«Точное» прогнозирование или эвристика?

Надеюсь, вы в курсе, что теория ограничений для управления запасами не использует прогнозирование на основе большого массива данных предыдущих периодов, а использует эвристический подход, состоящий в том, что потребление в следующем периоде вычисляется из потребления в предыдущем периоде с учетом тенденции в потреблении. Как мы знаем, такой подход неизменно дает лучшие результаты в управлении запасами. На днях наткнулся на использование аналогичного подхода для прогнозирования обращений к врачу на следующей неделе по поводу гриппа.

Оказывается, для решения этой задачи инженеры Google разработали алгоритм обработки больших данных под названием Google Flu Trends (GFT). Идея заключалась в том, что если люди испытывают симптомы гриппа, они, скорее всего, будут искать в Google информацию о гриппе; информация из этих поисковых запросов должна помочь предсказать распространение гриппа гораздо быстрее, чем это могут сделать любые медицинские организации. Для разработки алгоритма инженеры проанализировали около 50 миллионов поисковых запросов, протестировали большое число моделей прогнозирования и, выбрав лучшую из них, составили прогноз доли обращений к врачу в связи с гриппом с 2007 по 2015 год.

Но когда свиной грипп пришел не по сезону, начавшись в марте 2009 года, GFT пропустила вспышку. В ответ на это алгоритм был усложнен, а количество переменных увеличено с 45 до 160. Этот и последующие изменения не улучшили качество прогнозов, и в 2015 году GFT была закрыта.

При этом прогнозирование еженедельного процента обращений к врачу по поводу гриппа с помощью одной точки данных (эвристика повторяемости) снижает ошибку прогнозирования примерно в два раза по сравнению с алгоритмом больших данных Google Flu Trends (GFT). Средняя абсолютная ошибка для эвристического подхода составляет 0,20, а для GFT — 0,38. Это справедливо для всех обновлений GFT и всего временного периода с 2007 по 2015 год.

В условиях нестабильности одна точка данных может дать лучший прогноз, чем большие данные.

Общий урок таков: чтобы не переборщить с подгонкой под прошлое, стремитесь к простоте. Простота означает сокращение числа параметров модели, которые необходимо оценивать по прошлым данным. В условиях неопределенности меньше информации часто оказывается полезнее. Конечно, это не означает, что лучше всего игнорировать всю прошлую информацию. Скорее, это означает, что использование только одного или нескольких критических признаков, является эффективной стратегией. В условиях неопределенности обычно существует ∩-образная функция между количеством используемых признаков и точностью прогнозирования.

Наше ПО для управления запасами: www.wa-scm.ru.

Книга в подарок

Опубликована наша книга «Прорыв. Единственный путь развития бизнеса». Это бизнес-роман о производственном предприятии, столкнувшимся с «потолком» в своем развитии. Для прорыва в развитии руководству и персоналу приходится преодолеть собственные, выстраданные на опыте, но устаревшие убеждения. Читателю предлагается пройти через этот прорыв вместе с героями. Вы увидите трудности такой трансформации, осознаете природу сопротивления изменениям и реальный путь к таким изменениям.
Подпишитесь на наш Telegram-канал и получите книгу в подарок!

Получить подарок