Αξιολόγηση Επίδρασης της Ιεράρχησης Δεδομένων στην Απόδοση Πρόβλεψης Πωλήσεων

Abstract

Η ιεραρχική πρόβλεψη έχει αποτελέσει για σχεδόν έναν αιώνα, χρήσιμο εργαλείο για ευθυγραμμισμένη λήψη απόφασης. Εμπειρικά αποτελέσματα της τελευταίας δεκαετίας έχουν δείξει πως μέθοδοι ιεραρχικής πρόβλεψης μπορούν να βελτιώνουν την ακρίβεια πρόβλεψης, καθώς ενσωματώνουν πληροφορία από διαφορετικά επίπεδα της ιεραρχίας, που δεν αποτυπώνεται σε κάθε ξεχωριστή χρονοσειρά. Ωστόσο, όσο οι ιεραρχίες γίνονται συνθετότερες και οι χρονοσειρές στα επίπεδα συνάθροισης πολυπληθέστερες, αυξάνεται και το κόστος πρόβλεψης, χωρίς εγγυήσεις για την επίδραση του αυξημένου κόστους στην ακρίβεια πρόβλεψης. Στόχος της παρούσας εργασίας είναι η αξιολόγηση της επίδρασης που έχουν διαφορετικές ιεραρχήσεις των δεδομένων, στην απόδοση των προβλέψεων πωλήσεων που οργανώνονται σε επίπεδα συνάθροισης. Αναπτύσσεται μια μεθοδολογία για τη σύγκριση και αυτόματη διαλογή μιας ή περισσότερων ιεραρχιών, ως κατάλληλες παραμέτρους βελτιστοποίησης της ακρίβειας και του κόστους των προβλέψεων ενός ή περισσοτέρων επιπέδων. Η μεθοδολογία αξιολογείται πάνω στα δεδομένα που τέθηκαν υπό πρόβλεψη στο διαγωνισμό Μ5 και περιλαμβάνουν χρονοσειρές πωλήσεων με γεωγραφική και ανά προιόν οργάνωση. Από τη μελέτη περίπτωσης προκύπτει πως τα επίπεδα συνάθροισης μιας συλλογής χρονοσειρών έχουν μη κοινή προβλεπτική αξία. Η συμπερίληψη επιπέδων συνάθροισης που περιέχουν πολλές χρονοσειρές, δεν οδηγεί απαραίτητα σε ακριβέστερες προβλέψεις, ενώ αυξάνει σημαντικά το κόστος της πρόβλεψης, ιδιαίτερα όσο ψηλότερα τοποθετούνται στην ιεραρχία. Αντίθετα, ιεραρχίες που περιέχουν -αποκλειστικά- επίπεδα υψηλής συνάθροισης, έχουν χαμηλό κόστος πρόβλεψης, αλλά και χαμηλότερη μεσοσταθμική ακρίβεια στις προβλέψεις των άλλων επιπέδων. Επίπεδα συνάθροισης, τα οποία βρίσκονται στο μέσο της ή των ξεχωριστών ιεραρχιών που συνδέουν τα δεδομένα, προκύπτει πως διαθέτουν μεσοσταθμικά, την υψηλότερη προβλεπτική ικανότητα, ενώ το κόστος της μοντελοποίησης παραμένει χαμηλό. Τέλος, οι μέθοδοι που συνδυάζουν προβλέψεις διαφόρων επιπέδων συνάθροισης, παράγουν ακριβέστερες προβλέψεις σε σχέση με τις παραδοσιακές μεθόδους ιεραρχικής πρόβλεψης bottom up και top down.