Открытый бизнес-тренинг

- управляющие владельцы предприятий;
- генеральные директора;
- высшие функциональные руководители;
- логистические менеджеры высшего и среднего звена.

1. Научиться применению методов точного прогнозирования спроса потребителей на продукцию (готовую продукцию, товары, работы, услуги) для качественного решения задач по оптимальному увеличению чистой прибыли, положительного чистого денежного потока и стоимости компании.

2. Научиться математическим методам прогнозирования спроса.

Знаешь прогноз спроса – правильно рассчитаешь уровни запасов готовой продукции, товаров, незавершенного производства, сырья, материалов и полуфабрикатов для следующего периода деятельности: месяца, квартала, года, любого периода. Это означает, что знаешь, в каком объеме и когда выдавать заказы поставщикам на пополнение текущих запасов. Знаешь потребности в площади и объеме хранения запасов на складе. Следовательно, знаешь объем поставок и можешь оптимизировать загрузку транспортных средств.

Программа модуля

1-й день (9:30-18:30)

1. Понятие прогноза и метода прогнозирования. Классификация методов прогнозирования.Содержание понятия высокоточного прогнозирования.

1.1. Демонстрация № 1 "Прогнозирование спроса методом экстраполяции тренда, реализуемого с помощью программы "Excel".

1.2. Сравнение точности прогнозирования спроса методом экстраполяции тренда и точности прогнозирования спроса с использованием метода регрессионного анализа с выделением трендовой и сезонной составляющей.
2. Выбор метода прогнозирования спроса в зависимости от значимости категории запаса и статистических характеристик группы запаса с использованием результатов совмещенного "АВС+XYZ" анализа номенклатурного перечня.

2.1. Математический метод наивного прогноза.

2.2. Математический метод долгосрочного среднего.

2.3. Математический метод скользящего среднего.

2.4. Математический метод экспоненциального среднего.

2.5. Метод сравнительного анализа спроса в аналогичных периодах в сочетании с экспертной оценкой.
3. Необходимость высокоточного прогнозирования спроса для целей эффективного управления запасами.

Что необходимо знать для высокоточного прогнозирования
4. Содержание задачи прогнозирования. Понятие «Модель данных»: прогнозируемая переменная, функция прогнозирования, случайный фактор, воздействующий на функцию прогнозирования.
5. Классификация и описание моделей данных.

5.1. Модель временного ряда: требование стационарности случайного процесса, шаг прогнозирования, горизонт прогнозирования, тренд, сезонные изменения.

5.2. Аддитивная и мультипликативная функции прогнозирования модели временных рядов данных.

5.3. Смешанная модель данных: содержание проблемы вычислительной сложности и проблемы мультиколлинеарности.


2-й день (9:30-18:30)

Технология высокоточного прогнозирования
6. Алгоритм высокоточного прогнозирования.

Содержание этапа 1 «Подготовка исходных данных к прогнозированию». Восстановление пропущенных значений факторов исходных данных.
Демонстрация № 2 «Восстановление пропущенных значений факторов исходных данных».
Анализ значительно отличающихся значений исходных данных.
Демонстрация № 3 «Выполнение анализа значительно отличающихся значений данных».
Отбор факторов, реально влияющих на прогнозируемую переменную.
Демонстрация № 4 «Отбор факторов, реально влияющих на прогнозируемую переменную Y».

Содержание этапа 2 «Выделение трендовой составляющей функции прогнозирования». Подбор функций, аппроксимирующих трендовую компоненту.Возможные функции регрессии, которые можно использовать для выделения трендовой составляющей, и условия их выбора.
Полиномиальная функция степени «m» простой регрессии.
Демонстрация № 5 «Определение степени полинома, достаточной для качественного выделения трендовой составляющей».
Полиномиальная множественная регрессия.
Демонстрация № 6 «Выделение трендовой составляющей с помощью полиномиальной множественной регрессии».
Экспоненциальная множественная регрессия.
Демонстрация № 7 «Выделение трендовой составляющей с помощью экспоненциальной множественной регрессии».
Мультипликативная (степенная) функция множественной регрессии.
Демонстрация № 8 «Выделение трендовой составляющей с помощью мультипликативной (степенной) функции множественной регрессии».
Отбор лучших функций регрессии для выделения трендовой составляющей и оптимального количества их значимых факторов.


3-й день (9:30 - 18:30)

Содержание этапа 3 «Выделение сезонной составляющей функции прогнозирования и формирование моделей данных».
Свойства сезонных коэффициентов в аддитивной и мультипликативной модели функции прогнозирования.
Алгоритм вычисления сезонных коэффициентов.
Демонстрация № 9 «Выделение сезонной составляющей в аддитивной схеме первой модели функции прогнозирования, трендовая составляющая которой описывается функцией мультипликативной множественной регрессии по трем факторам t, X1, X2».
Демонстрация № 10 «Выделение сезонной составляющей в мультипликативной схеме первой модели функции прогнозирования, трендовая составляющая которой описывается функцией мультипликативной множественной регрессии по трем факторам t, X1, X2».
Демонстрация № 11 «Выделение сезонной составляющей в мультипликативной схеме второй модели функции прогнозирования, трендовая составляющая которой описывается функцией экспоненциальной множественной регрессии по двум факторам t, X1».
Содержание этапа 4 «Анализ качества моделей данных и отбор лучшей модели». Демонстрация 12 «Сравнение первой и второй моделей данных по показателям качества».
Отбор лучшей модели данных, наиболее адекватно представляющей исходные данные.

Содержание этапа 5 «Вычисление прогнозных значений прогнозируемой переменной».
Демонстрация № 13 «Вычисление прогнозных значений с помощью отобранной второй модели данных». Оценка точности прогнозов.
Совершенствование модели данных.

Стоимость участия: 14377 грн. аудиторно или 12577 грн. онлайн.