/НАЗАД
Прогнозирование основных показателей деятельности предприятия в нефтегазовой отрасли
В крупной нефтегазовой компании России была поставлена задача формирования методологии и автоматизации процесса прогнозирования выручки и реализации продуктов компании в натуральном выражении как на экспорт, так и на внутреннем рынке с точностью, позволяющей принимать обоснованные решения на основании интерпретируемых результатов работы моделей.
Бизнес-задача
Оценка и мониторинг изменения фактических значений ключевых показателей позволяют определить уровень достижения поставленных стратегических целей, но зачастую возникает потребность в оценке динамики их изменения в будущих периодах с целью формирования аналитической базы для принятия управленческих решений.
Компания Sapiens выступила партнером проекта с точки зрения формирования методики прогнозирования и автоматизации процесса, начиная со сбора данных и заканчивая визуализацией результатов.
Решение
Специфика прогнозируемых показателей такова, что изменение их значений находится под влиянием рыночных факторов, таких как динамика сырьевых и валютных фьючерсов, факторов, характеризующих погодные условия в регионах, макроэкономических показателей. При изменении динамики влияющих факторов происходит колебание значений прогнозируемых показателей, что особенно характерно при долгосрочном прогнозировании.
При формировании прогнозов внешние рыночные факторы оказывают влияние с различной степенью, которая в свою очередь не является постоянной во времени величиной, так же как и значения прогнозируемых показателей.
Для выявления и включения в модель наиболее значимых факторов на текущем временном периоде проводится многофакторный анализ с выделением главных компонент и с расчетом коэффициентов влияния. Реализованы алгоритмы автоматического анализа и выделения соответствующих компонент цикличности, сезонности и тенденций поведения временных рядов прошлых периодов для их статистически-обоснованного применения на горизонте прогнозирования. Сам по себе горизонт прогнозирования является гибким параметром моделей, настраиваемым пользователем под нужды бизнес-потребностей.
Для выявления и включения в модель наиболее значимых факторов на текущем временном периоде проводится многофакторный анализ с выделением главных компонент и с расчетом коэффициентов влияния. Реализованы алгоритмы автоматического анализа и выделения соответствующих компонент цикличности, сезонности и тенденций поведения временных рядов прошлых периодов для их статистически-обоснованного применения на горизонте прогнозирования. Сам по себе горизонт прогнозирования является гибким параметром моделей, настраиваемым пользователем под нужды бизнес-потребностей.
При разработке методологии и проектировании решения было учтено, что фактические значения по показателям поступают ежедневно, выявленные основные параметры моделей прогнозирования подбираются при каждом запуске за счет обучения моделей на новых данных, таким образом, модели довольно быстро реагируют на резкие изменения в динамике прогнозируемых показателей.
С целью исключить повышение ошибки прогнозирования, т.е. переобучения моделей на исторических данных, применяется метод формирования ансамблей моделей, который по своей сути схож с «голосованием» – рассчитывается средневзвешенная оценка с учетом исторических данных и истории прогнозов каждой из моделей, за счет чего достигается требуемая точность. Для учета экспертного мнения, в роли которых могут выступать ответственные лица профильных департаментов, реализованы алгоритмы формирования консенсус-прогнозов.
Разработка и реализация решения, схема которого представлена на рисунке ниже, происходила в несколько этапов со следующими выполненными работами:
Разработка и реализация решения, схема которого представлена на рисунке ниже, происходила в несколько этапов со следующими выполненными работами:
- Собраны данные и проведен анализ влияния внешних рыночных факторов на прогнозируемые показатели;
- Разработаны методики прогнозирования;
- Реализована функциональность передачи исходных данных и параметров для прогнозирования из SAP BW в АП Deductor (SOAP) и передачи прогнозных значений показателей из АП Deductor в SAP BW с учетом концепции многоуровневой масштабируемой архитектуры (LSA);
- Согласно методикам реализованы математические модели с элементами машинного обучения на базе аналитической платформы Deductor Ent.. Модели имеют гибкую настройку как ручную, так и автоматизированную с подбором параметров по определенным критериям; АП Deductor Ent является достаточно функциональным инструментом, подходящим под программу импортозамещения программного обеспечения.
- Разработана транзакция рабочее место администратора прогнозной модели в SAP BW, где осуществляется гибкое управление моделями и имеется возможность запуска работы и подбора параметров «по нажатию одной кнопки»
- Визуализированы отчеты по точности прогнозирования и отчеты по показателям в натуральном выражении на информационных панелях (с использованием SAP BEx Analyzer);
- Доработаны информационные панели для визуализации прогнозных значений по прогнозируемых показателей (с использованием технологий HTML 5 и JavaScript);
Результаты
- Оперативное формирование прогнозов с требуемой точностью для бизнеса, учитывая изменение динамики показателей на ежедневно нарастающем объеме исторических данных, что позволяет ускорить принятие управляющего воздействия на работу предприятия;
- Интерпретируемость результатов за счет прозрачности процесса на всех этапах формирования прогнозов – получение знаний о влияющих факторах и возможности обоснования полученных результатов;
- Аналитики и методологи эксплуатирующей организации получи возможность сфокусировать свой интерес на развитии методологической базы за счет сокращения времени на рутинную подготовку данных и пересчета моделей подручными средствами, исключая риски, возникающие из-за человеческого фактора;
- Простота и удобство использования - при необходимости запуска процесса прогнозирования в ручном режиме запуск выполнен по типу «весь расчет по нажатию одной кнопки» на экране рабочего места администратора прогнозной модели, с предоставлением отчетности по каждому этапу работы моделей.
/НАЗАД
Прогнозирование основных показателей деятельности предприятия в нефтегазовой отрасли
В крупной нефтегазовой компании России была поставлена задача формирования методологии и автоматизации процесса прогнозирования выручки и реализации продуктов компании в натуральном выражении как на экспорт, так и на внутреннем рынке с точностью, позволяющей принимать обоснованные решения на основании интерпретируемых результатов работы моделей.
Бизнес-задача
Оценка и мониторинг изменения фактических значений ключевых показателей позволяют определить уровень достижения поставленных стратегических целей, но зачастую возникает потребность в оценке динамики их изменения в будущих периодах с целью формирования аналитической базы для принятия управленческих решений.
Компания Sapiens выступила партнером проекта с точки зрения формирования методики прогнозирования и автоматизации процесса, начиная со сбора данных и заканчивая визуализацией результатов.
Решение
Специфика прогнозируемых показателей такова, что изменение их значений находится под влиянием рыночных факторов, таких как динамика сырьевых и валютных фьючерсов, факторов, характеризующих погодные условия в регионах, макроэкономических показателей. При изменении динамики влияющих факторов происходит колебание значений прогнозируемых показателей, что особенно характерно при долгосрочном прогнозировании.
При формировании прогнозов внешние рыночные факторы оказывают влияние с различной степенью, которая в свою очередь не является постоянной во времени величиной, так же как и значения прогнозируемых показателей.
Для выявления и включения в модель наиболее значимых факторов на текущем временном периоде проводится многофакторный анализ с выделением главных компонент и с расчетом коэффициентов влияния. Реализованы алгоритмы автоматического анализа и выделения соответствующих компонент цикличности, сезонности и тенденций поведения временных рядов прошлых периодов для их статистически-обоснованного применения на горизонте прогнозирования. Сам по себе горизонт прогнозирования является гибким параметром моделей, настраиваемым пользователем под нужды бизнес-потребностей.
Для выявления и включения в модель наиболее значимых факторов на текущем временном периоде проводится многофакторный анализ с выделением главных компонент и с расчетом коэффициентов влияния. Реализованы алгоритмы автоматического анализа и выделения соответствующих компонент цикличности, сезонности и тенденций поведения временных рядов прошлых периодов для их статистически-обоснованного применения на горизонте прогнозирования. Сам по себе горизонт прогнозирования является гибким параметром моделей, настраиваемым пользователем под нужды бизнес-потребностей.
При разработке методологии и проектировании решения было учтено, что фактические значения по показателям поступают ежедневно, выявленные основные параметры моделей прогнозирования подбираются при каждом запуске за счет обучения моделей на новых данных, таким образом, модели довольно быстро реагируют на резкие изменения в динамике прогнозируемых показателей.
С целью исключить повышение ошибки прогнозирования, т.е. переобучения моделей на исторических данных, применяется метод формирования ансамблей моделей, который по своей сути схож с «голосованием» – рассчитывается средневзвешенная оценка с учетом исторических данных и истории прогнозов каждой из моделей, за счет чего достигается требуемая точность. Для учета экспертного мнения, в роли которых могут выступать ответственные лица профильных департаментов, реализованы алгоритмы формирования консенсус-прогнозов.
Разработка и реализация решения, схема которого представлена на рисунке ниже, происходила в несколько этапов со следующими выполненными работами:
Разработка и реализация решения, схема которого представлена на рисунке ниже, происходила в несколько этапов со следующими выполненными работами:
- Собраны данные и проведен анализ влияния внешних рыночных факторов на прогнозируемые показатели;
- Разработаны методики прогнозирования;
- Реализована функциональность передачи исходных данных и параметров для прогнозирования из SAP BW в АП Deductor (SOAP) и передачи прогнозных значений показателей из АП Deductor в SAP BW с учетом концепции многоуровневой масштабируемой архитектуры (LSA);
- Согласно методикам реализованы математические модели с элементами машинного обучения на базе аналитической платформы Deductor Ent.. Модели имеют гибкую настройку как ручную, так и автоматизированную с подбором параметров по определенным критериям; АП Deductor Ent является достаточно функциональным инструментом, подходящим под программу импортозамещения программного обеспечения.
- Разработана транзакция рабочее место администратора прогнозной модели в SAP BW, где осуществляется гибкое управление моделями и имеется возможность запуска работы и подбора параметров «по нажатию одной кнопки»
- Визуализированы отчеты по точности прогнозирования и отчеты по показателям в натуральном выражении на информационных панелях (с использованием SAP BEx Analyzer);
- Доработаны информационные панели для визуализации прогнозных значений по прогнозируемых показателей (с использованием технологий HTML 5 и JavaScript);
Результаты
- Оперативное формирование прогнозов с требуемой точностью для бизнеса, учитывая изменение динамики показателей на ежедневно нарастающем объеме исторических данных, что позволяет ускорить принятие управляющего воздействия на работу предприятия;
- Интерпретируемость результатов за счет прозрачности процесса на всех этапах формирования прогнозов – получение знаний о влияющих факторах и возможности обоснования полученных результатов;
- Аналитики и методологи эксплуатирующей организации получи возможность сфокусировать свой интерес на развитии методологической базы за счет сокращения времени на рутинную подготовку данных и пересчета моделей подручными средствами, исключая риски, возникающие из-за человеческого фактора;
- Простота и удобство использования - при необходимости запуска процесса прогнозирования в ручном режиме запуск выполнен по типу «весь расчет по нажатию одной кнопки» на экране рабочего места администратора прогнозной модели, с предоставлением отчетности по каждому этапу работы моделей.