Тема «Прогнозирование продаж» - не простая. Не думайте, что за 2-3 дня непрерывного тренинга, вы сможете ей овладеть – это то же самое, что за 2 дня выучить английский. Наверное, пару фраз вы освоите, но не заговорите.

Мы предлагаем заговорить на языке прогнозирования!  Для этого мы разработали пошаговые курсы обучения с полным погружением, переходом от простого к сложному, с практическими примерами и кейсами, с домашними заданиями, с онлайн-тестами для групп, адаптацией знаний под Вашу ситуацию и поддержкой после обучения.


 Записывайтесь на наши тренинги:


График тренингов по прогнозированию

Адрес: г. Санкт-Петербург, Каменноостровский проспект, дом 14, литера Б, пом. 1

Ближайшие тренинги по прогнозированию в 2019 году:
Название ТренингаИюньИюльАвгустСентябрьОктябрьНоябрь
Прогнозирование и анализ продаж на рынке FMCG 24-28 СПб 22-26 Москва   09-13 СПб    
Прогнозирование и анализ продаж на рынке товаров длительного пользования и В2В   23-26 СПб     01-04 СПб  
Прогнозирование и анализ продаж на рынке услуг   02-05 СПб   24-27 СПб    
Методики прогнозирования сбыта и продаж. Краткосрочные и долгосрочные модели    02-05 СПб    03-06 СПб    
Методы повышения точности прогнозов энергопотребления     29-02 СПб   21-25 СПб  
Отказы и простои оборудования. Практический анализ и прогнозирование   01-03 СПб   11-13 СПб   27-29 СПб
Анализ и прогнозирование лояльности клиентов  05-07 СПб   26-28 СПб     19-21 СПб
Предиктивная аналитика (Predictive analytics) на базе регрессионных моделей. Уровень 1  19-21 Москва 24-26 СПб  07-09 Москва 18-20 СПб    
«Продвинутая» предиктивная аналитика (Predictive analytics). Уровень 2
 25-26 СПб  04-05 Москва 12-13 Москва;
29-30 СПб 
     

Записаться на обучение

Звоните: +7 (812) 407 10 11 или +7 960 2 666 333

Пишите: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

 

Методы повышения точности прогнозов энергопотребления

Методы повышения точности прогнозов энергопотребления

  • Продолжительность: 5 дня

  • Город: Санкт-Петербург

Для кого будет полезен тренинг?

Производство (инженеры, технологи, метрологи) / Predictive analytics (предсказательная аналитика) / Руководители (производство)

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

Вы получите

  • Пошаговые инструкции по применению каждого метода

  • Сертификат на 4-месячную бесплатную консультационную поддержку

  • Набор бесплатных надстроек и шаблонов Excel, необходимых для прогнозирования

Требования

  • Высшее образование
  • Опыт работы в Excel на уровне пользователя

После окончания обучения Вы сможете

  • Определять наилучший метод прогнозирования для потребления энергоресурсов: электричества, газа, угля и т.п.

  • Быстро прогнозировать
  • Прогнозировать суточное энергопотребление предприятия на основе производственных факторов и показателей развития региона

  • Повышать точность прогнозов

  • Прогнозировать в случае, если имеются данные только энергопотребления, и нет дополнительной информации о факторах, влияющих на него

  • Прогнозировать суточное энергопотребление с учетом дополнительной информации о разных факторах (температуры воздуха, продолжительности светового дня, наличия осадков, графика включения / выключения оборудования потребителя и т.п.)

  • Прогнозировать часовое энергопотребление на последующие дни

День 1. Азы прогнозирования и анализа, подготовка данных.

Инструменты, методики, алгоритмы

  • 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

Инструменты, методики, алгоритмы

  • 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

Кейсы

  • 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.

День 2. Прогнозирование энергопотребления без учета дополнительной информации о факторах

Инструменты, методики, алгоритмы

  • 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

Инструменты, методики, алгоритмы

  • 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

Кейсы

  • 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.

Станьте профессионалом прогнозирования

На курсе вы в простой и доступной форме, на реальных примерах
из вашего бизнеса освоите все этапы прогнозирования продаж.

День 3. Прогнозирование энергопотребления с учетом дополнительной информации о факторах

Инструменты, методики, алгоритмы

  • 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

Инструменты, методики, алгоритмы

  • 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

Кейсы

  • 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).

День 4. Пути повышения точности прогнозов

Инструменты, методики, алгоритмы

  • 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

Кейсы

  • 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.

Станьте профессионалом прогнозирования

На курсе вы в простой и доступной форме, на реальных примерах
из вашего бизнеса освоите все этапы прогнозирования продаж.

День 5. Отработка навыков прогнозирования на примерах слушателей. Анализ возможностей и целесообразности повышения точности прогнозов

Инструменты, методики, алгоритмы

  • 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

Кейсы

  • 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.

Преподаватели

Анна Монахова

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

Юлия Берлин

  • Преподаватель-аналитик Центра Статистических Технологий
  • Кандидат экономических наук, доцент.
  • Опыт преподавания и консультирования более 10 лет.
  • Реализовала более двадцати консалтинговых проектов по анализу данных в бизнесе и научных исследованиях.
  • Консультировала специалистов таких компаний, как "Пивоваренная компания "Балтика", "Пивоварня Москва — Эфес", "ВымпелКом", "МегаФон", "Газпром нефть", "Монокристалл", "НЛМК", "Кока-Кола", "Маревен Фуд Сентрал" и др.
  • Является одним из ведущих консультантов в области использования статистических инструментов для решения прикладных задач.
  • Проводит подготовку специалистов по концепции SixSigma.
  • Преподаватель-аналитик Центра Статистических Технологий
  • Кандидат экономических наук, доцент.
  • Опыт преподавания и консультирования более 10 лет.
  • Разработка системы прогнозирования и анализа продаж компаний рынка FMCG.
  • Исследование потребительских предпочтений.
  • Планирование исследований и разработка планов экспериментов.
  • Обработка результатов анкетирования и тестов.
  • Разработка прогнозных моделей энергопотребления.
  • Автор более 40 учебно-методических и научных работ.

Отправить заявку на участие в тренинге

 

Стоимость участия

Один человек (от компании) – 49 000 ₽
Два и более человек (от компании) – 47 000 ₽
Один человек (физическое лицо) – 47 000 ₽

* Все скидки действуют только при предоплате
** Стоимость участия может изменяться в зависимости от даты и места проведения тренинга

Скачать информацию о курсе

Тренинги по прогнозированию

Тренинги по прогнозированию

Образовательные тренинги с возможность использования своих данных в процессе обучения

Прогнозирование и анализ продаж на рынке FMCG

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

Подробнее

Прогнозирование и анализ продаж на рынке товаров длительного пользования и В2В

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.

Подробнее

Прогнозирование и анализ продаж на рынке услуг

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

Подробнее

Отказы и простои оборудования. Практический анализ и прогнозирование

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.).

Подробнее

Методики прогнозирования сбыта и продаж. Краткосрочные и долгосрочные модели

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.

Подробнее

Анализ и прогнозирование лояльности клиентов

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

Подробнее

Предиктивная аналитика (Predictive analytics) на базе регрессионных моделей. Уровень 1

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.

Подробнее

«Продвинутая» предиктивная аналитика (Predictive analytics). Уровень 2

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.

Подробнее

Методы повышения точности прогнозов энергопотребления

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

Подробнее

Прогнозирование продаж с точностью 90% и выше

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.

Подробнее

«Продвинутая» предиктивная аналитика (Predictive analytics)

«Продвинутая» предиктивная аналитика (Predictive analytics). Уровень 2

  • Продолжительность: 2 дня

  • Город: Санкт-Петербург

Для кого будет полезен тренинг?

Производство (инженеры, технологи, метрологи) / Predictive analytics (предсказательная аналитика) / Экономисты, продажи, маркетинг, BI

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

Вы получите

  • Сертификат о прохождении курса
  • Сертификат на 4-месячную бесплатную консультационную поддержку

Требования

  • Высшее образование
  • Опыт работы в Excel на уровне пользователя

  • Базовые знания статистических методов

После окончания обучения Вы сможете

  • Разобраться в условиях применения и сути таких подходов, как наивный байесовский классификатор, машина опорных векторов, метод ближайшего соседа и определить, целесообразно ли их применение для решения задач вашего предприятия

  • Обучать нейросети с целью прогнозирования

  • С помощью деревьев решений не только прогнозировать исходы процесса, но и получать конкретные правила, при которых процесс придет в то или иное состояние

  • Принимать решение, когда целесообразно использовать более сложные, а когда – более простые методы предиктивной аналитики в зависимости от целей анализа

День 1. Прогнозирование на основе деревьев решений

Инструменты, методики, алгоритмы

  • 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

Инструменты, методики, алгоритмы

  • 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

День 2. Прогнозирование с помощью искусственных нейронных сетей

Инструменты, методики, алгоритмы

  • 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

Станьте профессионалом прогнозирования

На курсе вы в простой и доступной форме, на реальных примерах
из вашего бизнеса освоите все этапы прогнозирования продаж.

Преподаватели

Анна Монахова

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

Юлия Берлин

  • Преподаватель-аналитик Центра Статистических Технологий
  • Кандидат экономических наук, доцент.
  • Опыт преподавания и консультирования более 10 лет.
  • Реализовала более двадцати консалтинговых проектов по анализу данных в бизнесе и научных исследованиях.
  • Консультировала специалистов таких компаний, как "Пивоваренная компания "Балтика", "Пивоварня Москва — Эфес", "ВымпелКом", "МегаФон", "Газпром нефть", "Монокристалл", "НЛМК", "Кока-Кола", "Маревен Фуд Сентрал" и др.
  • Является одним из ведущих консультантов в области использования статистических инструментов для решения прикладных задач.
  • Проводит подготовку специалистов по концепции SixSigma.
  • Преподаватель-аналитик Центра Статистических Технологий
  • Кандидат экономических наук, доцент.
  • Опыт преподавания и консультирования более 10 лет.
  • Разработка системы прогнозирования и анализа продаж компаний рынка FMCG.
  • Исследование потребительских предпочтений.
  • Планирование исследований и разработка планов экспериментов.
  • Обработка результатов анкетирования и тестов.
  • Разработка прогнозных моделей энергопотребления.
  • Автор более 40 учебно-методических и научных работ.

Отправить заявку на участие в тренинге

Стоимость участия – 37 000 ₽

Скачать информацию о курсе

Предиктивная аналитика (Predictive analytics) на базе регрессионных моделей

Предиктивная аналитика (Predictive analytics) на базе регрессионных моделей. Уровень 1

  • Продолжительность: 3 дня

  • Город: Москва

Для кого будет полезен тренинг?

Производство (инженеры, технологи, метрологи) / Predictive analytics (предсказательная аналитика) / Экономисты, продажи, маркетинг, BI

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

Вы получите

  • Пошаговые инструкции по применению каждого метода

  • Сертификат на 4-месячную бесплатную консультационную поддержку

Требования

  • Высшее образование
  • Опыт работы в Excel на уровне пользователя

После окончания обучения Вы сможете

  • Проводить многофакторный анализ процессов
  • Использовать пакет Minitab для анализа и прогнозирования (в рамках тем тренинга)

  • Определять, относятся или нет данные вашей компании к Big Data

  • Выявлять и описывать влияние различных факторов на прогнозируемый показатель

  • Прогнозировать результаты производственных процессов

  • Прогнозировать отказы оборудования

  • Оценивать качество и адекватность построенных предиктивных моделей

День 1. Основы моделирования и прогнозирования

Инструменты, методики, алгоритмы

  • 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

Инструменты, методики, алгоритмы

  • 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

День 2. Моделирование и прогнозирование на основе многофакторной регрессии

Инструменты, методики, алгоритмы

  • 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

Станьте профессионалом прогнозирования

На курсе вы в простой и доступной форме, на реальных примерах
из вашего бизнеса освоите все этапы прогнозирования продаж.

День 3. Моделирование и прогнозирование на основе других видов регрессионного анализа

Инструменты, методики, алгоритмы

  • 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

Инструменты, методики, алгоритмы

  • 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

Преподаватели

Анна Монахова

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

Егоров Артём Михайлович

  • Бизнес-тренер, практикующий консультант в области бизнес-аналитики
  • Директор ООО "Центр Статистических Технологий"
  • Реализовала более двадцати консалтинговых проектов по анализу данных в бизнесе и научных исследованиях.
  • Консультировала специалистов таких компаний, как "Пивоваренная компания "Балтика", "Пивоварня Москва — Эфес", "ВымпелКом", "МегаФон", "Газпром нефть", "Монокристалл", "НЛМК", "Кока-Кола", "Маревен Фуд Сентрал" и др.
  • Является одним из ведущих консультантов в области использования статистических инструментов для решения прикладных задач.
  • Проводит подготовку специалистов по концепции SixSigma.
  • Научный руководитель программ «Программа подготовки аналитиков высшего уровня «Эксперт», «Аналитические компетенции руководителя», «Инженер-Аналитик» и “Инженер-исследователь”
  • Тренер по SixSigma и TOC
  • Более 20 лет опыта руководства проектами в сфере улучшения финансовых и производственных показателей крупнейших российских компаний
  • Автор концепции "Система аналитических компетенций" и бизнес-практики "Развитие аналитических компетенций"

Отправить заявку на участие в тренинге

Стоимость участия – 45 000 ₽

Скачать информацию о курсе

Анализ и прогнозирование лояльности клиентов

Анализ и прогнозирование лояльности клиентов

  • Продолжительность: 3 дня

  • Город: Санкт-Петербург

Для кого будет полезен тренинг?

Методы анализа данных / Predictive analytics (предсказательная аналитика) 
Экономисты, продажи, маркетинг, BI / Руководители (коммерция)

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

Вы получите

  • Пошаговые инструкции по применению каждого метода

  • Сертификат на 4-месячную бесплатную консультационную поддержку

Требования

  • Высшее образование
  • Опыт работы в Excel на уровне пользователя

После окончания обучения Вы сможете

  • Анализировать и прогнозировать количество клиентов с учетом различных факторов

  • Определять вероятность ухода клиента через определенное время после начала использования услуги

  • Определять факторы, повышающие риск оттока клиентов
  • Моделировать и прогнозировать удовлетворенность клиента в зависимости от различных факторов
  • Выделять и описывать профили лояльных / нелояльных клиентов

  • Выявлять факторы, повышающие риск ухода клиента

  • Сегментировать клиентов с учетом разнородной информации

День 1. Подготовка данных для анализа. Прогнозирование оттока клиентов

Инструменты, методики, алгоритмы

  • 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

Инструменты, методики, алгоритмы

  • 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

День 2. Анализ и прогнозирвоание поведения клиентов

Инструменты, методики, алгоритмы

  • 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

Инструменты, методики, алгоритмы

  • 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

Станьте профессионалом прогнозирования

На курсе вы в простой и доступной форме, на реальных примерах
из вашего бизнеса освоите все этапы прогнозирования продаж.

День 3. Анализ и прогнозирование лояльности клиентов

Инструменты, методики, алгоритмы

  • 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

Преподаватели

Анна Монахова

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

Юлия Берлин

  • Преподаватель-аналитик Центра Статистических Технологий
  • Кандидат экономических наук, доцент.
  • Опыт преподавания и консультирования более 10 лет.
  • Реализовала более двадцати консалтинговых проектов по анализу данных в бизнесе и научных исследованиях.
  • Консультировала специалистов таких компаний, как "Пивоваренная компания "Балтика", "Пивоварня Москва — Эфес", "ВымпелКом", "МегаФон", "Газпром нефть", "Монокристалл", "НЛМК", "Кока-Кола", "Маревен Фуд Сентрал" и др.
  • Является одним из ведущих консультантов в области использования статистических инструментов для решения прикладных задач.
  • Проводит подготовку специалистов по концепции SixSigma.
  • Преподаватель-аналитик Центра Статистических Технологий
  • Кандидат экономических наук, доцент.
  • Опыт преподавания и консультирования более 10 лет.
  • Разработка системы прогнозирования и анализа продаж компаний рынка FMCG.
  • Исследование потребительских предпочтений.
  • Планирование исследований и разработка планов экспериментов.
  • Обработка результатов анкетирования и тестов.
  • Разработка прогнозных моделей энергопотребления.
  • Автор более 40 учебно-методических и научных работ.

Отправить заявку на участие в тренинге

 

Стоимость участия

Один человек (от компании) – 34 000 ₽
Два и более человек (от компании) – 34 000 ₽
Один человек (физическое лицо) – 34 000 ₽

* Все скидки действуют только при предоплате
** Стоимость участия может изменяться в зависимости от даты и места проведения тренинга

Скачать информацию о курсе

Отказы и простои оборудования. Практический анализ и прогнозирование

Отказы и простои оборудования. Практический анализ и прогнозирование

  • Продолжительность: 3 дня

  • Город: Санкт-Петербург

Для кого будет полезен тренинг?

Производство (инженеры, технологи, метрологи) / Predictive analytics (предсказательная аналитика)

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.).

Возможность использования своих данных в процессе обучения

Вы получите

  • Комплект методических материалов по изученным вопросам
  • Сертификат на 4-месячную бесплатную консультационную поддержку

Требования

  • Высшее образование
  • Опыт работы в Excel на уровне пользователя

После окончания обучения Вы сможете

  • Измерять риски возникновения отказов

  • Систематизировать информацию о простоях, затратах и ремонтах

  • Анализировать факторы надежности

  • Осуществлять поиск и выделение ключевых причин отказов

  • Прогнозировать отказы и простои оборудования

  • Использовать прогнозы для бюджетирования

День 1. Подготовка данных для анализа. Выявление и анализ причин отказов

Инструменты, методики, алгоритмы

  • Процесс прогнозирования: технологи
  • Разновидности информации, связанной с обеспечением надежности оборудования (отказы, ППР, ППО, внеплановые ремонты, бюджеты и т.п.)
  • Основные статистические показатели и графики, применяемые для анализа данных об отказах:

– среднее и доля
– медиана и квартили
– стандартное отклонение
– стандартная ошибка
– доверительные интервалы
– гистограмма

Инструменты, методики, алгоритмы

  • Требования к исходным данным для анализа
  • Основные понятия теории надежности:

– цензурирование выборки
– вероятность отказа
– средняя наработка на отказ
– законы распределения времени между отказами
– интенсивность отказов

  • Выявление ключевых причин отказов, простоев и затрат на основе:

– диаграммы Исикавы
– диаграммы Парето
– FMEA
– ящичных диаграмм
– круговых диаграмм
– диаграммы рассеяния

День 2. Прогнозирование отказов и планирование бюджетов на обеспечение надежности

Инструменты, методики, алгоритмы

  • Прогнозирование вероятности отказов на основе:

– паспортной документации оборудования
– анализа интенсивности отказов за период

  • Планирование бюджетов:

– прогнозирование наиболее вероятного размера аварийного бюджета
– оценка рисков превышения аварийного бюджета на основе доверительных интервалов
– прогнозирование затрат на аутсортинг ремонтных работ

Инструменты, методики, алгоритмы

  • 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

  • Расстановка приоритетов в условиях ограниченного бюджета и высокого уровня износа оборудования

Станьте профессионалом прогнозирования

На курсе вы в простой и доступной форме, на реальных примерах
из вашего бизнеса освоите все этапы прогнозирования продаж.

День 3. Анализ простоев оборудования и разработка мероприятий по их сокращению

Инструменты, методики, алгоритмы

  • Анализ длительности внеплановых простоев на основе подхода Шухарта:

– I-карты
– T-карты
– U-карты

  • Оптимизация численности ремонтных служб:

– Расчет необходимого числа ремонтных бригад
– Определение рисков превышения нормативного времени простоя

  • Оценка эффективности мероприятий по повышению надежности на основе графического анализа

Преподаватель

  Егоров Артём Михайлович

  • Бизнес-тренер, практикующий консультант в области бизнес-аналитики
  • Научный руководитель программ «Программа подготовки аналитиков высшего уровня «Эксперт», «Аналитические компетенции руководителя», «Инженер-Аналитик» и “Инженер-исследователь”
  • Директор ООО "Центр Статистических Технологий"
  • Более 20 лет опыта руководства проектами в сфере улучшения финансовых и производственных показателей крупнейших российских компаний
  • Автор концепции "Система аналитических компетенций" и бизнес-практики "Развитие аналитических компетенций"
  • Тренер по SixSigma и TOC 

Отправить заявку на участие в тренинге

 

Стоимость участия

Один человек (от компании) – 37 000 ₽
Два и более человек (от компании) – 37 000 ₽
Один человек (физическое лицо) – 37 000 ₽

* Все скидки действуют только при предоплате
** Стоимость участия может изменяться в зависимости от даты и места проведения тренинга

Скачать информацию о курсе

ООО "Ново Би Ай"©
199026, Россия, Санкт-Петербург, 
В.О. 26-я линия, д.15, корп.2, Литер А – БЦ «Биржа»
Государственная аккредитация Минкомсвязи России № 8353

Компания Novo BI не является поставщиком данных.
Мы разрабатываем решения для загрузки, обработки и хранения маркетинговых данных предоставленных клиентом.