Prognozowanie wielkości przychodów ze sprzedaży z wykorzystaniem modeli ARIMA oraz SSN

• Autorzy: Chrabołowska J. , Halicka K.

Warianty tytułu

EN

ARIMA and SSN models application for forecasting sales gross income

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono metodę budowy modeli ARIMA i SSN oraz wykorzystanie tych modeli do prognozowania jednowymiarowych szeregów czasowych. Opisano i przedyskutowano kolejne etapy tworzenia modelu na przykładzie danych dotyczących przedsiębiorstwa handlowego typu cash & carry, wyznaczono prognozy przychodów ze sprzedaży na kolejne miesiące. Proponowane podejście ilościowe poszerza metodę prognozowania, stosowaną dotychczas w przedsiębiorstwie, wzbogacając jednocześnie informację o decyzji kierownictwa firmy. Narzędziem informatycznym wykorzystanym w procesie opracowania modelu i wyznaczania prognozy był moduł Szeregi czasowe i prognozowanie oraz Statistica Neural Network™ PL programu STATISTICA PL wersji 6.0

EN

The article presents ARIMA and SSN models' methodology of construction and their application for one-dimensional time series forecasting. Consecutive models construction phases have been described and discussed on the example of data concerning a cash & carry type trade enterprise. Sales gross income forecast for consecutive months has been calculated. The quantity approach suggested in the paper broadens methodology of forecasting that has been already implemented in the enterprise and also enriches the decision-making information of company's management.Software used for model creation and forecast calculation were Time Series and Forecasting and Statistica Neural Network™ modules of STATISTICA PL 6.0.

Słowa kluczowe

PL

prognozowanie; modele ARIMA; modele SSN; sieć neuronowa

EN

forecasting; ARIMA models; SSN models; neural network

• Wydawca: Oficyna Wydawnicza Politechniki Białostockiej
• Czasopismo: Zeszyty Naukowe Politechniki Białostockiej. Ekonomia i Zarządzanie
• Rocznik: 2003
• Tom: Z. 8
• Strony: 103--116
• Opis fizyczny: Bibliogr. 12 poz., tab., wykr.

Twórcy

autor

Chrabołowska J.

• Politechnika Białostocka, Wydział Zarządzania, ul. Ojca Tarasiuka, 16-001 Kleosin

autor

Halicka K.

• Politechnika Białostocka, Wydział Zarządzania, ul. Ojca Tarasiuka, 16-001 Kleosin

Bibliografia

• [1] Cieślak M., Prognozowanie gospodarcze, PWN, Warszawa, 2001.
• [2] Dittman P.: Metody prognozowania sprzedaży w przedsiębiorstwie, Wydawnictwo Akademii Ekonomicznej im. Oskara Langego we Wrocławiu, Wrocław, 2000.
• [3] Delurgio S.A, Forecasting Principles and Applications, Irwin/McGraw-Hill, Boston 1998.
• [4] Luszniewicz A., Słaby T., Statystyka z pakietem komputerowym STATISTICA™PL. Teoria i zastosowania, Wydawnictwo C.H. Beck, Warszawa, 2001.
• [5] Korbicz J., Obuchowicz A, Ucński D.: Sztuczne sieci neuronowe. Podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1994.
• [6] Makridakis S., Wheelwrigh S., Hyndman R., Forecasting. Methods and Applications, John Wiley & Sons, Inc., New York, 1998.
• [7] Nowak E. (red.), Prognozowanie gospodarcze. Metody, modele, zastosowanie, przykłady, Agencja Wydawnicza PLACET, Warszawa, 1998.
• [8] Rutkowski K. (red.), Logistyka dystrybucji, Difin, Warszawa, 2001.
• [9] Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa, 1993.
• [10] Witkowska D.: Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe. Wydawnictwo C.H.BECK, Warszawa, 2002.
• [11] Zieliński J.: Inteligentne systemy w zarządzaniu. Wydawnictwo Naukowe PWN, Warszawa, 2000.
• [12] Statistica Neural Network TM PL. Kurs użytkownika programu. StatSoft Polska, Kraków, 2001.