Курсовая с практикой на тему Прогнозирование объёма выручки с помощью анализа временных рядов.

Содержание:

Описание задачи. 2

Алгоритм решение задачи и анализ полученных результатов. 3

Выводы.. 15

Список литературы.. 16

Введение:

Заключение:

Построение
модели прогнозов объема выручки, которая будет получена  в 2021 году, показало, что в апреле 2021 года
будет самый большой объем продаж — 4267.34 млн. руб., а самым низким объемом
будет являться прогноз на декабрь 2020 года. Он составит 1364.85млн. руб. Также
можно отметить, что после апреля 2021 года объем продаж пойдет на спад.

Такая
модель прогнозирование помогает предприятиям проанализировать дальнейшую
политику развития фирмы на рынке. К примеру, как мы уже знаем, в декабре 2020
года объем продажи будет самым низким. Следовательно, сеть получит низкую
выручку, по сравнению с остальными месяцами. В этом случае можно: устраивать
различные акции, снизить цены на товары, Все эти действия приведут к повышению
спроса, вследствие чего приведет к повышению объема спроса.

Учитывая
все вышеперечисленное, мы можем сказать, что сеть «Усадьба» будет активно
развиваться на рынке, если будет использовать данный способ прогнозирования,
дабы в будущем избежать больших финансовых проблем.

Фрагмент текста работы:

Описание задачи Торговая
сеть «Усадьба» – одна из крупнейших сетей в Уральском регионе, реализующая
товары для сада и огорода – посадочный материал, семена, удобрения, садово-огородный
инвентарь.

Для
дальнейшей диверсификации товарной линейки необходимо проанализировать объемы
продаж за последние 5 лет и на основе полученных данных сделать прогноз на 2021
год. Выбранные данные удовлетворяют требованиям возможности прогнозирования с
учетом цикличности или сезонности)

Данные
представлены в таблице 1 и на рисунке 1 (в миллионах рублей)

Таблица
1- Объем продаж 2014-2020 гг. Рис. 1.  Объем продаж 2014-2020 гг.

Алгоритм решение задачи и
анализ полученных результатов

Определение
тренда (см. [1–7]). Временной ряд – это
последовательность наблюдений, упорядоченная по времени y1, y2,…, yt,
где yt – числа, представляющие
наблюдения некоторой переменной в n
равноотстоящих моментах времени t =
1, 2,…, n. С математической точки
зрения временной ряд представляет реализацию случайного прогресса с дискретным
целочисленным параметром t, t – это
порядковый номер месяцев в таблице.

Виды временных рядов:

1)
Моментный, если уровень временного ряда фиксирует значение изучаемого
показателя на определённый момент времени;

2)
Интервальный, если уровень временного ряда характеризует значение показателя за
определённый период времени;

3)
Производный, если уровни ряда представлены в виде производных величин (средних
или относительных показателей).

Основные задачи анализа:

1)
прогнозирование на основе знаний прошлого;

2)
сжатое описание характерных особенностей ряда;

3)
управление процессом, порождающим ряд.

Временные ряды могут содержать два вида компонент –
систематическую и случайную составляющие. Систематическая составляющая
временного ряда является результатом воздействия постоянно действующих факторов.
Выделяют три основных систематических компоненты временного ряда: тренд,
сезонность и цикличность.

Тренд – это систематическая линейная или нелинейная компонента,
изменяющаяся во времени.

Сезонность – это периодические колебания уровней временного ряда
внутри года.

 Цикличность – это
периодические колебания, выходящие за рамки одного года. Промежуток времени
между двумя соседними вершинами или впадинами в масштабах года определяют, как
длину цикла. Систематические составляющие характеризуются тем, что они могут
одновременно присутствовать во временном ряду.

Представим временной ряд в виде суммы
тренда и остаточной составляющей, т.е.: . (1)

В ряде случаев тренд является
известной функцией времени. Если функция зависит  линейно от параметров, то для определения
тренда используются методы регрессионного анализа, и тренд U представляет собой простую линейную
регрессию: , (2)

где β0 и β1 – параметры линейной
регрессии, вычисляемые с помощью метода наименьших квадратов (МНК), т.е. из
условия минимума суммы квадратов: . В таком случае формулы для вычисления
оценок параметров β0 и β1
линейной регрессии имеют вид: = 12,181 (3) (4)