Прогнозирование с точностью 90% и выше!

Тренинг для энергетиков, сбытовиков, специалистов по энергоэффективности. Формирование практических навыков прогнозирования использования энергоресурсов. Определение предела прогнозирования для имеющихся данных.

Возможность использования своих данных в процессе обучения

• Основные принципы построения прогноза энергопотребления: технология «Пять шагов»
• Классификация методов, которые можно использовать для построения прогнозов энергопотребления
• Три способа систематизации факторов, влияющих на энергопотребление:

– диаграмма Исикавы
– таблица факторных влияний
– причинно-следственная диаграмма

• Подготовка исходных данных. Работа с пропущенными данными

• Анализ динамики энергопотребления:

– определение грубых выбросов
– чистка данных
– выявление сезонности

• Различия в анализе часовых, суточных и месячных данных
• Основные статистические показатели и графики, используемые при прогнозировании:

– среднее значение, медиана, стандартное отклонение, стандартная ошибка, размах
– гистограмма, диаграмма последовательности, диаграмма рассеяния

• Доверительный интервал прогноза
• Точность модели и точность прогнозов
• Показатели точности прогнозной модели и прогнозов: MAPE, MAD и другие
• Подходы к выбору адекватного показателя оценки точности модели и прогноза

• Пример. Строим диаграмму Исикавы с целью классификации факторов, влияющих на электропотребление, и заполняем таблицу факторных влияний.
• Пример в Excel. Изучаем динамику потребления электроэнергии. Учимся анализировать колебания в потреблении и формировать правильные ожидания.
• Пример в Excel. Проводим графический анализ динамики потребления. Самостоятельно учимся определять наличие, сезонности, структурных сдвигов и выбросов.

• Прогнозирование на основе метода сезонной декомпозиции:

– требования к периодичности данных
– пошаговый алгоритм прогнозирования в Excel
– влияние выбросов и структурных сдвигов на точность прогнозов
– плюсы и минусы подхода

• Правила оценки качества прогнозной модели. Анализ остатков
• Правила графического анализа остатков модели:

– график автокорреляции
– гистограмма
– диаграмма рассеяния

• Прогнозирование на основе метода экспоненциального сглаживания:

– идея метода, четыре параметра сглаживания
– пошаговый алгоритм в Excel
– влияние горизонта прогноза на точность прогнозов
– влияние выбросов и структурных сдвигов на точность прогнозов
– плюсы и минусы подхода

• Особенности прогнозирования на основе экспоненциального сглаживания для суточных и часовых данных
• Критерии выбора между экспоненциальным сглаживанием и сезонной декомпозицией

• Пример в Excel. Проводим сезонную декомпозицию потребления электроэнергии и строим прогноз на несколько месяцев. Оцениваем качество построенной модели.
• Пример в Excel. Строим прогноз на несколько месяцев с помощью экспоненциального сглаживания. Оцениваем качество модели и прогноза.
• Пример в Excel. На основе истории энергопотребления строим прогноз на 3 месяца двумя способами (на основе сезонной декомпозиции и методом экспоненциального сглаживания). Оцениваем качество моделей и выбираем наиболее адекватный подход.
• Пример в Excel. На основе экспоненциального сглаживания прогнозируем электропотребление на 2 дня вперед по часам.

• Многофакторный регрессионный анализ: идея и требования к исходным данным
• Пошаговый алгоритм прогнозирования на основе регрессионного анализа в Excel
• Диагностика и решение проблемы взаимозависимых факторов (мультиколлинеарность)
• Правила оценки качества модели:

– анализ остатков
– ANOVA
– R-квадрат и скорректированный R-квадрат

• План действий при «плохих» остатках модели
• Интерпретация коэффициентов регрессионного уравнения:

– как влияют факторы на энергопотребление
– ранжирование факторов по силе влияния

• Особенности прогнозирования при недостатке информации о факторах. Техника фиктивных (dummy) переменных
• Учет в регрессии сезонности разного типа
• Разработка сценариев потребления на основе регрессионного анализа
• Пессимистический и оптимистический прогноз: варианты построения
• Плюсы и минусы прогнозирования на основе регрессионного анализа
• Правила перехода от регрессии к авторегрессии
• Авторегрессионные модели для прогнозирования: идея и реализация
• Плюсы и минусы прогнозирования на основе авторегрессионного анализа

• Пример в Excel. Изучаем влияние макроэкономических факторов на потребление электроэнергии для прогнозирования по месяцам.
• Пример в Excel. Анализируем влияние погодных условий (температуры и влажности воздуха, атмосферного давления, скорости ветра, осадков и т.п.) на потребление.
• Пример в Excel. Учитываем график включения / отключения оборудования на предприятии, длины светового дня и температуры воздуха на электропотребление этого предприятия. Делаем прогноз на 2 суток вперед.
• Пример в Excel. Прогнозируем потребление с использованием фиктивных переменных.
• Пример в Excel. Проводим сравнительный анализ прогнозов потребления на основе регрессии и авторегрессии.
• Пример в Excel. Строим прогноз энергопотребления группы потребителей всеми изученными способами и выбираем наиболее адекватный подход (самостоятельно).

• Способы учета нелинейного влияния факторов на энергопотребление
• Анализ влияния выходных и праздничных дней на энергопотребление
• Учет запаздывающего влияния факторов при прогнозировании
• Особенности и ограничения при прогнозировании часового потребления
• Два способа расчета часовых индексов
• Правила проведения ручной корректировки прогнозов
• Классификация потенциальных причин ошибки прогноза
• Структура ошибки прогноза
• Пути улучшения модели в случае неудовлетворительных прогнозов. Методика анализа ошибок прогноза за период

• Примеры в Excel. Разбираем типичные ситуации нелинейного влияния температуры воздуха на энергопотребление и учимся учитывать их при прогнозировании.
• Пример в Excel. Выясняем, влияет ли «вчерашний» объем производства промышленного предприятия на «сегодняшнее» энергопотребление. Учимся интерпретировать выявленные задержки во влиянии.
• Пример в Excel. Учитываем влияние выходных и праздничных дней при прогнозировании.
• Примеры в Excel. Отрабатываем методику анализа ошибок прогноза за период с целью улучшения построенной модели.

• Повторение ключевых идей курса:

– алгоритм выбора подходящего метода прогнозирования энергопотребления в зависимости от количества имеющихся данных и их формата (часовые, суточные и т.п.), наличия информации о факторах, горизонта прогноза

• Разбор типовых ошибок при прогнозировании энергопотребления

• Работа с данными слушателей. Строим прогнозные модели энергопотребления на основе данных слушателей. Оцениваем качество моделей и точность прогнозов на ее основе. Разрабатываем рекомендации по дальнейшему улучшению построенных моделей.

• Преподаватель-аналитик, эксперт
• Руководитель отдела развития образовательных программ Analytera.
• Опыт консультационной деятельности 10 лет.
• Большой опыт аналитика-практика.

• Преподаватель-аналитик Центра Статистических Технологий
• Кандидат экономических наук, доцент.
• Опыт преподавания и консультирования более 10 лет.

Стоимость участия

Образовательные тренинги с возможность использования своих данных в процессе обучения

Тренинг для специалистов коммерческих, планово-экономических и сбытовых подразделений. Методы практической аналитики. Формирование доказательной базы для принятия и обоснования решений.

После окончания обучения вы сможете определять наилучший метод прогнозирования для конкретной ситуации; прогнозировать, если имеется история только продаж; разрабатывать сценарии продаж; прогнозировать с учетом дополнительной информации о разных факторах (активность конкурентов, акции, рекламный бюджет, погода и т.п.), одновременно влияющих на продажи и многое другое.

Тренинг для специалистов маркетинга, планово-экономических и сбытовых подразделений. Методы практической аналитики. Формирование доказательной базы для принятия и обоснования решений.

Обучающий курс предназначен для руководителей и технических специалистов, ответственных за обеспечение надежности работы оборудования (ПТО, Техническое перевооружение, Планово-экономический отдел, перспективное развитие, отдел подготовки персонала, отдел технического развития, отдел внедрения систем учета, отдел расчетов и анализов и т.п.).

Вы научитесь определять наилучший метод прогнозирования для конкретной ситуации; прогнозировать с учетом дополнительной информации о разных факторах (активность конкурентов, акции, рекламный бюджет, погода и т.п.), одновременно влияющих на прогнозируемый показатель; выбирать метод прогнозирования в соответствии с горизонтом прогноза и многое другое.

Курс предназначен для руководителей и специалистов служб аналитики, ценообразования, планирования и прогнозирования, маркетинга. Другое название - "Время жизни клиента".

На тренинге, который является первой ступенью погружения в мир предиктивной аналитики, будет рассмотрен классический и востребованный класс методов регрессионного анализа. Его различные виды, такие как, например, линейный регрессионный анализ или логистическая регрессия, позволят не только предсказать поведение процесса, но и провести анализ производственных параметров, влияющих на прогнозируемый показатель.

Тем, кто успешно прошел курс «Предиктивная аналитика на базе регрессионных моделей», мы предлагаем глубже погрузиться в мир предиктивной аналитики. Вы сможете узнать об актуальных и современных методах, названия которых часто мелькают в аналитических отчетах крупных компаний. Деревья классификации, случайный лес, нейронные сети – все это и немного больше будет представлено на тренинге.

Тренинг для энергетиков, сбытовиков, специалистов по энергоэффективности. Формирование практических навыков прогнозирования использования энергоресурсов. Определение предела прогнозирования для имеющихся данных.

Данный курс предназначен для руководителей, менеджеров, маркетологов, аналитиков, специалистов, которые регулярно занимаются планированием, расчетом прогнозов продаж и которые хотят расширить свои знания в области прогнозирования, повысить точность прогнозов и организовать процесс прогнозирования в компании.

Тем, кто успешно прошел курс «Предиктивная аналитика на базе регрессионных моделей», мы предлагаем глубже погрузиться в мир предиктивной аналитики. Вы сможете узнать об актуальных и современных методах, названия которых часто мелькают в аналитических отчетах крупных компаний. Деревья классификации, случайный лес, нейронные сети – все это и немного больше будет представлено на тренинге. Эти «продвинутые» методы уже не так тривиальны, как, например, линейный регрессионный анализ, требуют использования специализированного программного обеспечения, но позволяют более точно прогнозировать выходные характеристики производственных процессов.

Возможность использования своих данных в процессе обучения

• Деревья решений – способ визуализации условий достижения желаемого результата:

– требования к виду и количеству исходных данных
– необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода
– различные математические методы построения дерева (CRT, CHAID и другие), условия выбора того или иного метода
– способ проверки адекватности модели, обучение и валидация
– определение условий достижения желаемого результата по построенному дереву
– метод случайного леса: его особенности и отличия от деревьев решений

• Наивный байесовский классификатор, метод ближайшего соседа и машина опорных векторов – способы прогнозирования принадлежности к группе (классу):

– требования к виду и количеству исходных данных
– необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подходов
– способ проверки адекватности модели, обучение и валидация

• Практическая часть – отработка примеров в Statistica

• Задачи, решаемые с использованием нейросетей: задачи регрессии и классификации
• Основные понятия искусственных нейронных сетей: синаптические веса, виды функции активации
• Типы нейросетевых моделей, реадизованных в пакете Statistica: многослойный перцептрон, радиальная базисная функция и другие
• Обучающая, проверочная и контрольная выборки
• Обучение сети и проблема переобучения
• Оценка качества построенной модели
• Принципы выбора между традиционными многофакторными статистическими и нейросетевыми методами
• Практическая часть – отработка примеров в Statistica

• Преподаватель-аналитик, эксперт
• Руководитель отдела развития образовательных программ Analytera.
• Опыт консультационной деятельности 10 лет.
• Большой опыт аналитика-практика.

• Преподаватель-аналитик Центра Статистических Технологий
• Кандидат экономических наук, доцент.
• Опыт преподавания и консультирования более 10 лет.

Стоимость участия – 39 000 ₽

Предсказание поведения контролируемых параметров – одна из самых актуальных задач, возникающих на производстве. Сложность подобной задачи вызвана многообразием факторов и условий, при которых протекает процесс. На сегодняшний день существует достаточно много различных подходов, позволяющих решить задачу предсказания (прогнозирования). На тренинге, который является первой ступенью погружения в мир предиктивной аналитики, будет рассмотрен классический и востребованный класс методов регрессионного анализа. Его различные виды, такие как, например, линейный регрессионный анализ или логистическая регрессия, позволят не только предсказать поведение процесса, но и провести анализ производственных параметров, влияющих на прогнозируемый показатель.

Возможность использования своих данных в процессе обучения

• Типизация исходных данных для анализа
• Big Data и традиционные выборки
• Классификатор инструментов предиктивной аналитики по типу решаемой задачи
• Активный и пассивный эксперименты
• Основные понятия моделирования: модель, прогноз, отклонения (остатки), гипотеза, фактор, отклик, статистическая значимость
• Подходы к валидации модели (деление набора данных на обучающий и тестовый и другие способы)
• Проблемы моделирования: переобучение, нерепрезентативность выборки и другие
• Подходы к оценке точности модели, понятие обучения модели

• Базовые статистические показатели и графики: среднее и медиана, размах, стандартное отклонение, дисперсия, стандартная ошибка, доля, доверительные интервалы, гистограмма, ящичная диаграмма, вероятностный график
• Различные виды распределений (нормальное, экспоненциальное, Вейбулла, Пуассона, биномиальное и т.д.). Проверка соответствия виду распределения и практические выводы
• Предварительный графический анализ влияния факторов на отклик
• Оценка тестоны связи количественных признаков с помощью коэффициентов корреляции; корреляция и причинность
• Практическая часть – отработка примеров в Minitab

• Многофакторный регрессионный анализ – метод моделирования и прогнозирования количественного показателя:

– требования к виду и количеству исходных данных
– необходимые и достаточные теоретические основы, идеи и принципы, плюсы, минусы и особенности подхода
– требования к факторам, которые планируется учитывать в анализе
– пошаговый алгоритм регрессионного анализа
– способ проверки адекватности модели (анализ отклонений «факт-модель»)
– интерпретация результатов: как влияют факторы на отклик, ранжирование по силе влияния
– трансформации исходных данных при нарушении требований линейного регрессионного анализа
– оценка эффекта взаимодействия факторов
– оптимизация на основе построенной модели – поиск оптимальных значений факторов для достижения требуемых значений отклика на основе пассивного эксперимента

• Практическая часть – отработка примеров в Minitab

• Бинарная логистическая регрессия – метод моделирования и прогнозирования одного из двух исходов:

– требования к виду и количеству исходных данных для каждой модели
– необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы метода
– валидация и интерпретация полученных результатов
– оценка эффекта взаимодействия факторов
– построение прогнозов с использованием Roc-анализа

• Прогнозирование отказов оборудования:

– прогнозирование вероятности отказов на основе анализа интенсивности отказов за период

• Анализ влияния различных факторов на интенсивность отказов и затраты на их устранение с использованием регрессии:

– требования к виду и количеству исходных данных
– необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода
– требования к факторам, которые планируется учитывать в анализе
– пошаговый алгоритм анализа
– способ проверки адекватности модели
– интерпретация результатов: как влияют факторы на исследуемые показатели

• Практическая часть – отработка примеров в Minitab

• Преподаватель-аналитик, эксперт
• Руководитель отдела развития образовательных программ Analytera.
• Опыт консультационной деятельности 10 лет.
• Большой опыт аналитика-практика.

• Бизнес-тренер, практикующий консультант в области бизнес-аналитики
• Директор ООО "Центр Статистических Технологий"

Стоимость участия – 41 000 ₽

Курс предназначен для руководителей и специалистов служб аналитики, ценообразования, планирования и прогнозирования, маркетинга. Другое название – "Время жизни клиента".

Возможность использования своих данных в процессе обучения

• Разновидности информации, связанной с поведением клиентов коммуникационной компании
• Типы исходных данных (шкалы)
• Основные статистические показатели и графики, применяемые для анализа данных о поведении клиентов:

– среднее и доля
– медиана и квартили
– стандартное отклонение
– стандартная ошибка
– доверительные интервалы
– столбиковая и круговая диаграмма
– гистограмма
– ящичная диаграмма
– диаграмма рассеяния

• Требования к исходным данным для анализа

• Основные понятия анализа выживаемости:

– цензурирование выборки
– время жизни
– выживаемость
– риск

• Анализ срока жизни клиента на основе таблиц и графиков выживаемости Каплана-Майера:

– оценка длительности использования услуг клиентами
– определение вероятности ухода клиента через определенное время после начала использования услуги
– анализ факторов, повышающих риск ухода клиента
– сравнительный анализ выживаемости в группах

• Систематизации экспертных мнений о факторах, влияющих на поведение клиентов – диаграмма Исикавы
• Анализ и прогнозирования количества клиентов с учетом факторов с использованием регрессии:

– требования к виду и количеству исходных данных
– необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода
– требования к факторам, которые планируется учитывать в анализе
– особенности моделирования при недостатке информации о факторах – техника dummy-переменных
– пошаговый алгоритм регрессионного анализа
– способ проверки адекватности модели (анализ отклонений «факт-модель»)
– интерпретация результатов: как влияют факторы на количество клиентов, ранжирование по силе влияния

• Анализ факторов, влияющих на длительность использования услуги клиентом, на основе регрессии Кокса:

– требования к виду и количеству исходных данных
– необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода
– требования к факторам, которые планируется учитывать в анализе
– пошаговый алгоритм анализа
– способ проверки адекватности модели
– интерпретация результатов: как влияют факторы на отток клиентов

• Анализ факторов, влияющих на удовлетворенность клиента, на основе метода деревьев классификации:

– требования к виду и количеству исходных данных
– необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода
– способ проверки адекватности модели
– выявление факторов, влияющих на удовлетворенность клиентов
– описание профиля клиента на основе построенного дерева

• Получение обобщенных оценок удовлетворенности методом факторного анализа
• Сегментации клиентов на основе разнородной информации:

– требования к виду и количеству исходных данных
– необходимые и достаточные теоретические основы, – идеи и принципы, плюсы и минусы кластерного анализа
– валидация полученных результатов и описание выделенных сегментов

• Преподаватель-аналитик, эксперт
• Руководитель отдела развития образовательных программ Analytera.
• Опыт консультационной деятельности 10 лет.
• Большой опыт аналитика-практика.

• Преподаватель-аналитик Центра Статистических Технологий
• Кандидат экономических наук, доцент.
• Опыт преподавания и консультирования более 10 лет.

Стоимость участия