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:

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) – 39 000 ₽
Два и более человек (от компании) – 39 000 ₽
Один человек (физическое лицо) – 39 000 ₽

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

Скачать информацию о курсе

Подробнее...

Печать

Методики прогнозирования сбыта и продаж

Методики прогнозирования сбыта и продаж. Краткосрочные и долгосрочные модели

Продолжительность: 4 дня
Город: Санкт-Петербург

Для кого будет полезен тренинг?

Экономисты, продажи, маркетинг, BI / Руководители (коммерция)

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

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

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

Определять и интерпретировать влияние факторов на прогнозируемый показатель
Прогнозировать, если имеется история только по прогнозируемому показателю
Выбирать метод прогнозирования в соответствии с горизонтом прогноза

День 1. Азы прогнозирования и анализа, подготовка данных.
Метод сезонной декомпозиции

Инструменты, методики, алгоритмы

Процесс прогнозирования: технология «Пять шагов»
Cпособы систематизации экспертных мнений о факторах, влияющих на прогнозируемый показатель:

– диаграмма Исикавы
– таблица факторных влияний
– причинно-следственная диаграмма
– ранжирование потенциальных факторов

Правила подготовки исходных данных для прогнозирования. Работа с пропущенными данными
Основные статистические показатели и графики, используемые при прогнозировании:

– среднее значение, медиана, стандартное отклонение
– гистограмма, диаграмма последовательности, диаграмма рассеяния

Инструменты, методики, алгоритмы

Графический анализ исходных данных с целью выявления тренда, сезонности и других компонент
Доверительный интервал прогноза
Точность модели и точность прогнозов. Показатели: MAPE, MAD и другие
Прогнозирование на основе метода сезонной декомпозиции:

– пошаговый алгоритм прогнозирования
– правила выбора вида тренда и типа сезонности
– сезонные факторы и их практическое использование
– плюсы и минусы подхода

Оценка качества прогнозной модели. Графический анализ остатков: гистограмма, даиграмма рассеяния, график автокорреляции

Кейсы

Пример в Excel. Изучаем изменчивость цен по регионам. Рассчитываем и интерпретируем основные статистические показатели. Строим графики.
Пример в Excel. Изучаем динамику продаж. Учимся анализировать колебания продаж и формировать правильные ожидания.
Пример в Excel. Проводим графический анализ динамики числа клиентов. Самостоятельно учимся определять наличие тренда, сезонности, структурных сдвигов и выбросов.
Пример в Excel. Проводим сезонную декомпозицию на основе истории продаж. Учимся интерпретировать результаты.
Пример в Excel. Проводим сезонную декомпозицию и строим прогноз на несколько месяцев. Оцениваем качество построенной модели.

День 2. Прогнозирование методом экспоненциального сглаживания.
Регрессионный анализ

Инструменты, методики, алгоритмы

Прогнозирование на основе метода экспоненциального сглаживания:

– идея метода: четыре параметра сглаживания
– пошаговый алгоритм
– оценка адекватности модели
– влияние горизонта прогноза на точность прогнозов
– плюсы и минусы подхода

Критерии выбора между экспоненциальным сглаживанием и сезонной декомпозицией
Многофакторный регрессионный анализ: идея и требования к исходным данным
Пошаговый алгоритм прогнозирования на основе регрессионного анализа
Диагностика и решение проблемы взаимозависимых факторов (мультиколлинеарность)

Инструменты, методики, алгоритмы

Оценка качества модели:

– графический анализ остатков
– таблица дисперсионного анализа
– R-квадрат и скорректированный R-квадрат

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

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

Учет в регрессии сезонности разного типа
Плюсы и минусы прогнозирования на основе регрессионного анализа

Кейсы

Пример в Excel. Строим прогноз на несколько месяцев с помощью экспоненциального сглаживания. Оцениваем качество модели и прогноза.
Пример в Excel. На основе истории продаж по товарной группе строим прогноз на 12 месяцев двумя способами (на основе сезонной декомпозиции и методом экспоненциального сглаживания). Оцениваем качество моделей и выбираем наиболее адекватный подход.
Пример в Excel. Анализируем влияние макроэкономических факторов на цену недвижимости.
Пример в Excel. Анализируем влияние кризиса; изменения ассортимента; числа торговых точек и т.п. на динамику прогнозируемого показателя.

Станьте профессионалом прогнозирования

День 3. Прогнозирование с использованием авторегрессионного анализа

Инструменты, методики, алгоритмы

Авторегрессионные модели прогнозирования: идея и требования к исходным данным
Пошаговый алгоритм прогнозирования на основе регрессионного анализа
Оценка качества модели:

– графический анализ остатков
– таблица дисперсионного анализа
– R-квадрат и скорректированный R-квадрат

Плюсы и минусы прогнозирования на основе авторегрессионного анализа
Условие перехода от регрессии к авторегрессии
Особенности прогнозирования при недостатке информации о факторах. Техника фиктивных (dummy) переменных
Учет в моделях нелинейного влияния факторов на прогнозируемый показатель

Кейсы

Пример в Excel. Прогнозируем продажи с использованием фиктивных переменных методом авторегрессии.
Пример в Excel. Анализируем влияние погодных условий на прогнозируемый показатель.
Пример в Excel. Проводим сравнительный анализ прогнозов, полученных методами регрессии и авторегрессии.
Пример в Excel. Строим прогноз потока клиентов всеми изученными способами и выбираем наиболее адекватный подход (самостоятельно).

День 4. Адаптация рассмотренных методов к практическим задачам прогнозирования

Инструменты, методики, алгоритмы

Учет запаздывающего влияния факторов при прогнозировании (кросс-корреляция)
Использование регрессионного и авторегрессионного анализа для оценки эффектов акций
Структура ошибки прогноза
Алгоритм выявления источников ошибки прогноза и оценка всех ее компонентов
Классификация методов прогнозирования с точки зрения горизонта прогноза
Ключевые отличия методик долгосрочного и краткосрочного прогнозирования

Кейсы

Пример в Excel. Оцениваем эффекты акций в зависимости от имеющейся информации.
Пример в Excel. Анализируем временную задержку (лаг) в росте продаж при росте рекламного бюджета.
Пример в Excel. Прогнозируем продажи с учетом нелинейного влияния рекламного бюджета.
Пример в Excel. Получаем и анализируем прогнозы на основе данных слушателей. Изучаем потенциальные возможности улучшения прогнозов.

Станьте профессионалом прогнозирования

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.