View
304
Download
1
Embed Size (px)
Citation preview
Knygų paklausos prognozavimo elektroniniame knygyne galimybės
2015-09-19
Aurimas Rapečka, dr. Virginijus Marcinkevičius
Reikia žinoti kiek knygos egzempliorių turėti◦ Pristatymo laikas◦ Grąžinimo kaštai
Ypač aktualu naujoms knygoms
Prognozavimo poreikis
Tyrimui pateiktoje pirkimo istorijoje užfiksuota 84140 knygų pardavimų, kurių metu parduota 15020 skirtingų knygų
Laikotarpis: nuo 2008-05-09 iki 2014-12-01
Formatas:
Tiriami duomenys
Laikas Pirkimo ID Knygos ID Kategorijos ID
Autoriaus ID
Leidėjo ID Kaina
Duomenų pjūviai (1)
2 137 272 407 542 677 812 947 108212171352148716281791198422710
50
100
150
200
250
Diena prekyboje
Pard
avim
ų sk
aiči
us
Per pirmas 7 dienas įvykdyta 1482 iš 47205 pirkimų, arba 3,14%, per pirmas 30 dienų – 4923, arba 10,43% visų pirkimų, o per pirmas 100 dienų – 11521, arba 24,41%.
Duomenų pjūviai (2)
1 2 3 4 5 6 7 8 9 10 11 120
1000
2000
3000
4000
5000
6000
Mėnuo
Pard
avim
ų sk
aiči
us
Pardavimai pagal mėnesį
Duomenų pjūviai (3)
1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930310
200400600800
100012001400160018002000
Mėnesio diena
Pard
avim
ų sk
aiči
usPardavimai pagal mėnesio dieną
Duomenų pjūviai (4)
050
100150200250300350400450
Knyga
Pard
avim
ų sk
aiči
usIndividualių knygų pardavimai
Duomenų pjūviai (5)
0
1000
2000
3000
4000
5000
6000
Leidykla
Pard
avim
ų sk
aiči
usLeidyklų knygų pardavimai
Trumpo laikotarpio prognozavimo kliūtys
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 21 22 23 24 250
200400600800
10001200140016001800
Knygos pardavimų skaičius
Knyg
ų sk
aiči
us
30 dienų laikotarpis – dauguma knygų parduota tik 1 arba 2 kartus
Prognozavimo kliūtys
Rinkinyje saugoma informacija yra labai fragmentiška, o prognozavimui tinkamų duomenų dalis yra maža.
Prekybos sezoniškumas tiek metų, tiek mėnesio dienų bėgyje jaučiamas labai silpnai.
Rinkinyje yra daug nepalankių prognozavimui knygų, kurių parduodama mažiau nei 1 per savaitę ar per mėnesį.
Prognozavimo metodų pasirinkimasARIMA – autoregresinis integruotas slankiųjų vidurkių metodas
– autoregresijos komponentė, – diferencijavimo eilė, – slenkamojo vidurkio narių skaičius, – sezoniškumo autoregresijos komponentė, – sezoninio diferencijavimo eilė ir – sezoninė slenkančio vidurkio komponentė
Programinė įranga
Paketas Programinė įrangaApribojimai
komerciniam naudojimui
Tiesioginis ryšys su serveriu
XLSTAT Microsoft Excel Mokama NėraVidinis MatLab Mokama Įmanomas per SQL
forecast R NėraTiesioginis, per SQL, per
R.NET
Arima ForecastingWessa (per interneto
naršyklę)Nėra Nėra
Vidinis NCSS Mokama NėraVidinis Cronos Nėra Nėra
strategico R NėraTiesioginis, per SQL, per
R.NET
PEERForecaster Microsoft Excel Mokama Nėra
ARIMA parametrų parinkimas 1,0,0 1,1,0 5,1,0 5,1,1 12,1,0 12,1,1 16,1,1 16,3,0 16,0,0
RMSE 74,59 73,81 72,39 70,80 70,09 70,09 69,75 69,74 69,69 AICC 3904 3899 3894 3865 3887 3873 3878 3898 3893
* Skaičiai antraštinėse celėse atitinka 𝑝, 𝑞, 𝑑 parametrus 𝐴𝑅𝐼𝑀𝐴(𝑝,𝑞,𝑑) metode
0 50 100 150 200 250 300 3500
200
400
600
800
1000
1200
Periodas
Pard
avim
ai
ARIMA(16,1,1) savaičių prognozės palyginimas su realiais duomenimis
ARIMA parametrų parinkimas3 lentelė. Geriausiai ir blogiausiai knygų pardavimus prognozuojantys modeliai 𝒑 𝒒 𝒅 AICC vidurkis Sąlyginis efektyvumas
4 3 1 195 100% 1 4 1 200 98% 4 2 1 200 98% 1 6 1 201 97% 2 2 0 203 96%
<...> 2 3 0 222 86% 0 3 0 223 85,5% 0 4 0 223 85,5% 0 2 0 227 83,5% 0 1 0 241 76,5%
00.10.20.30.40.50.60.70.80.9
1
Elektroniniams knygynams labai svarbu laiku patenkinti atsiradusią paklausą, tam reikia pakankamai tiksliai ją prognozuoti, siekiant užtikrinti greitą pristatymą.
Vienas iš geriausiai vertinamų laiko eilučių analizės metodų – autoregresinis integruotas slenkamųjų vidurkių (ARIMA) metodas. Šio meto esmė – autoregresijos, diferencijavimo ir slenkančiojo vidurkio komponenčių sujungimas.
Išvados
◦ Iš tyrimams pateikto duomenų rinkinio su knygų prekybos istorija pastebėta, kad prekybos pikas jaučiamas pirmosiomis dienomis po pirmojo knygos pardavimo ir vėliau palaipsniui mažėja. Reikia pažymėti, kad gana didelė knygų paklausa pastebima net dvejus metus po knygos išleidimo. Tai – šiek tiek netikėtas analizės rezultatas. Pardavimų sezoniškumas juntamas, tačiau nėra stipriai išreikštas. Mėnesio dienų sezoniškumų nepastebėta.
Išvados
Nustatyta, kad geriausius viso asortimento paklausos prognozavimo rezultatus demonstruoja šie ARIMA(p,q,d) modeliai:
Ketvirčiuose: ARIMA(5,4,1).Mėnesiuose: ARIMA(17,0,1).Savaitėse: ARIMA(16,1,0), ARIMA(16,3,0), ARIMA(16,1,1).
Geriausius individualių komponenčių paklausos prognozavimo savaitės laikotarpiu rezultatus demonstruoja šie ARIMA(p,q,d) modeliai:
Individualioms knygoms: ARIMA(4,3,1).Autoriams: ARIMA(4,2,1); ARIMA(0,4,0)
(nerekomenduojama naudoti). Kategorijoms: ARIMA(6,2,1), ARIMA(4,2,1), ARIMA(3,2,1). Leidykloms: ARIMA(5,2,1), ARIMA(3,2,1).
Išvados