Открытый бизнес-тренинг

собственники компаний;
высшие руководители;
финансовые директора;
специалисты бюджетного управления;
логистические менеджеры;
директора и специалисты по маркетингу;
директора по продажам;
директора по производству.

Если точный прогноз получен, тогда можно оптимально увеличить выручку от реализации, операционную и чистую прибыль.

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

1. Необходимость прогнозирования спроса. Почему прогнозирование спроса должно быть высокоточным?

2. Содержание задачи прогнозирования. Понятие «Модель данных»: прогнозируемая переменная, функция прогнозирования, случайный фактора, воздействующий на функцию прогнозирования. Классификация моделей данных.

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

4. Алгоритм высокоточного прогнозирования.

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

4.2 Содержание этапа 2 «Выделение трендовой составляющей функции прогнозирования».
4.2.1 Подбор функций, аппроксимирующих трендовую компоненту.
4.2.1.1 Возможные функции регрессии, которые можно использовать для выделения трендовой составляющей, и условия их выбора.
4.2.1.1.1 Полиномиальная функция степени «m».
4.2.1.1.2 Демонстрация № 4 «Определение степени полинома, достаточной для качественного выделения трендовой составляющей».
4.2.1.1.3 Полиномиальная множественная регрессия.
4.2.1.1.4 Демонстрация № 5 «Выделение трендовой составляющей с помощью полиномиальной множественной регрессии».
4.2.1.1.5 Экспоненциальная регрессия.
4.2.1.1.6 Демонстрация № 6 «Выделение трендовой составляющей с помощью экспоненциальной регрессии».


2-й день

4.2.1.1.7 Мультипликативная (степенная) функция регрессии.
4.2.1.1.8 Демонстрация № 7 «Выделение трендовой составляющей с помощью мультипликативной (степенной) функции регрессии».
4.2.1.1.9 Отбор функций регрессии для выделения трендовой составляющей и отбор значимых факторов.

4.3 Содержание этапа 3 «Выделение сезонной составляющей функции прогнозирования».
4.3.1 Свойства сезонных коэффициентов в аддитивной и мультипликативной модели функции прогнозирования.
4.3.2 Алгоритм вычисления сезонных коэффициентов.
4.3.3 Демонстрация № 8 «Выделение сезонной составляющей в аддитивной модели функции прогнозирования».
4.3.4 Демонстрация № 9 «Выделение сезонной составляющей в мультипликативной модели функции прогнозирования».
4.3.5 Демонстрация № 10 «Выделение сезонной составляющей в мультипликативной модели функции прогнозирования, трендовая составляющая которой описывается выбранной функцией экспоненциальной регрессии по двум факторам».

4.4 Содержание этапа 4 «Анализ качества моделей данных и отбор лучшей модели».
4.4.1 Демонстрация 11 «Сравнение первой и второй моделей данных по показателям качества».
4.4.2 Отбор лучшей модели данных, наиболее адекватно представляющей исходные данные.

4.5 Содержание этапа 5 «Вычисление прогнозных значений прогнозируемой переменной».
4.5.1 Демонстрация № 12 «Вычисление прогнозных значений с помощью отобранной второй модели данных».
4.5.2 Оценка точности прогнозов.

4.6 Совершенствование модели данных.