Построение адекватной модели для исходных данных. 
Оценка модели. 
Построение прогноза

Визуальный анализ

Отобразим объем продаж на графике рис. 7.

Рисунок 7. График объема продаж исходных данных.

На графике недельных продаж отчетливо виден почти линейный тренд, то есть имеется устойчивый рост в течение более двух лет. В тоже время характер недельных продаж повторяется, они имеют почти одинаковое распределение по месяцам в каждом годовом цикле. Это говорит об определенном типе модели, в которой амплитуда сезонных изменений не увеличивается вместе с трендом, а именно это модель с аддитивной сезонностью.

Применение метода экспоненциальное сглаживание

В меню «Анализ» выбираем модуль «Углубленные методы анализа» — «Временные ряды и прогнозирование» рис. 8.

Рисунок 8. Выбор опции временных рядов и прогнозирования.

В полученном диалоговом окне выбираем опцию «Экспоненциальное сглаживание и прогноз», выбираем нашу переменную.

Открывается новое диалоговое окно рис. 9:

Рисунок 9. Диалоговое окно.

Согласно предварительному анализу мы выявили, что нашу модель можно описать следующим образом:

• · наличие линейного тренда;
• · аддитивная сезонность.

Параметры Альфа, Дельта и Гамма оставляем равными 0,1.

Переходим во вкладку «Поиск на сетке» и выставляем параметры для Альфа, Дельта и Гамма следующим образом:

• · Начать со значения 0,1;
• · Шаг 0,1;
• · Остановиться на значении 0,9.

Программа увеличивает каждый параметр от минимального значения («Начать со значения») на шаг, заданный в поле «Шаг», до значения определенного в поле «Остановиться на значении».

Для каждого набора значений параметров программа вычислит «Суммы квадратов остатков» (наблюдаемые значения минус сглаженные).

По умолчанию, 10 «лучших» решений будет показано в таблице результатов.

Нажимаем на кнопку «Поиск на сетке» и получаем следующую табл. 2:

Таблица 2. Меры ошибок.

Программа автоматически будет вычислять Сумму квадратов остатков, начиная с заданных значений Альфа, Дельта и Гамма с установленным шагом, равный одному. Красным выделяется наилучший показатель при подстановке значений.

Мы выбираем модель по последнему столбцу, а именно Средней абсолютной относительной ошибки. Этот параметр определяет среднюю абсолютную ошибку, а именно абсолютную разность между наблюдаемым значением и сглаженным значением.

Получаем модель с параметрами: б=0,7 д=0,1 г=0,1 и средняя абсолютная относительная ошибка равна 8,13%, что означает, что в среднем прогнозируемые значения в этой модели отличаются на 8,13% от наблюдаемых значений.

После этого мы подставляем полученные параметры и строим прогноз табл. 3.

Таблица 3. Прогноз МЭС.

Строим график получившегося прогноза рис. 10.

Рисунок 10. График прогноза МЭС.

Синим цветом отображается построенная модель на основе исходных данных об объемах продаж.

Красным цветом построена модель по сглаженному ряду. Они строятся по нижней оси и левой оси.

Зелёным цветом построен график остатков, то есть разница между объемом продаж и сглаженным рядом. График строится по нижней оси и правой оси.