Salaeva Inga, Kostyunina Daria

U znanstvenom istraživački rad prikazana je povijesna i dijagnostička slika kvalitete suvremenog predviđanja te je prikazana tehnologija predviđanja u programu Excel. Izvješće o istraživanju nalazi se u priloženoj datoteci. Proizvod projektne aktivnosti- na školskom portalu

Preuzimanje datoteka:

Pregled:

Otvorena međunarodna istraživačka konferencija za srednjoškolce i studente „Obrazovanje. Znanost. Profesija"

Odjeljak

Informacijska tehnologija

Predmet

Računalne tehnologije i predviđanje

Kostyunina Daria

Salaeva Inga

Obrazovna ustanova

Općinska obrazovna ustanova Gimnazija br. 39 “Klasična”

Znanstveni savjetnik:

Osipova Svetlana Leonidovna, učiteljica informatike najviše kategorije

Otradny

Formulacija problema.Prognoza sezonskih rasprodaja sladoleda.

Početni podaci.Obujam prodaje proizvoda po sezoni.

Algoritam rješenja.

1. Podatke o prodaji sladoleda po sezoni prikazati u tabličnom obliku.
2. Trend je određen, najbolja aproksimacija stvarnih podataka (u ovom problemu ovo je polinomski trend)

Zaključci.

Polinomni model pouzdanije opisuje ovisnost, jer njegov koeficijent determinacije R 2 bliže 1. Što je bliže R 2 na jedinstvo, to je model uspješnije izgrađen.

Dobiveni model dobro predviđa sezonsku prodaju sladoleda. Ali teško je predvidjeti prodaju u sljedećim sezonama, budući da se pri ekstrapolaciji ne preporuča ići daleko od eksperimentalnog područja. Međutim, možda ćete primijetiti da će ljetna prodaja sladoleda (osobito u lipnju i srpnju) biti velika.

1. Izračunavanje korelacija

Ovisnosti između veličina, od kojih je svaka podložna potpuno nekontroliranom rasipanju, nazivaju se korelacijskim ovisnostima.

Zadatak:

Formulacija problema. Utvrditi ovisnost školskog uspjeha srednjoškolaca o dva čimbenika: opremljenosti školske knjižnice udžbenicima i opremljenosti škole računalima.

Početni podaci.Rezultati mjerenja oba faktora u 11 različitih škola.

Algoritam rješenja.

1. Dobivene podatke prikazati u obliku tablice.
2. Izračunajte koeficijent pomoću korelacijske formule. U Excel postoji funkcija za to CORREL , koja je dio grupe statističke funkcije.

Zaključci.

Za obje ovisnosti dobiveni su linearni koeficijenti korelacije. Kao što se može vidjeti iz tablice, korelacija između nabave udžbenika i akademskog uspjeha jača je od korelacije između računalne podrške i akademskog uspjeha. Možemo zaključiti da knjiga i dalje ostaje značajniji izvor znanja od računala.

1. Optimalno planiranje

Objekti planiranja mogu biti različiti sustavi: aktivnosti pojedinog poduzeća, industrije ili Poljoprivreda, regija i konačno država. To također može biti zdravstveno stanje ili vremenske prilike. Formulacija problema planiranja je sljedeća:

1. Postoje neki planirani pokazatelji: x, y i drugi;
2. Postoje neki resursi: R1, R2 i drugi, pomoću kojih se ti ciljevi mogu postići. Ti su resursi gotovo uvijek ograničeni;
3. postoji određeni strateški cilj ovisno o vrijednostima x, y te drugi planirani pokazatelji na koje se planiranje treba orijentirati.

Potrebno je utvrditi vrijednost planiranih pokazatelja, uzimajući u obzir ograničenost resursa, ovisno o ostvarenju strateškog cilja. Ovo će biti optimalan plan.

zaključke

Predviđanje je sastavni dio svakog područja života, poput menadžmenta ili ekonomije, matematike ili meteorologije.

Tijekom rada na projektu uvidjeli smo da kvalitetno predviđanje različitih procesa ljudskog djelovanja nije moguće bez suvremenih računalnih tehnologija. U tu svrhu proučavali smo mogućnosti tabličnog procesora MS Excel za izradu računalnih modela koji se koriste u predviđanju. Mnoge ljudske funkcije u upravljanju, planiranju i predviđanju mogu se prenijeti na računalo.

• Tutorial

Bavim se predviđanjem vremenskih serija više od 5 godina. Prošle godine sam obranio diplomski rad na temu “ Model predviđanja vremenskih serija korištenjem uzorkovanja s maksimalnom sličnošću“Međutim, nakon obrane ostalo je još dosta pitanja. Evo jednog od njih - opća klasifikacija metoda i modela predviđanja.

Uobičajeno, kako u domaćim tako iu radovima na engleskom jeziku, autori ne postavljaju pitanje klasifikacije metoda i modela predviđanja, već ih jednostavno navode. Ali čini mi se da je danas to područje toliko naraslo i proširilo se da je, makar i najopćenitije, klasifikacija nužna. Ispod je moj vlastitu verziju opća klasifikacija.

Koja je razlika između metode predviđanja i modela predviđanja?

Metoda predviđanja predstavlja slijed radnji koje je potrebno izvršiti da bi se dobio prognostički model. Po analogiji s kuhanjem, metoda je slijed radnji prema kojima se jelo priprema - odnosno, pravi se prognoza.

Model predviđanja postoji funkcionalni prikaz koji adekvatno opisuje proučavani proces i temelj je za dobivanje njegovih budućih vrijednosti. U istoj kulinarskoj analogiji, model ima popis sastojaka i njihovih omjera potrebnih za naše jelo - prognozu.

Kombinacija metode i modela čini cjelovit recept!

Trenutno je uobičajeno koristiti engleske kratice za nazive i modela i metoda. Na primjer, postoji poznati model predviđanja autoregresijskog integriranog pomičnog prosjeka koji uzima u obzir vanjski čimbenik (prošireni auto regresijski integrirani pomični prosjek, ARIMAX). Ovaj model i njegova odgovarajuća metoda obično se nazivaju ARIMAX, a ponekad i Box-Jenkinsov model (metoda) prema autorima.

Prvo ćemo klasificirati metode

Ako pažljivo pogledate, brzo postaje jasno da koncept " metoda predviđanja"puno je širi od pojma" model predviđanja" U tom smislu, u prvoj fazi klasifikacije, metode se obično dijele u dvije skupine: intuitivne i formalizirane.

Ako se sjetimo naše kulinarske analogije, onda se svi recepti mogu podijeliti na formalizirane, odnosno zapisane po količini sastojaka i načinu pripreme, i intuitivne, odnosno nigdje zapisane i dobivene iz iskustva kuhara. Kada ne koristimo recept? Kada je jelo vrlo jednostavno: pržite krumpir ili skuhajte knedle, recept nije potreban. Kada još ne koristimo recept? Kada želimo izmisliti nešto novo!

Intuitivne metode predviđanja nositi se s prosudbama i ocjenama stručnjaka. Danas se često koriste u marketingu, ekonomiji i politici, budući da je sustav čije ponašanje treba predvidjeti ili vrlo složen i ne može se matematički opisati ili je vrlo jednostavan i ne treba takav opis. Pojedinosti o ovoj vrsti metoda mogu se pronaći u.

Formalizirane metode— metode predviđanja opisane u literaturi, na temelju kojih se grade modeli predviđanja, odnosno utvrđuje matematički odnos koji omogućuje izračunavanje buduće vrijednosti procesa, odnosno izradu prognoze.

Po mom mišljenju, ova opća klasifikacija metoda predviđanja može biti dovršena.

Zatim ćemo napraviti opću klasifikaciju modela

Ovdje je potrebno prijeći na klasifikaciju prognostičkih modela. U prvoj fazi modele treba podijeliti u dvije skupine: modele domene i modele vremenskih serija.

Modeli domena- takvi matematički modeli predviđanja, za čiju se konstrukciju koriste zakonitosti predmetnog područja. Na primjer, model koji se koristi za izradu vremenske prognoze sadrži jednadžbe dinamike fluida i termodinamike. Prognoza razvoja populacije izrađuje se pomoću modela izgrađenog na diferencijalnoj jednadžbi. Predviđanje razine šećera u krvi osobe s dijabetesom izrađuje se na temelju sustava diferencijalnih jednadžbi. Ukratko, takvi modeli koriste ovisnosti specifične za određeno predmetno područje. Ovu vrstu modela karakterizira individualni pristup razvoju.

Modeli vremenskih serija— matematički modeli predviđanja koji nastoje pronaći ovisnost buduće vrijednosti o prošlosti unutar samog procesa i izračunati prognozu temeljenu na toj ovisnosti. Ovi su modeli univerzalni za različita tematska područja, odnosno jesu opći oblik ne mijenja ovisno o prirodi vremenske serije. Možemo koristiti neuronske mreže za predviđanje temperature zraka, a zatim koristiti sličan model na neuronskim mrežama za predviđanje burzovnih indeksa. To su generalizirani modeli, poput kipuće vode, u koju ako bacite proizvod, on će se kuhati, bez obzira na njegovu prirodu.

Klasificiranje modela vremenskih serija

Čini mi se da bih se trebala pomiriti opća klasifikacija domenski modeli nisu mogući: koliko domena, toliko modela! Međutim, modeli vremenskih nizova lako su podložni jednostavnom dijeljenju. Modeli vremenskih serija mogu se podijeliti u dvije skupine: statističke i strukturne.

U statistički modeli ovisnost buduće vrijednosti o prošlosti dana je u obliku neke jednadžbe. To uključuje:

1. regresijski modeli (linearna regresija, nelinearna regresija);
2. autoregresivni modeli (ARIMAX, GARCH, ARDLM);
3. model eksponencijalnog izglađivanja;
4. model uzorkovanja s maksimalnom sličnošću;
5. itd.

U strukturni modeli Ovisnost buduće vrijednosti o prošlosti određena je u obliku određene strukture i pravila za prijelaz duž nje. To uključuje:

1. modeli neuronskih mreža;
2. modeli temeljeni na Markovljevim lancima;
3. modeli temeljeni na klasifikacijskim i regresijskim stablima;
4. itd.

Za obje skupine naznačio sam glavne, odnosno najčešće i detaljnije modele predviđanja. Međutim, danas već postoji ogroman broj modela predviđanja vremenskih serija, a za izradu prognoza počeli su se koristiti npr. modeli SVM (support vector machine), GA (genetic algorithm) modeli i mnogi drugi.

Opća klasifikacija

Tako smo dobili sljedeće klasifikacija modela i metoda predviđanja.

1. Tihonov E.E. Predviđanje u tržišnim uvjetima. Nevinnomyssk, 2006. 221 str.
2. Armstrong J.S. Predviđanje za marketing // Kvantitativne metode u marketingu. London: International Thompson Business Press, 1999. str. 92 – 119.
3. Jingfei Yang mr. sc. Kratkoročno predviđanje opterećenja elektroenergetskog sustava: doktorski rad. Njemačka, Darmstadt, Elektrotechnik und Informationstechnik der Technischen Universitat, 2006. 139 str.

UPD. 15.11.2016.
Gospodo, došlo je do ludila! Nedavno mi je poslan članak na recenziju za publikaciju VAK s poveznicom na ovaj unos. Napominjemo da niti u diplomama, niti u člancima, a još manje u disertacijama Ne možete se povezati s blogom! Ako želite link, koristite ovaj: Chuchueva I.A. MODEL PROGNOZIRANJA VREMENSKIH SERIJA UZORKOM NAJVEĆE SLIČNOSTI, disertacija... dr. sc. oni. Znanosti / Moskovsko državno tehničko sveučilište nazvano po. N.E. Bauman. Moskva, 2012.

Oznake: Dodajte oznake

Potreba za predviđanjem je objektivna. Budućnost mnogih pojava je nepoznata, ali je vrlo važna za odluke koje se donose u sadašnjem trenutku.

Potreba za predviđanjem je objektivna. Budućnost mnogih pojava je nepoznata, ali je vrlo važna za odluke koje se donose u sadašnjem trenutku. Procesi koji hitno zahtijevaju korištenje postupaka predviđanja uključuju gospodarsku aktivnost. Međutim, sve faze predviđanja, uključujući njegovu organizaciju, pružanje i tumačenje rezultata, daleko su od trivijalnosti. A IT u tome može pružiti vrlo značajnu pomoć.

Predviđanje: uspjesi i neuspjesi

Do danas je provedeno dosta istraživanja i dobivena su impresivna praktična rješenja problema predviđanja u znanosti, tehnologiji, ekonomiji, demografiji i drugim područjima. Pozornost prema ovom problemu duguje se, između ostalog, ljestvici moderna ekonomija, potrebama proizvodnje, dinamikom društvenog razvoja, potrebi unapređenja planiranja na svim razinama upravljanja, kao i stečenom iskustvu. Predviđanje je jedan od odlučujućih elemenata učinkovite organizacije upravljanja pojedinim gospodarskim subjektima i gospodarskim zajednicama zbog činjenice da je kvaliteta donesenih odluka uvelike određena kvalitetom predviđanja njihovih posljedica. Stoga se odluke koje se danas donose moraju temeljiti na pouzdanim procjenama mogućeg razvoja pojava i događaja koji se proučavaju u budućnosti.

Mnogi stručnjaci poboljšanje predviđanja vide u razvoju odgovarajućih informacijskih tehnologija. Potreba za njihovom upotrebom je zbog niza razloga, uključujući:

• rast količine informacija;
• složenost algoritama za izračunavanje i interpretaciju rezultata;
• visoki zahtjevi za kvalitetu prognoza;
• potreba korištenja rezultata predviđanja za rješavanje problema planiranja i upravljanja.

S vremena na vrijeme pojavljuju se informacije o pozitivnim rezultatima koje je postigla jedna ili druga tvrtka. Brojne publikacije primjećuju da uspješna procjena trendova tržišne situacije, potražnje za robom ili uslugama, kao i drugih ekonomskih procesa i karakteristika omogućuje značajno povećanje dobiti i poboljšanje drugih ekonomski pokazatelji. Mehanizam uspjeha na prvi je pogled jednostavan i jasan: predviđajući što će se dogoditi u budućnosti, možete pravodobno poduzeti učinkovite mjere, koristeći pozitivne trendove i kompenzirajući negativne procese i pojave.

No, ima i negativnih primjera. Kao što je ranije primijetio direktor časopisa Information Service, Tvrtka Cisco, nekoć hvaljen kao simbol nove ekonomije, ne samo da nije uspio predvidjeti gospodarsku krizu 2001., nego je bio još u gorem položaju od drugih jer je vjerovao da je njegov softver za predviđanje potražnje besprijekoran. Uprava tvrtke nije pretpostavljala da bi jedan od razloga njezine krize mogle biti metode predviđanja i tehnologije koje se koriste. Kao rezultat analitičke pogreške otpisana je roba vrijedna 2,2 milijarde dolara, otpušteno je oko 20% zaposlenika, a dionice tvrtke pale su u cijeni gotovo šest puta. Dakle, uzrok Ciscove krize ne leži u kašnjenju u dobivanju ili nedovoljnoj količini početnih informacija potrebnih za rad analitičara tvrtke. Poteškoće su nastale, očito, zbog metodoloških pogrešaka i neadekvatne procjene proizašlih prognoza. Može se pretpostaviti da model koji koristi Cisco nije omogućio potrebnu razinu prilagodbe prognoznih procjena trenutnoj promjeni tržišne situacije.

Osiguravanje kvalitete prognoze

Točnost, pouzdanost i učinkovitost, međutim, kao i druge sastavnice kvalitete prognoze, osigurava niz čimbenika, među kojima je potrebno istaknuti:

• softver temeljen na ekonomskim i matematičkim modelima primjerenim stvarnosti n cjelovitost obuhvata i pouzdanost izvora početnih informacija na kojima se temelji rad prognostičkih algoritama;
• učinkovitost obrade unutarnjih i vanjskih informacija;
• sposobnost kritičke analize procjena predviđanja;
• pravodobnost donošenja potrebnih promjena u metodološkoj i informacijskoj potpori predviđanja.

Poseban softver temelji se na pažljivo odabranim modelima, metodama i tehnikama. Njihova provedba iznimno je važna za dobivanje kvalitetnih prognoza pri rješavanju problema tekućeg i Strateško planiranje. Analiza postojećeg stanja pokazuje da poteškoće u uvođenju informatike, koja omogućuje predviđanje gospodarskih procesa, nisu samo tehničke ili metodološke, već i organizacijske i psihološke prirode. Konzumenti rezultata ponekad ne razumiju principe korištenih modela, njihovu formalizaciju i objektivno postojeća ograničenja. To u pravilu dovodi do nepovjerenja u dobivene rezultate. Druga skupina implementacijskih problema povezana je s činjenicom da su prediktivni modeli često zatvorene, autonomne prirode pa je stoga njihova generalizacija u svrhu razvoja i međusobne prilagodbe otežana. Stoga, kompromisno rješenje Može postojati pristup korak po korak koji ističe glavne analitičke zadatke.

Međutim, gotova replicirana ili korporativna rješenja koja omogućuju predviđanje za male i srednje gospodarske subjekte na razini sustava s visoka kvaliteta a praktički im nema dostupnih po cijeni. Trenutno automatizirani sustavi Upravljanje poduzećem ograničeno je uglavnom na elementarne računovodstvene i kontrolne zadatke. Razlog za ovu situaciju je taj što prije pojave modernih IT-a nije bilo širokih mogućnosti za korištenje učinkovitih ekonomskih i matematičkih modela izravno u procesu ekonomska aktivnost. Osim toga, korištenje postojećih prognostičkih modela u analitičke svrhe nije postavljalo tako visoke zahtjeve za njihovu informacijsku potporu.

Osnove tehnologija predviđanja

Prilikom izgradnje prediktivnog sustava od nule potrebno je riješiti niz organizacijskih i metodoloških pitanja. Prvi uključuju:

• obuka korisnika metodama analize i interpretacije rezultata prognoze;
• određivanje smjerova kretanja prognoznih informacija unutar poduzeća, na razini njegovih odjela i pojedinih zaposlenika, kao i strukture komunikacije s poslovnim partnerima i nadležnim tijelima;
• određivanje vremena i učestalosti postupaka predviđanja;
• razvoj načela za povezivanje predviđanja s dugoročnim planiranjem i postupak odabira opcija za rezultate dobivene pri izradi plana razvoja poduzeća.

Metodološki problemi izgradnje prognostičkog podsustava su:

• razvoj unutarnje strukture i mehanizma njezina funkcioniranja;
• organizacija informacijske podrške;
• razvoj matematičkog softvera.

Prvi problem je najteži, jer je za njegovo rješavanje potrebno izgraditi skup modela predviđanja, čiji je djelokrug sustav međusobno povezanih pokazatelja. Problem usustavljivanja i vrednovanja metoda predviđanja ovdje se pojavljuje kao jedan od središnjih, budući da je za odabir određene metode potrebno provesti njihovu komparativnu analizu. Varijanta klasifikacije metoda predviđanja, uzimajući u obzir karakteristike sustava znanja koji je u osnovi svake skupine, može se prikazati u agregatu kako slijedi: metode stručnih procjena; metode logičkog modeliranja; matematičke metode.

Svaka grupa je prikladna za rješavanje određenog spektra problema. Stoga praksa postavlja sljedeće zahtjeve za metode koje se koriste: moraju biti usmjerene na određeni objekt prognoziranja, moraju se temeljiti na kvantitativnoj mjeri primjerenosti te se razlikovati po točnosti procjena i horizontu prognoze.

Glavni zadaci koji se javljaju u procesu stvaranja prediktivnog sustava dijele se na:

• izgradnja sustava predviđenih procesa i pokazatelja;
• razvoj aparata za ekonomsku i matematičku analizu predviđenih procesa i pokazatelja;
• određivanje načina vještačenja, utvrđivanje pokazatelja za ispitivanje i dobivanje stručnih ocjena pojedinih predviđenih procesa i pokazatelja;
• pokazatelji i procesi predviđanja koji pokazuju intervale pouzdanosti i točnosti;
• razvoj metoda za interpretaciju i analizu dobivenih rezultata.

Posebnu pozornost zaslužuje rad na informacijskoj i matematičkoj potpori prognostičkog sustava. Proces izrade softvera može se predstaviti u sljedećim fazama:

1. razvoj metodologije za strukturnu identifikaciju objekta prognoze;
2. razvoj metoda za parametarsku identifikaciju prognoznog objekta;
3. razvoj metoda za predviđanje trendova;
4. razvoj metoda za predviđanje harmonijskih komponenti procesa;
5. razvoj metoda za ocjenu karakteristika slučajnih komponenti procesa;
6. stvaranje složenih modela za predviđanje pokazatelja koji čine međusobno povezani sustav.

Stvaranje prognostičkog sustava zahtijeva integrirani pristup rješavanju problema njegove informacijske podrške, koja se obično shvaća kao skup početnih podataka koji se koriste za dobivanje prognoza, kao i metode, metode i sredstva koja osiguravaju prikupljanje, akumulaciju, pohranu , dohvaćanje i prijenos podataka tijekom rada prognostičkog sustava i njegove interakcije s drugim sustavima upravljanja poduzećem.

Informacijska podrška sustavi obično uključuju:

Informacijski fond (baza podataka);

Izvori formiranja informacijskog fonda, tokovi i načini zaprimanja podataka;

Metode prikupljanja, pohranjivanja, ažuriranja i pronalaženja podataka koji čine informacijski fond;

Metode, principi i pravila kruženja podataka u sustavu;

Metode za osiguranje pouzdanosti podataka u svim fazama njihova prikupljanja i obrade;

Metode analiza informacija i sinteza;

Metode za jednoznačan formalizirani opis ekonomskih podataka.

Stoga su sljedeće glavne komponente potrebne za provedbu procesa predviđanja:

Izvori internih informacija, koji se temelje na upravljačkim i računovodstvenim sustavima;

Izvori vanjskih informacija;

Specijalizirani softver koji implementira algoritme predviđanja i analizira rezultate.

Uz ove komponente moraju se koristiti i odgovarajuće tehnologije za pohranu, razmjenu i prezentaciju informacija.

Potvrda kvalitete predviđanja

S obzirom na važnost rješavanja problema predviđanja za tržišne subjekte, preporučljivo je provjeriti kvalitetu predloženih metoda i algoritama, kao i tehnologija općenito, koristeći posebno odabrane (testne) izvorne podatke. Slična metoda verifikacije već se dugo koristi pri procjeni prikladnosti matematičkih alata dizajniranih za nelinearnu optimizaciju, na primjer, korištenjem Rosenbrockovih i Powellovih funkcija.

Potvrda (ili provjera) kvalitete i izvedbe tehnologije predviđanja obično se provodi usporedbom a priori poznatih podataka modela s njihovim predviđenim vrijednostima i procjenom statističkih karakteristika točnosti predviđanja. Razmotrimo ovu tehniku ​​u situaciji u kojoj su modeli procesa aditivna kombinacija trenda Tt, sezonskih (harmoničnih) i slučajnih komponenti.

Na sl. 1, kao ilustracija trenda aditivnog modela, prikazan je parabolički trend drugog reda, na sl. 2 - sezonska komponenta procesa s periodom od 12 mjeseci, a na sl. 3 - slučajna komponenta. Usporedba stvarne provedbe procesa s njegovom prognozom, provedenom u okviru metodologije kratkoročnog predviđanja, prikazana je na slici. 4. Apsolutne pogreške ilustrirane su na sl. 5. Kvaliteta tehnologije procjenjuje se statističkim karakteristikama pogrešaka u procjenama prognoza.

Praksa i perspektive razvoja predviđanja u repliciranim i korporativnim sustavima

Trenutno su široko rasprostranjeni razni softverski alati koji u jednoj ili drugoj mjeri omogućuju prikupljanje i analitičku obradu informacija. Neki od njih, primjerice MS Excel, opremljeni su ugrađenim statističkim funkcijama i alatima za programiranje. Ostalo, posebno jeftino računovodstvo i upravljačko računovodstvo, nemaju takve mogućnosti ili su analitičke mogućnosti u njima nedovoljno implementirane, a ponekad i pogrešno. No, to je, nažalost, svojstveno i nekim moćnijim i višenamjenskim sustavima upravljanja poduzećima, što je potvrđeno na prošlim izložbama “Farmacija 2001” (studeni-prosinac 2001.) i “Računovodstvo i revizija 2002” (siječanj 2002.). Ova situacija se očito objašnjava plitkom analizom od strane programera svojstava algoritama za predviđanje koje su odabrali i njihovom nekritičkom primjenom. Na primjer, sudeći prema dostupnim izvorima, eksponencijalno izglađivanje nultog reda često se koristi kao osnova za prediktivne algoritme. Međutim, ovaj pristup vrijedi samo u odsutnosti trenda u procesu koji se proučava. Naime, ekonomski procesi su nestacionarni, a predviđanje uključuje korištenje složenijih modela od modela s konstantnim trendom.

Iz perspektive teme koja se razmatra, zanimljivo je pratiti put razvoja domaće automatike bankarski sustavi. Rani bankarski sustavi temeljili su se na rigidnoj tehnologiji, stalno zahtijevajući promjene ili dodatni softver. To je potaknulo programere financijskog softvera, slijedeći načela otvorenosti, skalabilnosti i fleksibilnosti, da koriste industrijske DBMS-ove. Međutim, pokazalo se da su ti DBMS-ovi sami neprikladni za rješavanje analitičkih problema visoke razine, što uključuje i problem predviđanja. Za to je bilo potrebno koristiti dodatne tehnologije za pohranu podataka i operativnu analitičku obradu, koje su osiguravale rad sustava za podršku odlučivanju financijskih institucija i izradu prognoza. Isti se pristup koristi u složenim sustavima upravljanja poduzećima.

Drugi smjer suvremene primijenjene uporabe informatičkih metoda predviđanja je rješavanje širokog spektra marketinških problema. Ilustracija je SAS Churn Management Solution za telekomunikacijski softver. Namijenjen je telekomunikacijskim operaterima i omogućuje, kako tvrde njegovi programeri, izradu prediktivnih modela i uz njihovu pomoć procjenu vjerojatnosti odljeva određenih kategorija korisnika. Osnovu ovog softvera čini poslužitelj distribuirane baze podataka Scalable Performance Data Server, alati za izgradnju i administriranje skladišta i podatkovnih martova, alati za rudarenje podataka Enterprise Miner, sustav za podršku odlučivanju SAS/MDDB Server, kao i pomagala. Kako bi se osigurala konkurentnost novih CRM sustava, popis njihovih proširenih mogućnosti, kao i za automatizirane bankarske sustave, uključuje funkcije izvješćivanja koje koriste OLAP tehnologije i omogućuju, u određenoj mjeri, predviđanje rezultata marketinga, prodaje i klijenata servis.

Postoji dosta specijaliziranih softverski proizvodi, pružajući statističku obradu numeričkih podataka, uključujući pojedinačne elemente predviđanja. Takvi proizvodi uključuju SPSS, Statistica, itd. Ovi alati imaju i prednosti i nedostatke koji značajno ograničavaju njihov opseg. praktična aplikacija. Ovdje treba napomenuti da je procjena prikladnosti specijalizirana matematička i statistička softver Rješavanje problema predviđanja od strane običnih korisnika bez posebne obuke zahtijeva zasebno ozbiljno istraživanje i raspravu.

Međutim, rješavanje problema predviđanja za potrošače iz malog i srednjeg poduzetništva korištenjem moćnih i skupih informacijskih sustava i tehnologija gotovo je nemoguće, prvenstveno iz financijskih razloga. Stoga je vrlo obećavajući smjer razvoj analitičkih sposobnosti postojećih i rasprostranjenih jeftinih računovodstvenih i upravljačkih računovodstvenih sustava. Razvijena dodatna izvješća koja se temelje na specifičnim poslovnim procesima i sadrže potrebne analitičke podatke za pojedinog korisnika visok stav„učinkovitost – trošak“.

Neki programeri softvera stvaraju cijele linije analitičkih alata. Primjerice, Korporacija Parus nudi rješenja Parus-Analytics i Triumph-Analytics za široki krug korisnika iz malog i srednjeg poduzetništva. Složeniji poslovi analitičke obrade prognoznih informacija integrirani su u sustav Parus u obliku tzv. situacijskog centra. Prema Dmitriju Sudarevu, menadžeru za razvoj cirkulacijskih rješenja, 1997. godine odlučeno je da se razviju i implementiraju softverski proizvodi koji bi tvrtki omogućili prijelaz s jednostavnog bilježenja činjenica u aktivnostima poduzeća na analizu informacija. Istodobno je planiran prijelaz s automatizacije rada računovođa i srednjih menadžera na obradu informacija za top menadžment. Uzimajući u obzir mogući raspon potrošača, Parus-Analitika i Triumph-Analitika nemaju posebne zahtjeve za softversko i hardversko okruženje, međutim, rješenje Triumph-Analitike implementirano je na bazi MS SQL Servera koji mu omogućuje veće mogućnosti predviđanja procesa koji se proučavaju, posebno se uzima u obzir harmonijska komponenta prognoza.

Vrijednost prognoze višestruko se povećava kada se izravno koristi u upravljanju poduzećem. Stoga je važan smjer integracija prognostičkih sustava sa sustavima kao što su Kasatka, MS Project Expert itd. Na primjer, SBI-jev softver Kasatka pozicioniran je kao automatizirani radno mjesto voditelj i specijalisti odjela marketinga i namijenjen je razvoju kompleksa upravljanja, marketinga i strateškog planiranja. Ova svrha predodređuje potrebu identificiranja dugoročnih trendova i uzimanja u obzir pri planiranju. Horizont predviđanja određuje se na temelju relevantnih ciljeva organizacije.

Zaključak

Odabir tehnologije predviđanja i sredstava za njezinu provedbu trebao bi se provesti u skladu s ciljevima i ciljevima određenog potrošača, uzimajući u obzir razinu informacijske podrške, kvalifikacije korisnika i niz drugih čimbenika. Ovi razlozi zahtijevaju individualni razvoj ili prilagodbu prethodno izrađenog posebnog softvera.

Književnost

Glosar

Predviđanje(u gospodarskom planiranju) - znanstveno-analitički stupanj procesa ekonomsko planiranje. Osnovne zadaće predviđanja u izradi gospodarskih planova su: znanstvena analiza društvenih, gospodarskih i znanstveno-tehničkih procesa i kretanja, objektivne povezanosti društveno-ekonomskih pojava u konkretnim uvjetima, ocjena postojećeg stanja i utvrđivanje ključnih problema gospodarskog razvoja. razvoj; procjena razvoja ovih trendova u budućnosti i predviđanje novih gospodarskih situacija, novih problema koji zahtijevaju rješavanje; prepoznavanje mogućih razvojnih alternativa za informirani izbor jedne ili druge prilike i donošenje optimalne odluke.

Automatizacija upravljanja- korištenje metoda i tehnika automatske obrade informacija od strane upravljačkih tijela poduzeća, uključujući i za razvoj optimalnih ekonomskih odluka. Automatizacija upravljanja povezana je s uvođenjem ekonomsko-matematičkih metoda i informatike.

Informacijska podrška sustava- skup metoda i sredstava za odabir, klasificiranje, pohranjivanje, pretraživanje, ažuriranje i obradu informacija u sustavu. Informacijska potpora uključuje: sastav informacija (popis informacijskih jedinica ili agregata); struktura informacije i obrasci njezine transformacije; karakteristike protoka informacija; karakteristike kvalitete informacija; metode obrade informacija. Informacijska potpora može se karakterizirati u funkcionalnom, strukturnom, transformacijskom i organizacijsko-metodološkom aspektu. Objekti transformacijskog aspekta su preobrazba jezika gospodarsko upravljanje po razinama i fazama promicanja informacija u sustavu.

Zaostajanje zaostajanje- vremenski interval između trenutka nastanka reakcije (učinka) sustava na utjecaj koji se na njega primjenjuje i trenutka njegove primjene. U socio-ekonomskim sustavima, vrijednosti kašnjenja igraju značajnu ulogu u planiranju i upravljanju. Posebno su važni kasni povrati ulaganja.

Trend(deterministička osnova predviđenog procesa) - opći, glavni trend promjene u vremenskoj seriji (procesu) tijekom dovoljno dugog razdoblja njegovog promatranja. Opće je prihvaćeno da je trend određen djelovanjem stalno djelujućih čimbenika.

Harmonijska komponenta predviđenog procesa- komponenta čije je djelovanje određeno čimbenicima periodične prirode. Poseban je slučaj sezonska komponenta, koja je određena uglavnom klimatskim uvjetima i društvenim tradicijama.

Slučajna komponenta predviđenog procesa- odstupanja stvarnih procesnih vrijednosti od predviđenih vrijednosti, čiji uzroci nisu utvrđeni i ne mogu se identificirati u okviru usvojenog modela.

Ekonomsko-matematičke metode- konvencionalni naziv za kompleks znanstvenih i primijenjenih disciplina na raskrižju ekonomije i matematike. Obuhvaćaju sljedeće skupine disciplina: ekonomske i statističke metode; ekonometrija; operacijska istraživanja u ekonomiji; ekonomska kibernetika.

Stručne procjene- procjena procesa ili pojava koji se ne mogu izravno mjeriti. Stručne procjene igraju značajnu ulogu u donošenju odluka, uključujući i predviđanje alternativa i njihovih posljedica.

Heuristička metoda predviđanja- korištenje mišljenja stručnjaka iz ove oblasti; koristi se za predviđanje procesa koji se ne mogu formalizirati u vrijeme predviđanja. Sinonim je za metodu stručnih procjena.

Matematičke metode predviđanja konvencionalno se dijele na metode modeliranja razvojnih procesa i metode ekstrapolacije. Temelje se na matematičkim alatima.

Metode logičkog predviđanja i analize povezani su prvenstveno s analizom dosljednosti napretka i rezultata predviđanja. Služiti kao Povratne informacije u sustavu predviđanja. Metode logičke analize, osim toga, omogućuju vam rješavanje samostalni zadaci, na primjer, konstrukcija morfoloških modela, koji se kasnije koriste kao osnova za formalizirane (matematičke) prognostičke modele.

Kombinirane metode predviđanja- zajedničko korištenje heurističkih i matematičkih metoda predviđanja kako bi se kombinirale njihove inherentne prednosti i nadoknadili nedostaci.

Intervalna prognoza- raspon vrijednosti u koji će predviđena vrijednost pasti s danom vjerojatnošću s obzirom na poznate procesne parametre.

Kriteriji kvalitete predviđanja- glavni kriterij kvalitete je točnost prognoze. Osim toga, mogu se koristiti kriteriji učinkovitosti, pouzdanosti itd.

Pogreške u predviđanju- razlika između trenutnog promatranja prognoziranog objekta i očekivane vrijednosti. Pogreške u predviđanju uzrokovane su različitim razlozima: neizvjesnošću buduće situacije; promjene u samom objektu prognoze; utjecaj novonastalih čimbenika itd.

Predviđanje- sud o budućem stanju predmeta, koji je uglavnom subjektivne naravi.

Model objekta predviđanja- korištenje fenomena izomorfizma (analogije) za opisivanje stvarnog objekta prognoze korištenjem matematičkih odnosa i logičkih zaključaka (u rjeđim slučajevima koriste se fizički modeli). Model je određena apstrakcija od stvarnosti, uzimajući u obzir samo one karakteristike izvornika koje su od interesa ili imaju značajan utjecaj na njegov razvoj. Teškoća odabira modela prognoziranog objekta određena je brojnim čimbenicima: informacijama o procesima ili objektima sličnim onome koji se predviđa; točnost informacija o danom procesu (predmetu); količinu ovih informacija. Trenutno postoje mnoge klasifikacije modela predviđanja.

Prediktivni sustav- skup metoda, metoda i sredstava za prikupljanje početnih podataka, obradu informacija i prezentiranje prognoza s potrebnom kvalitetom.

Izvori

Na razna poduzeća Postoje posebni zahtjevi za izradu proračuna. Ove značajke uzimaju u obzir kreatori softverskih proizvoda. Pogledajmo najpoznatije i najraširenije softverske proizvode.

Hyper Pillar je velik i napredan sustav koji u potpunosti automatizira proračun. Za početak rada unesite planirane troškove i predviđene prihode. Rezultat izračuna je dinamički model poduzeća s modelima odgovornim za svaku razinu i jednostavnom tehnologijom za unošenje promjena u isti. Program Hyper Pillar dobro je integriran s drugim proizvodima tvrtke: Enterprise, Essbase OLAP Server, Reporting.

Corporate Planner je program za proračun koji je izgrađen na temelju strukturnog stabla troškova tvrtke. Čvorovi stabla - planirane, stvarne vrijednosti i odstupanja između njih. Čvorovi su povezani formulama. Datoteke se mogu uvesti putem ODBC-a. Corporate Planner se koristi u malim tvrtkama i ne podržava distribuirani rad.

Adaytum Planiranje - je trodimenzionalno proračunska tablica s funkcijama za konstruiranje raznih rezova. Tablice sadrže različite podatke (vrijeme, financije, itd.) za svaki odjel tvrtke. Postoji funkcija za sumiranje konsolidiranog proračuna za odabrani datum. Adaytum Planning je isplativ proizvod za stvaranje malog proračuna korištenjem niza analitičkih alata.

"Jade" je softverski proizvod namijenjen uporabi u velikim korporacijama s holding strukturom. Zauzima srednji položaj između računalne i papirnate obrade dokumentacije i ima prikladan postupak odobravanja proračuna. Program radi i s nedovoljno pripremljenim podacima. Početni podaci su proračuni odjela holdinga koje treba spojiti u jedan proračun holdinga. "Jade" je kreiran na temelju proračunskih tablica.

"Red Director" je proračunski sustav namijenjen malim i srednjim poduzećima i ima jednostavno sučelje. Program se temelji na bazi podataka bez mogućnosti integracije s drugim programskim proizvodima.

Planiranje je posebna vrsta znanstvene i praktične aktivnosti, koje se sastoje u razvoju strateških odluka (u obliku prognoza, projekata, programa, planova), osiguravajući promicanje takvih ciljeva i strategija ponašanja objekata upravljanja, čija provedba osigurava njihovo učinkovito funkcioniranje dugoročno, brzu prilagodbu promijenjenim vanjskim uvjetima.

Program Project Expert tvrtke Pro-Invest-Consulting omogućuje korisnicima rješavanje sljedećih problema:

· detaljno opisati i osmisliti aktivnosti bilo kojeg poduzeća, uzimajući u obzir promjene parametara okoliša (inflacija, porezi, tečajevi);

· izraditi plan razvoja poduzeća ili provedbu investicijskog projekta, marketinšku strategiju i proizvodnu strategiju koja osigurava racionalno korištenje materijalni, ljudski i financijski resursi;

· odrediti shemu financiranja poduzeća;

· testirati različite scenarije razvoja poduzeća, mijenjajući vrijednosti faktora koji mogu utjecati na njega financijski rezultati;

· sastaviti financijska izvješća (izvješće o kretanju Novac, bilanca, račun dobiti i gubitka, izvješće o korištenju dobiti) i poslovni plan za investicijski projekt, u potpunosti u skladu s međunarodnim zahtjevima, na ruskom i engleski jezici;

· provesti sveobuhvatnu analizu poduzeća (projekta), uključujući analizu ukupne učinkovitosti, analizu osjetljivosti, analizu novčanog toka za svakog sudionika projekta, analizu financijsko stanje i profitabilnost poduzeća pomoću tri desetke automatski izračunatih pokazatelja.

Poseban modul za razmjenu Project Expert omogućuje vam uvoz i izvoz informacija u *.txt i *.dbf formatima. Podaci iz sažetih tablica i tekstualne informacije mogu se slobodno kopirati putem Windows međuspremnika u Word, Excel i druge Windows aplikacije. Project Expert također komunicira s najpoznatijim sustavima za planiranje i upravljanje: MS Project, Primavera, Project Planner i Sure Truck. Podaci se uvoze i izvoze u formatu GANTT mrežnog dijagrama, s opisom faza, njihovim odnosima i tako dalje.

Budući da je jezgra kompleksa programa financijska analiza i dizajna, Project Expert je u mogućnosti automatski "skidati" informacije koje karakteriziraju početno stanje poduzeća iz programa za financijsku analizu Audit Expert, a podatke iz marketinškog operativnog plana iz programa Marketing Expert.

Program Project Expert dolazi u dvije modifikacije: Base i Professional. Project Expert Professional svojim korisnicima pruža dvije dodatne značajke:

1) Ažuriranje podataka i praćenje provedbe projekta (plana). Kako projekt napreduje, korisnik ima priliku unijeti stvarne podatke za sve module projekta i izračunati ažurirane pokazatelje pravo kretanje sredstava, kao i kontrolirati neusklađenost stvarnog i planiranog novčanog toka.

2) Rad s grupom projekata. Poseban modul Project Integrator omogućuje vam kombiniranje nekoliko projekata (poduzeća) u grupu i izračunavanje integriranih pokazatelja uspješnosti za grupu kao cjelinu, kao i međusobnu usporedbu različitih verzija jednog projekta prema bilo kojim pokazateljima.

Program Biz Planner tvrtke Pro-Invest-Consulting je modifikacija Project Expert-a i namijenjen je planiranju i analizi učinkovitosti ulaganja u mala i srednja poduzeća.

Program Audit Expert tvrtke Pro-Invest-Consulting je učinkovit alat sveobuhvatna analiza financijskog stanja i uspješnosti poduzeća. Usklađivanje financijskih izvješća s međunarodnim standardima omogućuje vam pretvaranje podataka iz financijskih izvješća poduzeća za različite godine u analitičke tablice koje ispunjavaju zahtjeve Međunarodni standardi računovodstvo.

Program Marketing Expert tvrtke Pro-Invest-Consulting sustav je podrške odlučivanju u svim fazama izrade strateških i taktičkih marketinških planova i praćenja njihove provedbe.

Program Forecast Expert tvrtke Pro-Invest-Consulting univerzalni je primijenjeni sustav predviđanja i dizajniran je za izradu vremenske serije prognoze korištenjem autoregresijskog modela i integriranog pomičnog prosjeka (ARISS, ARIMA, ARIMA, Box-Jenkins). Forecast Expert vam omogućuje analizu dostupnih podataka i izradu prognoze koja označava granice interval pouzdanosti u vremenskom razdoblju koje ne prelazi razdoblje promatranja izvorne serije. Model određuje stupanj utjecaja sezonski faktori te ih uzima u obzir pri izradi prognoze.

Microsoftov program MS Project razvoj je u području upravljanja investicijskim projektima temeljen na teoriji grafova i mrežnom planiranju.

Studija o glavnim pravcima i problemima provedbe u praktične aktivnosti organizacije suvremenih informacijskih i komunikacijskih tehnologija. Identificirani su problemi i pravci stvaranja jedinstvenog informacijskog prostora. Provedena je analiza uvjeta i preduvjeta za praktično modeliranje te su analizirane značajke postupne izgradnje prognostičkih modela aktivnosti organizacija. Dana kratak opis značajke korištenja različitih prognostičkih modela, naglasak je stavljen na važnost provjere primjerenosti prognostičkih modela. Proveden je pregled suvremenih informacijsko-analitičkih tehnologija za predviđanje aktivnosti organizacija. Dane su preporuke za korištenje rezultata predviđanja u praksi ključni pokazatelji organizacije.

informacijske i analitičke tehnologije

modeliranje aktivnosti

analiza adekvatnosti modela

predviđanje aktivnosti organizacije

1. Golichev V.D., Golicheva N.D., Gusarova O.M. i dr. Smolenska zemlja i njezino stanovništvo (Povijesno-statistički pregled u brojkama i činjenicama). – Smolensk: Smolgortypography, 2013. – 152 str.

2. Gusarova O.M. Modeliranje kao način planiranja i upravljanja poslovnim rezultatima // Advances in modern science. – 2014. – Broj 11. – Str. 88–92.

3. Gusarova O.M. Modeliranje u prihvaćanju upravljačke odluke// Znanost i obrazovanje: problemi i perspektive razvoja: zbornik znanstvenih radova na temelju materijala Međunarodnog znanstveno-praktičnog skupa. – Tambov: Ukom, 2014. – str. 41–42.

4. Gusarova O.M. Problemi integracije teorije i prakse modeliranja poslovnih rezultata // Ekonomija i obrazovanje: Izazovi i potraga za rješenjima: zbornik znanstvenih radova na temelju materijala II Sveruske (dopisne) znanstveno-praktične konferencije (Jaroslavlj, 15. travnja 2014) - Yaroslavl: Chancellor, 2014. - pp. 78–82.

5. Gusarova O.M. Procjena odnosa između regionalnih pokazatelja društveno-ekonomskog razvoja (na temelju materijala iz Središnjeg federalnog okruga Rusije) // Suvremena pitanja znanosti i obrazovanja. –2013. – br. 6. (Elektronički časopis).

6. Gusarova O.M., Zhuravleva M.A. Analiza i unapređenje aktivnosti dionička društva// Suvremena visoka tehnologija. – 2014. – Broj 7–3. – Str. 10–12.

7. Gusarova O.M. Metode i modeli za predviđanje aktivnosti korporativnih sustava // Teorijska i primijenjena pitanja obrazovanja i znanosti: zbornik znanstvenih radova na temelju materijala Međunarodne znanstveno-praktične konferencije. – Tambov: Ukom, 2014. – str. 48–49.

8. Gusarova O.M. Računalne tehnologije za modeliranje društveno-ekonomskih procesa // Ekonomski rast i konkurentnost Rusije: trendovi, problemi i strateški prioriteti: zbornik znanstvenih članaka na temelju materijala Međunarodne znanstvene i praktične konferencije. – M.: Jedinstvo-Dana, 2012. – P. 102–104.

9. Gusarova O.M. Proučavanje kvalitete kratkoročnih modela za predviđanje financijskih i ekonomskih pokazatelja. – M.: 1999. – 198 str.

10. Orlova I.V., Turundaevsky V.B. Multivarijantna statistička analiza u proučavanju ekonomskih procesa. Monografija. – M.: MESI, 2014. – Str. 190.

U kontekstu uvođenja gospodarskih sankcija niz Ruska poduzeća traži učinkovite načine osiguranje konkurentnosti vaših proizvoda i povećanje učinkovitosti organizacije. U teškim ekonomski uvjeti Za donošenje odluka potrebno je koristiti ne samo praktično iskustvo u organiziranju poslovanja u određenom području djelatnosti, već i moderni pristupi planiranju aktivnosti poduzeća. Široka primjena U praksi informacijsko-analitičke tehnologije za modeliranje i predviđanje ključnih pokazatelja poslovanja omogućuju operativno praćenje poslovnih rezultata i oblikovanje strategije razvoja organizacije. Korištenje informacijskih i analitičkih tehnologija omogućuje vam stvaranje integriranih sustava za upravljanje poslovnim rezultatima, optimizaciju materijalnih i financijskih tokova, minimiziranje troškova financijskih i gospodarskih aktivnosti, maksimiziranje dobiti tvrtke i rješavanje niza drugih problema.

Procese informatizacije suvremenog društva i s njima usko povezane procese uvođenja informacijsko-komunikacijskih tehnologija u sva područja poslovanja karakterizira masovno širenje informacijsko-analitičkih tehnologija za analizu aktivnosti organizacija. razna polja i oblika vlasništva. Suvremene informacijske tehnologije omogućuju automatizaciju niza sljedećih područja: istraživanje svojstava sustava (objekta), praćenje dinamike razvoja ključnih pokazatelja svih područja poslovanja, optimizacija parametara operativnog sustava, izrada integriranih sustava. za praćenje i upravljanje sustavom, planiranje i predviđanje perspektiva razvoja organizacije.

Strateški cilj implementacija informacijskih i komunikacijskih tehnologija u svim sferama djelovanja suvremenog društva je stvaranje jedinstvenog informacijskog prostora namijenjenog rješavanju širokog spektra pitanja vezanih uz pristup jedinstvenim bazama podataka, brzo pružanje statističko izvještavanje, stvaranje integriranih sustava nadzora raznih smjerova aktivnosti. Sve to doprinosi stvaranju temeljno novih mogućnosti za razvoj kognitivnih sposobnosti kreativna aktivnost osoba: istraživačka, organizacijska i upravljačka, stručna, poduzetnička i dr. Stvaranje jedinstvenog informacijskog prostora pomaže povećanju učinkovitosti i kvalitete praćenja aktivnosti organizacija, intenziviranju znanstvenih istraživanja u različitim područjima, smanjenju vremena obrade i pružanja informacija, učinkovitosti i djelotvornosti upravljanja sustavom te integraciji nacionalnih informacijski sistem V međunarodni sustavi pristup informacijskim resursima iz područja znanosti, kulture, gospodarstva i drugih područja djelatnosti.

Uvođenje informacijsko-komunikacijskih tehnologija u praktične aktivnosti organizacija karakterizira niz područja i problema:

● tehnička opremljenost organizacija informacijsko-komunikacijskim tehnologijama podrazumijeva pristup suvremenim softver a ograničen je organizacijskim i ekonomskim čimbenicima. Tako je pristup “maloj informatizaciji” u nekim slučajevima neučinkovit, a pristup “velikoj” je skup i ne daje brz povrat.

● Obuka stručnjaka u području informacijskih i komunikacijskih tehnologija, posebno u području mrežnih tehnologija, trebala bi postati prioritetna zadaća, čije rješenje određuje učinkovitost aktivnosti organizacije u tom smjeru. Visoko kvalificirani IT stručnjak ponekad može dovršiti posao cijelog odjela organizacije. S tim u vezi potrebno je obrazovne organizacije sve više uvoditi discipline vezane uz informacijsku tehnologiju i povećavati njihovu praktičnu usmjerenost. Moderni sustav obrazovanje treba usmjeriti na fundamentalizaciju obrazovanja na svim razinama, široku primjenu metoda i tehnologija inovativnog obrazovanja, poboljšanje kvalitete i dostupnosti obrazovanja kroz razvoj sustava obrazovanja na daljinu i opreme obrazovni proces suvremene informacijske i komunikacijske tehnologije.

● Stvaranje informacijskih baza podataka za sva područja djelovanja organizacije zahtijeva određeni napor, ali je važna karika u integraciji informacijskih tehnologija organizacije u jedinstven informacijski prostor.

Jedan od trenutni trendovi Uvođenje informacijsko-analitičkih tehnologija u praktično djelovanje organizacija je operativno praćenje ključnih pokazatelja poslovanja i predviđanje alternativnih mogućnosti razvoja poduzeća. Općenito, možemo razlikovati sljedeći slijed faza u predviđanju razvoja istraživačkog sustava (objekta).

● Postavljanjem ciljeva i zadataka studije utvrđuju se strateške smjernice i taktički pravci u proučavanju sustava, koji se mogu razjasniti i specificirati tijekom procesa istraživanja.

● Formulacija konceptualnog modela sustava uključuje ispitivanje sustava kako bi se identificirala njegova svojstva, obilježja dinamike i odnosa s čimbenicima vanjskog i unutarnje okruženje. Prikupljanje statističkih informacija o karakteristikama sustava pretpostavlja daljnje formuliranje verbalnog deskriptivnog modela sustava, podložnog pojašnjenju i formalizaciji. Formuliranje konceptualnog modela sustava pretpostavlja popis osnovnih pitanja formuliranih u smislu određenog područja istraživanja koja zadovoljavaju ciljeve studije, te skup hipoteza o svojstvima i karakteristikama objekta modeliranja.

● Formalizacija verbalno-deskriptivnog modela podrazumijeva konstrukciju matematičkog modela i numeričko određivanje njegovih parametara. Važna točka u tom smislu je ispravan izbor metoda za određivanje parametara matematičkog modela. Svaki sustav karakteriziraju vlastite značajke razvoja, a karakteristike modela kao što je primjerenost, tj. uvelike ovise o izboru metode za numeričko određivanje parametara modela. usklađenost formaliziranog modela sa značajkama stvarnih procesa koji karakteriziraju dinamiku istraživačkog sustava. Ovisno o specifičnostima istraživačkog sustava, mogu se prethodno odabrati različite klase modela predviđanja, na primjer, krivulje rasta koje karakteriziraju dinamiku sustava tijekom vremena, ekonometrijski modeli koji uspostavljaju i ocjenjuju odnos između različitih internih karakteristika sustava i niz vanjski faktori, različite adaptivne modele koji se koriste za visoko dinamičke sustave sa sezonskim i cikličkim fluktuacijama, od najjednostavnijih do autoregresivnih modela s autokoreliranim i heteroskedastičkim rezidualima.

● Dobivanje i tumačenje rezultata modeliranja uključuje provjeru niza svojstava matematičkog modela, posebice provjeru primjerenosti i točnosti modela. Adekvatnost modela karakterizira stupanj bliskosti karakteristika izgrađenog modela karakteristikama i svojstvima stvarnog objekta (sustava). Zbog niza razloga, kao što su niz pretpostavki koje se javljaju tijekom modeliranja, nemogućnost uzimanja u obzir mnogih čimbenika koji određuju dinamiku razvoja predmeta proučavanja, niz tehničkih pogrešaka u fazi formaliziranja. model i brojne druge točke, prirodno dovode do razlika u karakteristikama modela i stvarnog objekta. Bitno je da te razlike nisu fundamentalne i da su unutar određenih granica (odstupanja). Veličina dopuštenih odstupanja određena je karakteristikama dinamike sustava istraživanja, razdobljem analize karakteristika sustava, kao i svrhom istraživanja. Indikatori točnosti modela, kao što je standardna devijacija broja reziduala, prosječna pogreška aproksimacije i prosječna relativna pogreška, karakteriziraju stupanj aproksimacije simuliranih podataka stvarnim opažanjima dobivenim kao rezultat prikupljanja statističkih informacija. U ovoj fazi provodi se dorada i konačni odabir modela koji će se u budućnosti koristiti za izradu prognoze. U tom slučaju provodi se proširena provjera primjerenosti modela, uključujući, osim testiranja hipoteza o ispunjenju niza statističkih svojstava rezidualne komponente, kao što su neovisnost, slučajnost, jednakost matematičkog očekivanja reziduale na nulu, ispunjenje zakona normalne distribucije, procjena niza takvih karakteristika modela kao što je koeficijent determinacije, koji karakterizira udio varijacije proučavane karakteristike pod utjecajem vanjskih i unutarnjih čimbenika, Fisherov koeficijent, koji procjenjuje statistička značajnost rezultirajućeg modela. Na temelju rezultata usporedbe karakteristika adekvatnosti i točnosti donosi se konačan izbor modela prognoze.

● Izrada prognoza pomoću formaliziranog modela i korištenje rezultata modeliranja u upravljanju sustavom uključuje dobivanje točkastih prognoza koje karakteriziraju izglede za razvoj istraživačkog sustava. Osim njih, mogu se konstruirati intervalne prognoze koje nose veću vjerojatnost dobivanja intervala u kojima karakteristike sustava mogu fluktuirati. Treba napomenuti da je predviđanje vjerojatnosne prirode i da će biti pouzdano samo ako tijekom uvodnog razdoblja djeluju isti obrasci razvoja kao oni koji su se dogodili u fazi istraživanja sustava.

Korištenje rezultata predviđanja u donošenju upravljačkih odluka je kreativni proces a zahtijeva ne samo teoretsko znanje iz određenog područja nego i praktično iskustvo o radu s istraživačkim sustavom. Ovih dana Znanstveno istraživanje su postigle velik napredak u razvoju informacijskih i analitičkih tehnologija za predviđanje aktivnosti organizacija. Na primjer, poznate su tehnologije predviđanja neuronske mreže, neizrazita logika, niz specijaliziranih višenamjenskih programa za analizu i prognoziranje, kao što su Statistica, SPSS, Stadia, VSTAT, Project Expert i niz drugih softverskih proizvoda. Za operativno praćenje i predviđanje rezultata funkcioniranja sustava, kao iu obrazovne svrhe, može se koristiti i MS Excel paket koji implementira trend i regresijsku analizu, a također omogućuje, na temelju tabličnog procesora, izračunavanje brojnih dodatnih sustava. karakteristike.

Na temelju rezultata studije sustava upravljanja (objekta) korištenjem informacijskih i analitičkih tehnologija predviđanja, mogu se formulirati preporuke za poboljšanje aktivnosti organizacije (sustava), na primjer, fokusiranje na postizanje određenih vrijednosti ključnih pokazatelja učinka koji provode razvojnu strategiju organizacije, optimiziraju novčane tokove, razvijaju nove obećavajući pravci aktivnosti. Korištenje suvremenih informacijskih i analitičkih tehnologija za modeliranje i predviđanje pomoći će u poboljšanju operativne učinkovitosti u svjetlu provedbe razvojne strategije i taktike organizacije.

Bibliografska poveznica