Skip to main content

1  Εισαγωγή

Η πρόβλεψη έχει γοητεύσει τον άνθρωπο για χιλιάδες χρόνια. Στο παρελθόν έχει θεωρηθεί από σημάδι θεϊκής έμπνευσης έως και εγκληματική δραστηριότητα. Ο Εβραίος προφήτης Ησαΐας έγραψε περίπου το 700 π.Χ.

Αναγγείλατε τα επερχόμενα επ΄ εσχάτου και γνωσόμεθα ότι θεοί εστέ (Πείτε μας τι επιφυλάσσει το μέλλον, για να γνωρίζουμε, εάν πράγματι είστε Θεοί).
(Ησαΐας 41:23)

Εκατό χρόνια αργότερα, στην αρχαία Βαβυλώνα, οι προγνώστες προέβλεπαν το μέλλον στηριζόμενοι στην όψη του συκωτιού ενός προβάτου. Περίπου την ίδια εποχή, οι άνθρωποι που επιθυμούσαν να γνωρίζουν τα μελλούμενα έπρεπε να ταξιδέψουν μέχρι το μαντείο των Δελφών στην Ελλάδα για να συμβουλευτούν τη Πυθία, η οποία έδινε τις προβλέψεις της υπό την επήρεια ατμών αιθυλενίου. Οι προγνώστες συνάντησαν πολλές δυσκολίες την περίοδο του αυτοκράτορα Κωνστάντιου Β΄, ο οποίος το 357 μ.Χ. εξέδωσε διάταγμα που απαγόρευε σε οποιονδήποτε να “συμβουλεύεται μάντεις, μαθηματικούς ή προγνώστες … Είθε η περιέργεια να προφητεύσουμε το μέλλον να σωπάσει για πάντα”.1 Μια παρόμοια απαγόρευση στις προβλέψεις θεσπίστηκε στην Αγγλία το 18242, όταν “κάθε πρόσωπο που προσποιείται ή δηλώνει ότι λέει τη μοίρα” θεωρούνταν “αλήτης και περιπλανώμενος”. Η τιμωρία ήταν φυλάκιση έως και τριών μηνών με σκληρή εργασία!

Η ακαθόριστη τύχη των προγνωστών πηγάζει από το γεγονός πως μια καλή πρόβλεψη φαντάζει σχεδόν μαγική ενώ μια λάθος πρόβλεψη μπορεί να αποβεί επικίνδυνη. Διαβάστε τις ακόλουθες διάσημες προβλέψεις σχετικά με την επιστήμη των υπολογισμών.

Η τελευταία από τις παραπάνω προβλέψεις πραγματοποιήθηκε μόλις τρία χρόνια πριν η IBM βγάλει στην παραγωγή τον πρώτο προσωπικό υπολογιστή. Δεν αποτελεί, επίσης, έκπληξη το γεγονός ότι δεν μπορείτε πλέον να αγοράσετε έναν υπολογιστή της DEC. Η πρόβλεψη είναι προφανώς μια δύσκολη δραστηριότητα και οι επιχειρήσεις που το κάνουν καλά, έχουν μεγάλο πλεονέκτημα έναντι εκείνων που αποτυγχάνουν σε αυτές.

Στο παρόν βιβλίο, θα διερευνήσουμε τις πιο αξιόπιστες μεθόδους για την παραγωγή προβλέψεων. Θα δοθεί έμφαση σε μεθόδους που μπορούν να αναπαραχθούν και να ελεγχθούν και έχει αποδειχθεί ότι λειτουργούν σωστά.

1.1 Τι μπορεί να προβλεφθεί;

Η πρόβλεψη είναι απαραίτητη σε πολλές περιπτώσεις: η απόφαση για την κατασκευή μιας μονάδας παραγωγής ενέργειας μέσα στα επόμενα πέντε χρόνια απαιτεί την πρόβλεψη της μελλοντικής ζήτησης, ο χρονοπρογραμματισμός του προσωπικού σε ένα τηλεφωνικό κέντρο την επόμενη εβδομάδα απαιτεί την πρόβλεψη του όγκου των κλήσεων, οι παραγγελίες διαφόρων ειδών από μαγαζιά ή επιχειρήσεις απαιτούν επιτυχημένη πρόβλεψη των απαιτήσεων και των αναγκών στα είδη αυτά. Μπορεί να απαιτηθούν προβλέψεις για αρκετά χρόνια μετά (για την περίπτωση των επενδύσεων κεφαλαίου), ή για μόνο λίγα λεπτά αργότερα (για την περίπτωση της τηλεπικοινωνιακής δρομολόγησης). Ανεξάρτητα από τις περιστάσεις ή τους χρονικούς ορίζοντες, η πρόβλεψη είναι σημαντική βοήθεια για αποτελεσματικό και αποδοτικό σχεδιασμό.

Μερικά πράγματα είναι πιο εύκολο να προβλεφθούν από κάποια άλλα. Η ώρα της αυριανής ανατολής του ηλίου μπορεί να προβλεφθεί με μεγάλη ακρίβεια. Αντιθέτως, οι αυριανοί αριθμοί του τζόκερ δεν μπορούν να προβλεφθούν με καμία ακρίβεια. Η προβλεψιμότητα ενός γεγονότος ή μιας ποσότητας εξαρτάται από διάφορους παράγοντες, όπως:

  1. πόσο καλά κατανοούμε τους παράγοντες που συμβάλλουν σε αυτήν,
  2. πόσα δεδομένα έχουμε στη διάθεσή μας,
  3. πόσο μοιάζει το μέλλον με το παρελθόν,
  4. κατά πόσο μπορούν να επηρεάσουν οι προβλέψεις την ποσότητα που προσπαθούμε να προβλέψουμε.

Για παράδειγμα, οι βραχυπρόθεσμες προβλέψεις για τη ζήτηση της ηλεκτρικής ενέργειας στα νοικοκυριά μπορούν να είναι πολύ ακριβείς, καθώς, συνήθως, ικανοποιούνται και οι τέσσερις παραπάνω συνθήκες.

  1. Έχουμε μια καλή εικόνα για τους συμβαλλόμενους παράγοντες: η ζήτηση της ηλεκτρικής ενέργειας εξαρτάται σε μεγάλο βαθμό από τη θερμοκρασία, με μικρότερες επιπτώσεις από τις ημερολογιακές μεταβολές, όπως οι αργίες, και τις οικονομικές συνθήκες.
  2. Συνήθως είναι διαθέσιμα δεδομένα αρκετών ετών για τη ζήτηση της ηλεκτρικής ενέργειας, καθώς και δεδομένα πολλών δεκαετιών για τις καιρικές συνθήκες.
  3. Για βραχυπρόθεσμες προβλέψεις (έως λίγες εβδομάδες), μπορούμε με ασφάλεια να υποθέσουμε ότι η συμπεριφορά της ζήτησης θα είναι παρόμοια με αυτή που έχει παρατηρηθεί στο παρελθόν.
  4. Για τους περισσότερους οικιακούς καταναλωτές, η τιμή της ηλεκτρικής ενέργειας δεν εξαρτάται από τη ζήτηση, και έτσι οι προβλέψεις της ζήτησης έχουν ελάχιστη ή καμία επίδραση στη συμπεριφορά των καταναλωτών.

Εφόσον έχουμε την ικανότητα να αναπτύξουμε ένα καλό μοντέλο που να συνδέει τη ζήτηση της ηλεκτρικής ενέργειας με τις βασικές μεταβλητές που την επηρεάζουν, οι προβλέψεις μπορούν να είναι αξιοσημείωτα ακριβείς.

Αντιθέτως, στην πρόβλεψη των συναλλαγματικών ισοτιμιών, μόνο μία από τις παραπάνω προϋποθέσεις πληρείται: υπάρχουν πολλά διαθέσιμα δεδομένα. Ωστόσο, έχουμε περιορισμένη κατανόηση των παραγόντων που επηρεάζουν τις συναλλαγματικές ισοτιμίες, το μέλλον μπορεί κάλλιστα να διαφέρει από το παρελθόν αν ξεσπάσει μια οικονομική ή πολιτική κρίση σε μία από τις χώρες, και οι προβλέψεις αυτών έχουν άμεση επίδραση στις ίδιες τις ισοτιμίες. Εάν υπάρχουν ευρέως δημοσιευμένες προβλέψεις ότι η συναλλαγματική ισοτιμία θα αυξηθεί, οι αγοραστές θα προσαρμόσουν άμεσα την τιμή που είναι διατεθειμένοι να πληρώσουν και με αυτό τον τρόπο θα έχουμε αυτοεκπληρούμενες προβλέψεις. Κατά μία έννοια, οι συναλλαγματικές ισοτιμίες μετατρέπονται στις ίδιες τις προβλέψεις. Αυτό είναι ένα παράδειγμα της “υπόθεσης της αποτελεσματικής αγοράς”. Συνεπώς, η πρόβλεψη για το αν η αυριανή συναλλαγματική ισοτιμία θα αυξηθεί ή θα μειωθεί είναι, περίπου, τόσο προβλέψιμη όσο και η πρόβλεψη για το αν η ρίψη ενός νομίσματος θα φέρει κορόνα ή γράμματα. Και στις δύο περιπτώσεις, θα είστε σωστοί περίπου κατά 50% κάθε φορά, ανεξάρτητα του τι θα προβλέψετε. Σε τέτοιες καταστάσεις, οι υπεύθυνοι προβλέψεων θα πρέπει να γνωρίζουν τους δικούς τους περιορισμούς και να μην προσδοκούν περισσότερα από αυτά που είναι εφικτά.

Συχνά στην πρόβλεψη, βήμα κλειδί αποτελεί η γνώση του τι μπορεί να προβλεφθεί με ακρίβεια και πότε η πρόβλεψη δεν θα είναι καλύτερη από αυτή της ρίψης ενός νομίσματος. Οι καλές προβλέψεις συλλαμβάνουν τα αυθεντικά μοτίβα και τις σχέσεις που υπάρχουν στα ιστορικά δεδομένα, αλλά δεν αναπαράγουν παρελθοντικά γεγονότα που δεν πρόκειται να εμφανιστούν ξανά. Σε αυτό το βιβλίο, θα μάθουμε πώς να διατυπώνουμε τη διαφορά μεταξύ μιας τυχαίας διακύμανσης στα παρελθοντικά δεδομένα που πρέπει να αγνοηθεί και ενός γνήσιου μοτίβου που θα πρέπει να μοντελοποιηθεί και να προεκβληθεί.

Πολλοί άνθρωποι υποθέτουν λανθασμένα ότι οι προβλέψεις δεν είναι δυνατές σε ένα μεταβαλλόμενο περιβάλλον. Κάθε περιβάλλον αλλάζει και ένα καλό μοντέλο πρόβλεψης καταγράφει τον τρόπο με τον οποίο αλλάζουν τα πράγματα. Οι προβλέψεις σπάνια υποθέτουν ότι το περιβάλλον είναι αμετάβλητο. Αυτό που εικάζεται γενικά είναι ότι ο τρόπος με τον οποίο αλλάζει το περιβάλλον θα συνεχιστεί και στο μέλλον. Αυτό σημαίνει ότι ένα εξαιρετικά ασταθές περιβάλλον θα εξακολουθήσει να είναι εξαιρετικά ασταθές, μια επιχείρηση με κυμαινόμενες πωλήσεις θα συνεχίσει να έχει κυμαινόμενες πωλήσεις και μια οικονομία που έχει περάσει από έντονες διακυμάνσεις θα συνεχίσει να περνάει από έντονες διακυμάνσεις. Ένα μοντέλο πρόβλεψης επιδιώκει να συλλάβει τον τρόπο με τον οποίο κινούνται τα πράγματα, όχι απλά που βρίσκονται αυτά. Όπως είπε ο Abraham Lincoln, “Αν μπορούσαμε πρώτα να μάθουμε πού είμαστε και που τείνουμε, θα μπορούσαμε να κρίνουμε καλύτερα τι να κάνουμε και πώς να το κάνουμε (If we could first know where we are and whither we are tending, we could better judge what to do and how to do it)”.

Οι καταστάσεις πρόβλεψης διαφέρουν σε μεγάλο βαθμό στους χρονικούς τους ορίζοντες, τους παράγοντες που καθορίζουν το ουσιαστικό αποτέλεσμα, τα πρότυπα των δεδομένων και πολλές άλλες παραμέτρους. Οι μέθοδοι πρόβλεψης μπορούν να είναι πολύ απλές, όπως η χρήση της πιο πρόσφατης παρατήρησης ως πρόβλεψη (η οποία καλείται ως μέθοδος naïve), ή εξαιρετικά σύνθετες όπως είναι τα νευρωνικά δίκτυα και τα οικονομετρικά συστήματα συναληθευουσών εξισώσεων. Μερικές φορές, δεν θα έχουμε στη διάθεσή μας καθόλου δεδομένα. Για παράδειγμα, ενδεχομένως να επιθυμούμε να προβλέψουμε τις πωλήσεις ενός νέου προϊόντος κατά το πρώτο έτος διάθεσής του, αλλά δεν θα υπάρχουν προφανώς δεδομένα με τα οποία να μπορούμε να δουλέψουμε. Σε περιπτώσεις όπως αυτή, χρησιμοποιούμε την πρόβλεψη με κρίση (judgmental forecasting) που περιγράφεται στο Κεφάλαιο 6. Η επιλογή της μεθόδου εξαρτάται από τα διαθέσιμα δεδομένα και την προβλεψιμότητα της υπο μελέτης ποσότητας.

1.2 Πρόβλεψη, στόχοι και σχεδιασμός

Η πρόβλεψη είναι μια κοινή στατιστική εργασία στις επιχειρήσεις, που βοηθά στην παρακολούθηση των αποφάσεων σχετικά με τον προγραμματισμό της παραγωγής, των μεταφορών και του προσωπικού και παρέχει έναν οδηγό για τον μακροπρόθεσμο στρατηγικό σχεδιασμό τους. Ωστόσο, οι επιχειρηματικές προβλέψεις συχνά πραγματοποιούνται με άσχημο τρόπο και συχνά συγχέονται με τους στόχους και τον σχεδιασμό, τα οποία είναι τρία διαφορετικά πράγματα/τρεις διαφορετικές εργασίες/καταστάσεις:

Η πρόβλεψη
έχει να κάνει με την γνώση μελλοντικών τιμών με τη μεγαλύτερη δυνατή ακρίβεια, λαμβάνοντας υπόψη όλες τις διαθέσιμες πληροφορίες, μεταξύ αυτών ιστορικά δεδομένα και γνώση για μελλοντικά γεγονότα που ενδέχεται να επηρεάσουν τις προβλέψεις.
Οι στόχοι
είναι αυτό που θα θέλατε να συμβεί. Οι στόχοι πρέπει να συνδέονται με την πρόβλεψη και το σχεδιασμό, αλλά αυτό δεν συμβαίνει πάντα. Πολύ συχνά, οι στόχοι τίθενται χωρίς κανένα σχεδιασμό για τον τρόπο επίτευξής τους και δεν υπάρχουν προβλέψεις σχετικά με τη ρεαλιστικότητά τους.
Ο σχεδιασμός
αποτελεί μια απόκριση στις προβλέψεις και τους στόχους. Ο σχεδιασμός περιλαμβάνει τον καθορισμό των κατάλληλων ενεργειών που απαιτούνται για να φτάσουν οι προβλέψεις σας στους στόχους σας.

Η πρόβλεψη θα πρέπει να αποτελεί αναπόσπαστο μέρος των δραστηριοτήτων της διοικητικής λήψης αποφάσεων, καθώς μπορεί να διαδραματίσει σημαντικό ρόλο σε πολλούς τομείς μιας εταιρείας. Οι σύγχρονοι οργανισμοί απαιτούν βραχυπρόθεσμες, μεσοπρόθεσμες και μακροπρόθεσμες προβλέψεις, ανάλογα με το πεδίο δραστηριοποίησής τους.

Οι Βραχυπρόθεσμες Προβλέψεις
απαιτούνται για τον χρονοπρογραμματισμό του προσωπικού, της παραγωγής και των μεταφορών. Στο πλαίσιο της διαδικασίας προγραμματισμού, απαιτούνται, επίσης, συχνά προβλέψεις για τη ζήτηση.
Οι Μεσοπρόθεσμες Προβλέψεις
απαιτούνται για τον προσδιορισμό των μελλοντικών απαιτήσεων σε πόρους, προκειμένου να αγοραστούν πρώτες ύλες, να προσληφθεί προσωπικό ή να αγοραστούν μηχανήματα και εξοπλισμός.
Οι Μακροπρόθεσμες Προβλέψεις
χρησιμοποιούνται στον στρατηγικό σχεδιασμό. Οι αποφάσεις αυτές πρέπει να λαμβάνουν υπόψη τις ευκαιρίες της αγοράς, τους περιβαλλοντικούς παράγοντες και τους εσωτερικούς πόρους.

Ένας οργανισμός χρειάζεται να αναπτύξει ένα σύστημα πρόβλεψης που περιλαμβάνει πολλές προσεγγίσεις για την πρόβλεψη αβέβαιων γεγονότων. Τέτοια συστήματα πρόβλεψης απαιτούν την ανάπτυξη τεχνογνωσίας στον εντοπισμό προβλημάτων πρόβλεψης, στην εφαρμογή μιας σειράς μεθόδων πρόβλεψης, στην επιλογή κατάλληλων μεθόδων για κάθε πρόβλημα και στην αξιολόγηση και βελτίωση των μεθόδων πρόβλεψης με την πάροδο του χρόνου. Είναι επίσης σημαντικό να υπάρχει ισχυρή οργανωσιακή υποστήριξη για τη χρήση των τυπικών μεθόδων πρόβλεψης για να χρησιμοποιηθούν με επιτυχία.

1.3 Καθορίζοντας τι θα προβλεφθεί

Στα αρχικά στάδια μιας πρόβλεψης, πρέπει να ληφθούν αποφάσεις σχετικά με το τι θα πρέπει να προβλεφθεί. Για παράδειγμα, εάν απαιτούνται προβλέψεις για προϊόντα που βρίσκονται σε περιβάλλον παραγωγής, είναι απαραίτητο να ρωτήσουμε εάν χρειάζονται οι προβλέψεις:

  1. για κάθε γραμμή παραγωγής, ή για ομάδες προϊόντων;
  2. για κάθε κατάστημα πώλησης ή για καταστήματα που ομαδοποιούνται ανά περιοχή ή μόνο για συνολικές πωλήσεις;
  3. για εβδομαδιαία, μηνιαία ή ετήσια δεδομένα;

Είναι επίσης αναγκαίο να εξεταστεί και ο ορίζοντας πρόβλεψης. Για ποιο χρονικό ορίζοντα θα απαιτηθούν εκ των προτέρων προβλέψεις, για ένα μήνα, για 6 μήνες, για δέκα χρόνια; Ανάλογα, λοιπόν, με το ποιος ορίζοντας θα είναι ο πιο σημαντικός θα χρειαστούν διαφορετικοί τύποι μοντέλων.

Πόσο συχνά απαιτείται να γίνονται προβλέψεις; Για τις προβλέψεις που πρέπει να παράγονται συχνά είναι προτιμότερο αυτές να υλοποιούνται μέσω ενός αυτοματοποιημένου συστήματος, αντί μέσω μεθόδων που απαιτούν προσεκτική προσωπική εργασία.

Αξίζει να αφιερώσετε χρόνο για να μιλήσετε με τους ανθρώπους που θα χρησιμοποιήσουν τις προβλέψεις σας για να βεβαιωθείτε ότι αντιλαμβάνεστε τις ανάγκες τους και πώς αυτές θα χρησιμοποιηθούν, πριν προχωρήσετε σε εκτεταμένη μελέτη και παραγωγή προβλέψεων.

Από τη στιγμή που προσδιοριστεί ποιες προβλέψεις απαιτούνται, τότε είναι απαραίτητο να εντοπιστούν ή να συλλεχθούν τα δεδομένα στα οποία θα βασιστεί η πρόβλεψη. Τα δεδομένα που απαιτούνται για την πρόβλεψη ενδέχεται να υπάρχουν ήδη. Στις μέρες μας, παρατηρείται πληθώρα δεδομένων και ένα μέρος της δουλειάς του αναλυτή είναι συχνά ο προσδιορισμός της θέσης και του τρόπου που είναι αποθηκευμένα τα απαιτούμενα δεδομένα. Αυτά τα δεδομένα μπορεί να περιλαμβάνουν στοιχεία πωλήσεων μιας επιχείρησης, την ιστορική ζήτηση ενός προϊόντος ή το ποσοστό ανεργίας σε μια γεωγραφική περιοχή. Πριν από την ανάπτυξη κατάλληλων μεθόδων πρόβλεψης, ένα μεγάλο μέρος του χρόνου του αναλυτή μπορεί να δαπανηθεί για τον εντοπισμό και την αντιπαραβολή των διαθέσιμων δεδομένων.

1.4 Μέθοδοι και δεδομένα πρόβλεψης

Η επιλογή κατάλληλων μεθόδων πρόβλεψης εξαρτάται σε μεγάλο βαθμό από τα διαθέσιμα δεδομένα.

Εάν δεν υπάρχουν διαθέσιμα δεδομένα ή εάν τα διαθέσιμα δεδομένα δεν σχετίζονται με τις προβλέψεις, τότε πρέπει να χρησιμοποιηθούν ποιοτικές μέθοδοι πρόβλεψης. Αυτές οι μέθοδοι δεν είναι απλά εικασίες — υπάρχουν καλώς αναπτυγμένες και δομημένες προσεγγίσεις για τη λήψη καλών προβλέψεων χωρίς τη χρήση ιστορικών δεδομένων. Αυτές οι μέθοδοι συζητούνται στο Κεφάλαιο 6.

Η ποσοτική πρόβλεψη μπορεί να εφαρμοστεί όταν πληρούνται δύο προϋποθέσεις:

  1. υπάρχουν διαθέσιμες αριθμητικές πληροφορίες για το παρελθόν,
  2. είναι λογικό να υποθέσουμε ότι ορισμένες πτυχές των προηγούμενων μοτίβων θα συνεχιστούν και στο μέλλον.

Υπάρχει ένα ευρύ φάσμα ποσοτικών μεθόδων πρόβλεψης, που αναπτύσσονται συχνά σε συγκεκριμένους τομείς και για συγκεκριμένους σκοπούς. Κάθε μέθοδος έχει τις δικές της ιδιότητες, ακρίβεια και κόστος, τα οποία και θα πρέπει να ληφθούν υπόψη κατά την επιλογή αυτής.

Τα περισσότερα προβλήματα ποσοτικής πρόβλεψης χρησιμοποιούν είτε δεδομένα χρονοσειρών (συλλέγονται σε τακτά χρονικά διαστήματα με την πάροδο του χρόνου) είτε διατομεακά δεδομένα /δεδομένα διατομής (cross-sectional) (συλλέγονται σε μία μόνο χρονική στιγμή). Σε αυτό το βιβλίο μας ενδιαφέρει η πρόβλεψη μελλοντικών δεδομένων και επικεντρωνόμαστε στον πεδίο των χρονοσειρών.

Πρόβλεψη χρονοσειρών

Μερικά παραδείγματα δεδομένων χρονοσειρών περιλαμβάνουν:

  • Ετήσια κέρδη της Google
  • Τριμηνιαία αποτελέσματα πωλήσεων για την Amazon
  • Μηνιαίες βροχοπτώσεις
  • Εβδομαδιαίες λιανικές πωλήσεις
  • Ημερήσιες τιμές της μετοχής της IBM
  • Ωριαία ζήτηση ηλεκτρικής ενέργειας
  • 5-λεπτη μέτρηση της κυκλοφορίας στον αυτοκινητόδρομο
  • Χρονοσημασμένα δεδομένα σε συναλλαγές μετοχών

Οτιδήποτε παρατηρείται διαδοχικά με την πάροδο του χρόνου είναι μια χρονοσειρά. Σε αυτό το βιβλίο, θα εξετάσουμε μόνο τις χρονοσειρές που παρατηρούνται σε τακτά χρονικά διαστήματα (π.χ. ωριαία, ημερήσια, εβδομαδιαία, μηνιαία, τριμηνιαία, ετήσια). Μπορεί επίσης να προκύψουν μη κανονικές χρονοσειρές, αλλά δεν εμπίπτουν στους σκοπούς αυτού του βιβλίου.

Κατά την πρόβλεψη δεδομένων χρονοσειρών, ο στόχος είναι να εκτιμηθεί πώς θα συνεχιστεί στο μέλλον η ακολουθία των παρατηρήσεων. Το Σχήμα 1.1 δείχνει την τριμηνιαία παραγωγή μπύρας στην Αυστραλία από το 2000 έως το δεύτερο τρίμηνο του 2010.

Σχήμα 1.1: Τριμηνιαία παραγωγή μπύρας στην Αυστραλία: 2000Q1–2010Q2, με προβλέψεις δύο ετών.

Οι μπλε γραμμές δείχνουν την πρόβλεψη για τα επόμενα δύο χρόνια. Παρατηρήστε πώς η πρόβλεψη έχει συλλάβει το εποχιακό μοτίβο των ιστορικών δεδομένων και το αναπαράγει για τα επόμενα δύο χρόνια. Η σκούρα σκιασμένη περιοχή εμφανίζει διαστήματα πρόβλεψης 80%. Δηλαδή, κάθε μελλοντική τιμή αναμένεται να βρίσκεται στη σκούρα σκιασμένη περιοχή με πιθανότητα 80%. Η ανοιχτόχρωμα σκιασμένη περιοχή εμφανίζει διαστήματα πρόβλεψης 95%. Τα διαστήματα πρόβλεψης αποτελούν ένα χρήσιμο τρόπο εμφάνισης της αβεβαιότητας στις προβλέψεις. Σε αυτήν την περίπτωση, οι προβλέψεις αναμένεται να είναι ακριβείς, και ως εκ τούτου τα διαστήματα πρόβλεψης είναι αρκετά στενά.

Οι απλούστερες μέθοδοι πρόβλεψης χρονοσειρών χρησιμοποιούν μόνο πληροφορίες σχετικά με τη μεταβλητή που πρόκειται να προβλεφθεί και δεν επιχειρούν να ανακαλύψουν τους παράγοντες που επηρεάζουν τη συμπεριφορά της. Επομένως, θα προεκβάλουν τις τάσεις και τα εποχιακά μοτίβα, αγνοώντας όλες τις άλλες πληροφορίες, όπως πρωτοβουλίες προώθησης, δραστηριότητα ανταγωνιστών, αλλαγές στις οικονομικές συνθήκες και ούτω καθεξής.

Οι μέθοδοι ανάλυσης (decomposition methods) είναι χρήσιμες στη μελέτη των προτύπων της τάσης και της εποχικότητας σε μια χρονοσειρά και συζητούνται στο Κεφάλαιο 3. Δημοφιλή μοντέλα χρονοσειρών που χρησιμοποιούνται για την πρόβλεψη περιλαμβάνουν τα εκθετικά μοντέλα εξομάλυνσης και τα μοντέλα ARIMA, που συζητούνται στα Κεφάλαια 8 και 9, αντίστοιχα.

Μεταβλητές πρόβλεψης και πρόβλεψη χρονοσειρών

Οι μεταβλητές πρόβλεψης είναι συχνά χρήσιμες στην πρόβλεψη χρονοσειρών. Για παράδειγμα, ας υποθέσουμε ότι θέλουμε να προβλέψουμε την ωριαία ζήτηση ηλεκτρικής ενέργειας (ED) μιας θερμής περιοχής κατά τη θερινή περίοδο. Ένα μοντέλο με μεταβλητές πρόβλεψης μπορεί να είναι της μορφής

\begin{align*} \text{ED} = & f(\text{τρέχουσα θερμοκρασία, δύναμη της οικονομίας, πληθυσμός,} \\ & \qquad\text{ώρα της ημέρας, μέρα της εβδομάδας, σφάλμα}). \end{align*} Η σχέση δεν είναι ακριβής — θα υπάρχουν πάντα αλλαγές στη ζήτηση της ηλεκτρικής ενέργειας που δεν μπορούν να καταγραφούν από τις μεταβλητές πρόβλεψης. Ο όρος “σφάλμα” στα δεξιά επιτρέπει τυχαίες διακυμάνσεις και την επίδραση των σχετικών μεταβλητών που δεν περιλαμβάνονται στο μοντέλο. Αυτό το ονομάζουμε διερευνητικό μοντέλο (explanatory model) επειδή βοηθάει στην εξήγηση του τι προκαλεί τη διακύμανση στη ζήτηση της ηλεκτρικής ενέργειας.

Επειδή τα δεδομένα ζήτησης της ηλεκτρικής ενέργειας σχηματίζουν χρονοσειρές, θα μπορούσαμε, επίσης, να χρησιμοποιήσουμε ένα μοντέλο χρονοσειρών για την πρόβλεψη. Σε αυτήν την περίπτωση, η κατάλληλη εξίσωση πρόβλεψης χρονοσειρών θα είναι της μορφής

\text{ED}_{t+1} = f(\text{ED}_{t}, \text{ED}_{t-1}, \text{ED}_{t-2}, \text{ED}_{t-3},\dots, \text{σφάλμα}), όπου t είναι η παρούσα ώρα, t + 1 είναι η επόμενη ώρα, t - 1 είναι η προηγούμενη ώρα, t - 2 είναι πριν από δύο ώρες και ούτω καθεξής. Εδώ, η πρόβλεψη για το μέλλον βασίζεται σε προηγούμενες τιμές μιας μεταβλητής, αλλά όχι σε εξωτερικές μεταβλητές που μπορεί να επηρεάσουν το σύστημα. Και πάλι, ο όρος “σφάλμα” στα δεξιά επιτρέπει τυχαίες διακυμάνσεις και την επίδραση των σχετικών μεταβλητών που δεν περιλαμβάνονται στο μοντέλο.

Υπάρχει, επίσης, ένας τρίτος τύπος μοντέλου που συνδυάζει τα χαρακτηριστικά των δύο παραπάνω μοντέλων. Για παράδειγμα, θα μπορούσε να δίνεται από την παρακάτω σχέση

\text{ED}_{t+1} = f(\text{ED}_{t}, \text{τρέχουσα θερμοκρασία, ώρα της ημέρας, ημέρα της εβδομάδας, σφάλμα}). Αυτοί οι τύποι “μικτών μοντέλων” έχουν λάβει διάφορα ονόματα σε διαφορετικά πεδία. Είναι γνωστά ως μοντέλα δυναμικής παλινδρόμησης (dynamic regression models), μοντέλα panel δεδομένων (panel data models), διαμήκη μοντέλα (longitudinal models), μοντέλα συναρτήσεων μεταφοράς (transfer function models) και μοντέλα γραμμικών συστημάτων (θεωρώντας ότι η f είναι γραμμική). Αυτά τα μοντέλα συζητούνται στο Κεφάλαιο 10.

Ένα διερευνητικό μοντέλο είναι χρήσιμο επειδή ενσωματώνει πληροφορίες σχετικά με άλλες μεταβλητές, και όχι μόνο ιστορικές τιμές της μεταβλητής που πρόκειται να προβλεφθεί. Ωστόσο, υπάρχουν αρκετοί λόγοι για τους οποίους ένας αναλυτής μπορεί να επιλέξει ένα μοντέλο χρονοσειρών παρά ένα διερευνητικό ή μικτό μοντέλο. Πρώτον, το σύστημα μπορεί να μην είναι κατανοητό, και ακόμη και αν ήταν κατανοητό, μπορεί να είναι εξαιρετικά δύσκολο να μετρηθεί η σχέση που υποτίθεται διέπει τη συμπεριφορά του. Δεύτερον, είναι απαραίτητο να γνωρίζουμε ή να προβλέψουμε τις μελλοντικές τιμές των διαφόρων μεταβλητών πρόβλεψης (predictor variables) για να μπορέσουμε να προβλέψουμε τη μεταβλητή ενδιαφέροντος, και αυτό μπορεί να είναι πολύ δύσκολο. Τρίτον, το κύριο μέλημα μπορεί να είναι μόνο να προβλέψουμε τι θα συμβεί, κι όχι να γνωρίζουμε γιατί συμβαίνει. Τέλος, το μοντέλο χρονοσειρών μπορεί να μας δώσει πιο ακριβείς προβλέψεις από ένα διερευνητικό ή μικτό μοντέλο.

Το μοντέλο που θα χρησιμοποιηθεί στην πρόβλεψη εξαρτάται από τους διαθέσιμους πόρους και δεδομένα, την ακρίβεια των ανταγωνιστικών μοντέλων και τον τρόπο με τον οποίο θα χρησιμοποιηθεί το μοντέλο πρόβλεψης.

1.5 Μελέτες περίπτωσης

Οι ακόλουθες περιπτώσεις, αναφέρονται σε μελέτες που έχουμε πραγματοποιήσει ως σύμβουλοι επιχειρήσεων και οργανισμών σε θέματα πρόβλεψης και παρουσιάζουν τέσσερις διαφορετικές περιπτώσεις προβλέψεων καθώς και τις σχετικές προκλήσεις που συνήθως εμφανίζονται κατά την φάση αυτή.

Περίπτωση 1

Σε αυτή την περίπτωση ο πελάτης ήταν μια μεγάλη εταιρία η οποία κατασκεύαζε υλικά και αναλώσιμα όπως χαρτοπετσέτες και πλαστικά πιάτα για οικιακή χρήση. Η εταιρία χρειαζόταν προβλέψεις για κάθε ένα από τα εκατοντάδες είδη τους, κάθε μήνα. Οι χρονοσειρές των δεδομένων εμφάνιζαν ένα εύρος από μοτίβα, κάποιες με τάσεις, κάποιες με εποχικότητα ενώ κάποιες με τίποτα από τα δύο. Μέχρι τότε η εταιρία χρησιμοποιούσε για τις προβλέψεις της το δικό της λογισμικό το οποίο ήταν κατασκευασμένο από την ίδια, αλλά αρκετά συχνά παρείχε προβλέψεις οι οποίες δεν φαίνονταν λογικές. Οι μέθοδοι που χρησιμοποιούσαν ήταν οι ακόλουθοι:

  1. το μέσο όρο των δεδομένων τους τελευταίους 12 μήνες
  2. το μέσο όρο των δεδομένων τους τελευταίους 6 μήνες
  3. πρόβλεψη με γραμμική παλινδρόμηση τους τελευταίους 12 μήνες
  4. πρόβλεψη με γραμμική παλινδρόμηση τους τελευταίους 6 μήνες
  5. πρόβλεψη με ευθεία γραμμή στην τελευταία παρατήρηση με κλίση ίση με τη μέση κλίση των ευθειών που συνδέουν τις τιμές του περασμένου και του τρέχοντος έτους
  6. πρόβλεψη με ευθεία γραμμή στην τελευταία παρατήρηση με κλίση ίση με τη μέση κλίση των ευθειών που συνδέουν τις τιμές του περασμένου και του τρέχοντος έτους, όπου η μέση τιμή της κλίσης υπολογίζεται λαμβάνοντας υπόψιν μόνο τους τελευταίους 6 μήνες.

Μας ζητήθηκε να βρούμε τι γινόταν λάθος και να τροποποιήσουμε το λογισμικό τους έτσι ώστε να παρέχει πιο ακριβείς προβλέψεις. Το λογισμικό είχε γραφεί στην γλώσσα προγραμματισμού COBOL, κάνοντας έτσι δύσκολη την πραγματοποίηση οποιουδήποτε περίπλοκου αριθμητικού υπολογισμού.

Περίπτωση 2

Σε αυτήν την περίπτωση, ο πελάτης ήταν η ομοσπονδιακή κυβέρνηση της Αυστραλίας, η οποία ήθελε να προβλέψει το ύψος του ετήσιου προϋπολογισμού που θα αφορούσε το πρόγραμμα των φαρμακευτικών παροχών της χώρας (Pharmaceutical Benefits Scheme - PBS). Το πρόγραμμα αυτό δίνει επιδότηση για πολλά από τα φαρμακευτικά προϊόντα που πωλούνται στην Αυστραλία και οι δαπάνες του εξαρτώνται άμεσα από τις αγορές των πολιτών κατά τη διάρκεια του έτους. Οι συνολικές δαπάνες ανήλθαν σε περίπου 7 δισεκατομμύρια δολάρια το 2009 και το σφάλμα στην πρόβλεψη έφτανε σχεδόν στο 1 δισεκατομμύριο δολάρια για κάθε ένα από τα δύο τελευταία χρόνια, πριν μας ζητηθεί να βοηθήσουμε στην ανάπτυξη μιας καλύτερης και ακριβέστερης πρόβλεψης.

Για την πρόβλεψη των συνολικών δαπανών, είναι απαραίτητο να προβλεφθεί ο όγκος των πωλήσεων εκατοντάδων διαφορετικών ομάδων φαρμακευτικών προϊόντων χρησιμοποιώντας μηνιαία δεδομένα. Σχεδόν όλες οι ομάδες των προϊόντων αυτών εμφανίζουν τάσεις και εποχιακά μοτίβα. Οι πωλήσεις για πολλές ομάδες παρουσιάζουν ξαφνικές αυξήσεις ή μειώσεις εξαιτίας των μεταβολών που συμβαίνουν στις επιδοτήσεις των φαρμάκων. Επιπλέον, οι δαπάνες για πολλές ομάδες φαρμακευτικών προϊόντων παρουσιάζουν ξαφνικές μεταβολές λόγω της διάθεσης φθηνότερων ανταγωνιστικών φαρμάκων στην αγορά.

Για τους λόγους αυτούς, χρειάστηκε να βρούμε μια μέθοδο πρόβλεψης η οποία θα λάμβανε υπόψιν την τάση και την εποχικότητα των δεδομένων εάν αυτές ήταν παρούσες, αλλά ταυτόχρονα θα έπρεπε να ήταν και ανθεκτική σε απότομες μεταβολές και τα μοτίβα των δεδομένων. Απαιτήθηκε, επίσης, ότι η προτεινόμενη μέθοδος πρόβλεψης θα έπρεπε να έχει τη δυνατότητα να μπορεί να εφαρμοστεί αυτόματα σε μεγάλο αριθμό χρονοσειρών.

Περίπτωση 3

Μια εταιρεία μεγάλου στόλου αυτοκινήτων μας ζήτησε να τους βοηθήσουμε να προβλέψουν τις τιμές επαναπώλησης των οχημάτων της. Η εταιρία αυτή αγόραζε καινούργια οχήματα, τα χρονομίσθωνε για τρία χρόνια, και μετά τα πουλούσε. Καλύτερη πρόβλεψη για την τιμή πώλησης των οχημάτων αυτών θα σήμαινε και καλύτερο έλεγχο επί των κερδών της εταιρίας αφού η εύρεση και η ερμηνεία των παραγόντων που επηρεάζουν τις τιμές μεταπώλησης θα μπορούσαν να οδηγήσουν στην ανάπτυξη πολιτικών μίσθωσης και πωλήσεων οι οποίες θα μεγιστοποιούσαν τα κέρδη της.

Εκείνη την εποχή, οι τιμές μεταπώλησης προβλέπονταν από μια ομάδα ειδικών στην εταιρία. Δυστυχώς, η ομάδα αυτή είδε τη χρήση οποιουδήποτε στατιστικού μοντέλου ως απειλή για τη δουλειά τους και έτσι δεν συνεργάστηκαν με εμάς για την παροχή των απαραίτητων πληροφοριών. Παρόλαυτα, η εταιρεία μας παρείχε μεγάλο αριθμό δεδομένων που αφορούσαν παλαιότερα οχήματα καθώς και τις τιμές μεταπώλησής τους.

Περίπτωση 4

Σε αυτό το έργο, κληθήκαμε να αναπτύξουμε ένα μοντέλο για την πρόβλεψη της εβδομαδιαίας εναέριας κυκλοφορίας επιβατών στις πιο σημαντικές εσωτερικές διαδρομές για μία από τις κορυφαίες αεροπορικές εταιρείες της Αυστραλίας. Η εταιρεία χρειαζόταν προβλέψεις του αριθμού επιβατών για κάθε τέτοια πτήση και για κάθε διαφορετική κατηγορία (οικονομική θέση, επιχειρηματική και πρώτη θέση). Η εταιρεία μας παρείχε εβδομαδιαία δεδομένα κίνησης για τα προηγούμενα έξι χρόνια.

Το πλήθος των επιβατών που χρησιμοποιούν τις αεροπορικές εταιρίες επηρεάζεται από διάφορους παράγοντες όπως οι σχολικές διακοπές, μεγάλα αθλητικά γεγονότα, διαφημιστικές εκστρατείες, η συμπεριφορά ανταγωνιστικών αερογραμμών κλπ. Οι σχολικές διακοπές συχνά δεν συμπίπτουν στις διάφορες πόλεις της Αυστραλίας και οι αθλητικές εκδηλώσεις συνήθως διοργανώνονται σε διαφορετικές πόλεις της χώρας. Κατά την περίοδο αναφοράς των δεδομένων που είχαμε προς ανάλυση, πραγματοποιήθηκε και μια μεγάλη απεργία των πιλότων κατά την οποία δεν υπήρχε αεροπορική κίνηση για αρκετούς μήνες. Επίσης στο ίδιο χρονικό διάστημα, μια νέα αεροπορική εταιρεία χαμηλού κόστους ξεκίνησε την λειτουργία της. Προς το τέλος του χρονικού διαστήματος αναφοράς των δεδομένων, η αεροπορική εταιρεία προχώρησε στην αναβάθμιση ορισμένων θέσεων οικονομικής κατηγορίας (economy class) σε επιχειρηματική (business class) και ορισμένων θέσεων επιχειρηματικής κατηγορίας σε πρώτη (first class). Μετά από αρκετούς μήνες ωστόσο, προχώρησε εκ νέου σε αλλαγές και οι θέσεις επανήλθαν στις αρχικές τους κατηγορίες.

1.6 Τα βασικά βήματα σε ένα πρόβλημα πρόβλεψης

Ένα πρόβλημα πρόβλεψης συνήθως περιλαμβάνει πέντε βασικά βήματα.

Βήμα 1: Ορισμός του προβλήματος
Συχνά αυτό είναι και το πιο δύσκολο κομμάτι της πρόβλεψης. Ο προσεκτικός ορισμός του προβλήματος απαιτεί κατανόηση του τρόπου με τον οποίο θα χρησιμοποιηθούν οι προβλέψεις, ποιος χρειάζεται τις προβλέψεις και πώς η συνάρτηση πρόβλεψης ταιριάζει στον οργανισμό που απαιτεί τις προβλέψεις. Ένας ερευνητής που αναπτύσσει και εφαρμόζει μεθόδους πρόβλεψης πρέπει να αφιερώσει χρόνο για να μιλήσει με όλους όσους θα συμμετάσχουν στη συλλογή δεδομένων, θα συντηρούν τις βάσεις δεδομένων και θα χρησιμοποιήσουν τις προβλέψεις για μελλοντικό σχεδιασμό.
Βήμα 2: Συλλογή δεδομένων.
Πάντοτε απαιτούνται τουλάχιστον δύο διαφορετικά είδη πληροφορίας: (α) τα στατιστικά δεδομένα και (β) η συσσωρευμένη εμπειρία των ανθρώπων που συλλέγουν τα δεδομένα και χρησιμοποιούν τις προβλέψεις. Συχνά, είναι δύσκολο να αποκτηθούν αρκετά δεδομένα ώστε να μπορεί να γίνει μια καλή εκτίμηση ενός στατιστικού μοντέλου. Σε αυτήν την περίπτωση, μπορούν να χρησιμοποιηθούν οι μέθοδοι πρόβλεψης με κρίση (judgmental methods) του Κεφαλαίου 6. Σε μερικές περιπτώσεις, τα παλαιότερα δεδομένα είναι λιγότερο χρήσιμα λόγω πιθανών αλλαγών στη δομή του συστήματος που θέλουμε να εξετάσουμε. Σε τέτοιες περιπτώσεις μπορούμε να επιλέξουμε να χρησιμοποιήσουμε μόνο τα πιο πρόσφατα δεδομένα. Ωστόσο, θα πρέπει να θυμάστε ότι τα καλά στατιστικά μοντέλα δεν αντιμετωπίζουν κάποιο πρόβλημα στο χειρισμό τέτοιου είδους αλλαγές στα συστήματα, για αυτό δεν θα πρέπει να απορρίπτονται άσκοπα χρήσιμα δεδομένα.
Βήμα 3: Αρχική (διερευνητική) ανάλυση.
Θα πρέπει πάντοτε να ξεκινάτε απεικονίζοντας τα δεδομένα. Υπάρχουν κάποιου είδους σταθερά μοτίβα; Παρουσιάζουν τα δεδομένα κάποια σημαντική τάση; Είναι σημαντική η εποχικότητα; Υπάρχουν ενδείξεις για την παρουσία επιχειρηματικών κύκλων; Υπάρχουν ακραίες τιμές στα δεδομένα που θα πρέπει να εξηγηθούν από άτομα με ειδικές γνώσεις; Πόσο ισχυρές είναι οι σχέσεις μεταξύ των μεταβλητών που είναι διαθέσιμες για ανάλυση; Έχουν αναπτυχθεί διάφορα εργαλεία για να βοηθήσουν με αυτήν την ανάλυση; Αυτά τα θέματα παρουσιάζονται στα Κεφάλαια 2 και 3.
Βήμα 4: Επιλογή και εκπαίδευση μοντέλων.
Το καλύτερο μοντέλο που θα χρησιμοποιηθεί εξαρτάται από τα ιστορικά δεδομένα που είναι διαθέσιμα, από το πόσο ισχυρή είναι η σχέση μεταξύ της μεταβλητής που θέλουμε να προβλέψουμε και των επεξηγηματικών μεταβλητών, καθώς και από τον τρόπο με τον οποίο θα χρησιμοποιηθούν οι προβλέψεις. Είναι σύνηθες να συγκρίνουμε δύο ή τρία πιθανά μοντέλα. Κάθε μοντέλο είναι ένα τεχνητό κατασκεύασμα που βασίζεται σε ένα σύνολο υποθέσεων (άμεσων και έμμεσων) και συνήθως περιλαμβάνει μία ή περισσότερες παραμέτρους που θα πρέπει να εκτιμηθούν χρησιμοποιώντας τα ιστορικά δεδομένα που έχουμε στη διάθεση μας. Θα μελετήσουμε μοντέλα παλινδρόμησης (Κεφάλαιο 7), εκθετικές μεθόδους εξομάλυνσης (Κεφάλαιο 8), μοντέλα Box-Jenkins ARIMA (Κεφάλαιο 9), μοντέλα δυναμικής παλινδρόμησης (Κεφάλαιο 10), μεθόδους ιεραρχικής πρόβλεψης (Κεφάλαιο 11) καθώς και αρκετές προηγμένες μεθόδους, οι οποίες περιλαμβάνουν τα νευρωνικά δίκτυα και την διανυσματική αυτοπαλινδρόμηση (Κεφάλαιο 12).
Βήμα 5: Χρήση και αξιολόγηση του μοντέλου πρόβλεψης.
Αφού επιλέξουμε το μοντέλο πρόβλεψης και εκτιμήσουμε τις παραμέτρους του, αυτό θα είναι έτοιμο να χρησιμοποιηθεί για την πραγματοποίηση προβλέψεων. Η απόδοση του μοντέλου μπορεί να αξιολογηθεί σωστά μόνο αφού γίνουν διαθέσιμα τα δεδομένα που αφορούν την περίοδο πρόβλεψης. Αρκετές μέθοδοι έχουν αναπτυχθεί για την αξιολόγηση της ακρίβειας των προβλέψεων. Υπάρχουν επίσης οργανωτικά ζητήματα στη χρήση και την εφαρμογή προβλέψεων. Μια σύντομη συζήτηση για ορισμένα από αυτά τα θέματα δίνεται στο Κεφάλαιο 5. Όταν χρησιμοποιούμε ένα μοντέλο πρόβλεψης στην πράξη, προκύπτουν πολλά πρακτικά ζητήματα, όπως για παράδειγμα πώς μπορούμε να χειριστούμε τις τιμές που λείπουν καθώς και τις ακραίες τιμές, ή πώς μπορούμε να αντιμετωπίσουμε χρονοσειρές μικρού μήκους. Αυτά τα θέματα παρουσιάζονται στο Κεφάλαιο 13.

1.7 Η προοπτική της στατιστικής πρόβλεψης

Αυτό το οποίο προσπαθούμε να προβλέψουμε είναι άγνωστο (διαφορετικά δεν θα υπήρχε η ανάγκη να το προβλέψουμε) και έτσι μπορούμε να το θεωρήσουμε ως μια τυχαία μεταβλητή. Για παράδειγμα, οι συνολικές πωλήσεις για τον επόμενο μήνα θα μπορούσαν να πάρουν μια σειρά πιθανών τιμών και μέχρι να προσθέσουμε τις πραγματικές τιμές των πωλήσεων στο τέλος του μήνα, δεν γνωρίζουμε ποια θα είναι αυτή η τιμή. Έτσι, μέχρι να μάθουμε τις ακριβείς πωλήσεις για τον επόμενο μήνα, η τιμή που θέλουμε να προβλέψουμε μπορεί να θεωρηθεί ως μια τυχαία ποσότητα.

Επειδή ο επόμενος μήνας είναι σχετικά κοντά, έχουμε συνήθως μια καλή ιδέα για το ποιος θα είναι ο πιθανός όγκος των πωλήσεων. Από την άλλη, εάν θέλουμε να προβλέψουμε τις πωλήσεις για τον ίδιο μήνα αλλά του επόμενου χρόνου, οι πιθανές τιμές που θα μπορούσαμε να προβλέψουμε θα εμφανίσουν μεγαλύτερη μεταβλητότητα. Στα περισσότερα προβλήματα πρόβλεψης, η διακύμανση που σχετίζεται με την τιμή που θέλουμε να προβλέψουμε μειώνεται καθώς πλησιάζουμε χρονικά το συμβάν που θέλουμε να προβλέψουμε. Με άλλα λόγια, όσο πιο μπροστά (μακριά) στον χρόνο έχουμε προβλέψει, τόσο πιο αβέβαιοι είμαστε.

Μπορούμε να φανταστούμε πολλές διαφορετικές μελλοντικές τιμές για την μεταβλητή που θέλουμε να προβλέψουμε. Στο Σχήμα 1.2 παρουσιάζονται με μαύρο χρώμα οι συνολικές διεθνείς αφίξεις στην Αυστραλία από το 1980 έως το 2015. Επίσης, παρουσιάζονται δέκα διαφορετικές πιθανές μελλοντικές τιμές για την περίοδο 2016–2025.

Σχήμα 1.2: Συνολικός αριθμός διεθνών επισκεπτών στην Αυστραλία (1980–2015) μαζί με δέκα πιθανές μελλοντικές πορείες.

Όταν κάνουμε μια πρόβλεψη, εκτιμούμε το μέσο του εύρους των πιθανών τιμών που μπορεί να λάβει η τυχαία μεταβλητή. Συχνά, μια πρόβλεψη συνοδεύεται από ένα διάστημα πρόβλεψης (prediction interval) το οποίο δίνει ένα εύρος τιμών που θα μπορούσε να λάβει η τυχαία μεταβλητή με σχετικά υψηλή πιθανότητα. Για παράδειγμα, ένα διάστημα πρόβλεψης 95% αναφέρεται σε ένα διάστημα τιμών το οποίο θα μπορούσε να περιλαμβάνει την πραγματική μελλοντική τιμή με πιθανότητα 95%.

Αντί να σχεδιάζουμε μεμονωμένες πιθανές μελλοντικές τιμές, όπως φαίνεται στο Σχήμα 1.2, συνήθως απεικονίζουμε διαστήματα προβλέψεων. Στο Σχήμα 1.3 παρουσιάζονται τα διαστήματα 80% και 95% για την πρόβλεψη των μελλοντικών διεθνών αφίξεων στην Αυστραλία. Η μπλε γραμμή είναι ο μέσος όρος όλων των πιθανών μελλοντικών τιμών, τις οποίες ονομάζουμε σημεία πρόβλεψης (point forecasts).

Σχήμα 1.3: Συνολικός αριθμός διεθνών επισκεπτών στην Αυστραλία (1980–2015) μαζί με προβλέψεις 10 ετών και τα διαστήματα πρόβλεψης 80% και 95%.

Θα χρησιμοποιήσουμε τον δείκτη t για να δηλώσουμε τον χρόνο. Για παράδειγμα, το y_t δηλώνει την παρατήρηση την χρονική στιγμή t. Ας υποθέσουμε ότι δηλώνουμε όλη την παρατηρούμενη πληροφορία ως \mathcal{I} και θέλουμε να προβλέψουμε το y_t. Μπορούμε να γράψουμε την έκφραση y_{t} | \mathcal{I} η οποία αναφέρεται ως “η τυχαία μεταβλητή y_{t} με δεδομένο ότι γνωρίζουμε τη \mathcal{I}”. Το σύνολο τιμών που θα μπορούσε να λάβει αυτή η τυχαία μεταβλητή, μαζί με τις σχετικές πιθανότητες, είναι γνωστό ως “κατανομή πυκνότητας πιθανότητας” του y_{t} | \mathcal{I}. Στην πρόβλεψη, αυτό ονομάζεται κατανομή πρόβλεψης (forecast distribution).

Όταν μιλάμε για “πρόβλεψη”, συνήθως εννοούμε τη μέση τιμή της κατανομής της πρόβλεψης και χρησιμοποιούμε το σύμβολο “καπέλο” πάνω από το y για να το δείξουμε. Έτσι, μπορούμε να γράψουμε την πρόβλεψη y_t ως \hat{y}_t, που αναφέρεται στον μέσο όρο όλων των πιθανών τιμών που μπορεί να λάβει το y_t, δεδομένων όλων όσων γνωρίζουμε εκ των προτέρων.

Συχνά είναι χρήσιμο να προσδιορίσουμε με ακρίβεια ποια πληροφορία έχουμε χρησιμοποιήσει για τον υπολογισμό της πρόβλεψης. Στη συνέχεια, θα γράψουμε, για παράδειγμα, \hat{y}_{t|t-1} εννοώντας την πρόβλεψη του y_t λαμβάνοντας υπόψη όλες τις προηγούμενες παρατηρήσεις (y_1, \dots,y_{t-1}). Παρομοίως, ο όρος \hat{y}_{T+h|T} δηλώνει την πρόβλεψη του y_{T+h} λαμβάνοντας υπόψη τις τιμές y_1, \dots,y_T (δηλαδή, μία πρόβλεψη με βήμα h λαμβάνοντας υπόψη όλες τις παρατηρήσεις μέχρι και την χρονική στιγμή T).

1.8 Ασκήσεις

  1. Για τις περιπτώσεις 3 και 4 της Ενότητας 1.5, να αναφέρετε τις πιθανές μεταβλητές πρόβλεψης που θα μπορούσαν να χρησιμοποιηθούν, υποθέτοντας ότι όλα τα σχετικά δεδομένα είναι στη διάθεση σας.

  2. Για την περίπτωση 3 της Ενότητας 1.5, να περιγράψετε τα πέντε στάδια της πρόβλεψης αυτού του έργου.

1.9 Περαιτέρω μελέτη

  • Ο Armstrong (2001) καλύπτει ολόκληρη την ερευνητική περιοχή των προβλέψεων, ενώ κάθε κεφάλαιο του βιβλίου είναι γραμμένο από διαφορετικούς έμπειρους ερευνητές. Σε μερικά σημεία είναι πολύ δογματικός (highly opinionated) (και δεν συμφωνούμε με όλα τα αναγραφόμενα σε αυτό), αλλά δίνει εξαιρετικές γενικές συμβουλές για την αντιμετώπιση προβλημάτων πρόβλεψης.
  • Το βιβλίο των Ord κ.ά. (2017) είναι ένα σύγγραμμα πρόβλεψης που καλύπτει ορισμένες από τις ενότητες του παρόντος βιβλίου, τονίζοντας, ωστόσο, διαφορετικά σημεία και χωρίς να επικεντρώνεται σε κάποιο συγκεκριμένο λογισμικό πακέτο. Είναι γραμμένο από τρεις πολύ γνωστούς ερευνητές της περιοχής της πρόβλεψης, με πολλές δεκαετίες εμπειρίας.

  1. Codex Theodosianus 9.16.4↩︎

  2. Vagrancy Act, 1824, Section 4, καταργήθηκε το 1989.↩︎