они указывают на принадлежность временного ряда к конкретной территории, группе, периоду. На выходе предлагаются данные аналогичных месяцев следующего временного отрезка. Использовалась аналитическая платформа Deductor.

Полученная в итоге нейронная сеть имеет структуру 4x12x3x1. Получилась расширяющаяся схема. На четыре элемента первого слоя поступают начальные значения, на одном выходе последнего формируются итоги. Между ними расположена ещё пара скрытых. Во втором установлены двенадцать нейронов, в третьем - три. Цвета показывают силу взаимосвязей между узлами.

Структура нейронной сети

Для оценки функционирования построенной связки рассмотрим диаграмму рассеяния. Синяя прямая представляет идеальную линию. На ней располагаются значки фактических значений, которые окрашены в зелёный цвет. Рассчитанные величины указаны красными точками. Слева и справа от главного направления проходят границы интервала точности.

Распределение