ПЛАНИРОВАНИЕ ДЕЯТЕЛЬНОСТИ ПРЕДПРИЯТИЯ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ
В планировании часто приходится составлять план производства и реализации продукции. Для этого необходимо исследовать спрос на продукцию предприятия и разработать прогноз продаж. Рассмотрим подробно процесс прогнозирования методом нейронных сетей объема продаж основной продукции машиностроительного предприятия. Сложность прогнозирования объема продаж продукции, рассматриваемой в нашем примере, вызвана тем, что динамика продаж чрезвычайно сложна и с трудом поддается формализации (имеет сезонный характер). Анализ показал неприемлемость применения метода экстраполяции тренда для прогнозирования объема продаж исследуемой продукции, поскольку величина достоверности подбора функции недопустимо мала.
Нейронная сеть обучается путем установления связи между ее входом и выходом. Поэтому необходимо детально продумать, какие виды входных данных влияют на получение желаемого результата. В нашем примере в качестве входных данных («входа») будут следующие: 1) цена единицы продукции (объем продаж зависит главным образом от цены); 2) период (включение в сеть этого показателя позволяет учесть сезонность спроса на продукцию); 3) значение объема продаж в натуральном выражении в период t. Входные данные, используемые в нейронной сети, представлены в табл. 8.2.
Таблица 8.2
Входные данные, используемые в нейронной сети при прогнозировании
объема продаж продукции предприятия
Период |
Фактический объем продаж, шт. |
Цена, руб. |
Период |
Фактический объем продаж, шт. |
Цена, руб. |
2004 г. Январь |
5872 |
950 |
2006 г. Январь |
791 |
1000 |
Февраль |
3591 |
958 |
Февраль |
2964 |
1020 |
Март |
4063 |
965 |
Март |
3767 |
1050 |
Апрель |
7687 |
970 |
Апрель |
7159 |
1100 |
Май |
7157 |
985 |
Май |
7756 |
1150 |
Июнь |
8982 |
990 |
Июнь |
8800 |
1200 |
Июль |
9003 |
1000 |
Июль |
8705 |
1240 |
Август |
1129 |
990 |
Август |
3145 |
1190 |
Сентябрь |
342 |
980 |
Сентябрь |
1324 |
1050 |
Октябрь |
116 |
970 |
Октябрь |
1104 |
1090 |
Ноябрь |
110 |
970 |
Ноябрь |
2135 |
1100 |
Декабрь |
93 |
970 |
Декабрь |
5550 |
1100 |
2005 г. Январь |
582 |
980 |
2007 г. Январь |
5872 |
1100 |
Февраль |
3471 |
980 |
Февраль |
3591 |
1125 |
Март |
3968 |
980 |
Март |
4063 |
1150 |
Апрель |
7050 |
990 |
Апрель |
5687 |
1250 |
Май |
7220 |
990 |
Май |
6157 |
1250 |
Июнь |
8964 |
1000 |
Июнь |
9630 |
1300 |
Июль |
8675 |
1100 |
Июль |
9003 |
1350 |
Август |
3129 |
1200 |
Август |
8129 |
1200 |
Сентябрь |
1142 |
1100 |
Сентябрь |
3342 |
1170 |
Октябрь |
518 |
1050 |
Октябрь |
2516 |
1150 |
Ноябрь |
403 |
1000 |
Ноябрь |
2080 |
1120 |
Декабрь |
147 |
1000 |
Декабрь |
1550 |
1100 |
Входные данные используются для изучения их влияния на итоговый результат. В качестве «выхода» рассмотрим количество проданных изделий в натуральном выражении в будущем периоде (т.е. в период t + 1). Для определения количества реализованных изделий в стоимостном выражении необходимо полученный объем продаж (в натуральном выражении) умножить на ожидаемую прогнозную цену.
Показатель «цена единицы продукции» был выбран потому, что объем продаж данного предприятия зависит главным образом только от размера цены. В проведенном исследовании все цены были приведены к сопоставимому виду. Показатель «период» был выбран входным, так как наблюдается определенная цикличность в динамике продаж организации и ввод этого показателя в нейронную сеть позволит ей учесть сезонность спроса на продукцию. В качестве выхода сети будет использоваться объем продаж в период (t + 1) в стоимостном выражении. Входящие данные при построении нейронной модели необходимы для выявления влияния на итоговый результат (объем продаж) в будущем периоде, т.е. через 12 месяцев (год). Для того чтобы получить прогноз объема продаж на год вперед на определенный месяц, необходимо оперативно вводить данные за предыдущий год. Таким образом, будет осуществляться непрерывное прогнозирование. В январе 2005 г. будет получен прогноз продаж на январь 2006 г., в феврале 2005 г.— на февраль 2006 г. и т.д.
Сформируем в программе Microsoft Excel таблицы с данными для экспорта в программу Neural Analyzer. В них подставим данные за 2004—2006 гг. Информация за 2007 г. будут использоваться для прогнозирования значений объема продаж в 2008 г. и поэтому в обучении нейронной сети использоваться не будет. Настроим основные параметры сети: алгоритм — Back-Propagation', активационная функция — сигмоида; крутизна сигмоиды — 1; скорость обучения — 0,10; момент — 0,90. При анализе входных и выходных параметров модели установим рекомендуемые значения числа нейронов в входном и выходном слоях (7 и 1 соответственно). Выберем дополнительно один скрытый слой. При формировании множеств существующая выборка была разбита на 80% для обучающей совокупности и 20% — для тестовой совокупности.
Проведем обучение нейронной сети (рис. 8.3). После окончания обучения программа Neural Analyzer позволяет получить определенные аналитические и графические материалы для тестирования качества ее работы. Тестирование адекватности прогноза, выдаваемого моделью нейронной сети, показало низкие значения среднеквадратической ошибки по каждому месяцу прогнозирования. Это позволяет сделать вывод о высоком качестве данного прогноза. Графический анализ показателей фактического и прогнозируемого объема продаж в нейронной сети за период 2004—2007 гг. (рис. 8.2—8.4) свидетельствует, что значения данных показателей в большинстве случаев совпадают.
Мастер обучения - Обучение сети
Обучение
сети


Эпоха
Просмотр данных
Обучение сети (Back - Propagation)

Обучающее множество |
Т естовое множество |
||
В 0 Макс, ошибка 5,45Е-002 |
В 0 Макс, ошибка |
2,38Е-001 |
|
0 0 Среди, ошибка 6,36Е-003 |
В 0 Среди, ошибка |
2Д8Е-001 |
|
Распознано [%) 97,92 |
Распознано {%} |
0,00 |
340
Время
- 00:00:03
- 0 DO II
<< Назад
Г отово
Отмена
Рис. 8.2. Обучение нейронной сети

? Фактический объем продаж и Прогнозный объем продаж
Рис. 8.3. Эталонный и расчетный выход нейронной сети: показатели фактического и прогнозируемого объема продаж предприятия (млн руб.) в период 2004-2007 гг.
(график построен в программе Neural Analyzer)

Фактический объем продаж -----Прогнозный объем продаж
Рис. 8.4. Динамика продаж продукции предприятия (млн руб.) в 2004-2007 гг.
После обучения сети для обеспечения точности и достоверности результатов прогнозирования необходима проверка адекватности или верификация прогнозной модели. Проведем верификацию полученных значений. Данная проверка может выполняться с использованием формальных статистических критериев. Например, рассчитаем коэффициент детерминации. Результаты вычислений показывают, что Я2 = 0,9. Это значение близко к единице, и в соответствии со шкалой Чеддока между показателями входа и выхода существует тесная положительная корреляция. Поэтому данная модель является приемлемой для прогнозирования.
Для составления прогноза объема продаж предприятия на 2009 г. в программу вводились данные за 2008 г. (табл. 8.3). Результаты прогнозирования объема продаж на 2009 г. приведены в табл. 8.4. Динамика объема продаж продукции предприятия приведена на рис. 8.5.
Таблица 8.3
Фактический объем продаж продукции предприятия и ее цена в 2008 г.
Период |
Объем продаж, шт. |
Цена, руб. |
Период |
Объем продаж, шт. |
Цена, руб. |
Январь |
447 |
1120 |
Июль |
8302 |
1260 |
Февраль |
2925 |
1153 |
Август |
7054 |
1270 |
Март |
6657 |
1175 |
Сентябрь |
1054 |
1230 |
Апрель |
5087 |
1210 |
Октябрь |
1506 |
1180 |
Май |
9181 |
1215 |
Ноябрь |
601 |
1130 |
Июнь |
9567 |
1215 |
Декабрь |
326 |
1120 |
Прогноз объема продаж продукции предприятия на 2009 г.
Месяц |
Объем продаж, шт. |
Месяц |
Объем продаж, шт. |
Месяц |
Объем продаж, шт. |
Январь |
610 |
Май |
7936 |
Сентябрь |
1498 |
Февраль |
2874 |
Июнь |
9498 |
Октябрь |
976 |
Март |
3876 |
Июль |
8976 |
Ноябрь |
497 |
Апрель |
7850 |
Август |
3095 |
Декабрь |
305 |
Объем і продаж
Фактические
значения
Прогнозные
значения
- 8
- 4
- 0

Г- Ь- I4- со со со со о о о о о о о
О) О) СП О) Период о о о о ^
Рис. 8.5. Динамика продаж продукции предприятия (млн руб.) в 2004-2009 гг.
^ ^ ^ ^ ю о о о о о
ю |
ю |
ю |
со |
со со |
СО |
1^ |
о |
о |
о |
о |
о о |
О |
о |
о. |
с; |
1— V/ |
со |
О. с; |
Н” V/ |
00 |
с 03 |
2 |
X о |
I о; |
03 ^ |
о |
I сс |
Приведенные выше примеры показывают, что технологии нейронных сетей и генетических алгоритмов применимы практически в любой области. В некоторых задачах, таких как прогнозирование биржевых котировок или распознавание образов, нейросети стали уже привычным инструментом. Внедрение нейронных сетей в коммерческой фирме — достаточно непростое дело, требующее, кроме денег и времени, еще и некоторой перемены психологии персонала. Однако практика показывает, что эти вложения окупаются и выводят компанию на качественно новый уровень.