Емкостный метод анализа редких событий в сфере услуг

Представьте, что вы являетесь владельцем некоторого сервиса. Вам необходимо составить план работы своих мастеров на определенный будущий период, определить количество необходимых расходных материалов. Для этого вам требуется прогноз будущих необходимых вам услуг. Классические математические методы работы с временными рядами не подходят для решения этой задачи. Агрегирование данных об услугах по месяцам и составление временного ряда способны только запутать. Прогнозирование услуг необходимо выполнять средствами методов работы с редкими событиями. Редким событиям посвящено сравнительно мало работ. Методов исследования редких событий значительно меньше, чем методов для анализа частых событий (временных рядов). Наиболее популярным методом исследования редких событий на данный момент является теория случайных процессов, в которой используется поток событий Пуассона или Эрланга. Однако с помощью случайных потоков нельзя предсказать сам момент возникновения события. В работе описан подход к анализу редких событий, который базируется на разделении событий по идентификаторам источников, в которых они образованы; на регрессии параметров процесса, происходящего внутри источников, в результате которого образуются эти события; на поиске любым известным методом закономерностей изменения параметров; на экстраполяции параметров на будущее; и, наконец, – на запуске процесса для получения прогноза моментов возникновения следующих событий. Для процессов потребления и нарастания возмущения, которые являются наиболее распространенными процессами образования событий в экономике, предложен метод восстановления скорости потребления или накопления возмущения из истории редких событий. Услуги можно моделировать как процесс накопления возмущения до определенного уровня. Статья посвящена применению емкостного метода анализа редких событий на реальных данных в сфере услуг (стрижка в парикмахерской, маникюр в салоне красоты, услуги сотовой связи). Задача заключается в том, чтобы восстановить функцию, которая приводит к событиям приобретения услуг, после чего спрогнозировать следующие события.

1. Дзанагова И. Т., Хугаева Л. Т. (2015). Информационно-статистические методы построения экстремальных моделей редких событий // Фундаментальные исследования. Академия Естествознания (Пенза). № 11. Ч. 6. С. 1081–1084.

2. Кисляков А. Н. (2019). Метод виртуального увеличения выборки при прогнозировании редких продаж в условиях информационной асимметрии // Вестник Алтайской академии экономики и права. Т. 2. № 1. С. 47–54.

3. Кораблев Ю. А. (2017). Емкостный метод анализа редких продаж в Excel. Экономика и управление: проблемы, решения. Т. 3 (66). № 6. С. 224–230.

4. Кораблев Ю. А. (2019). Погрешность емкостного метода анализа редких событий, удаленность от конечного потребителя // Известия Кабардино-Балкарского научного центра (КБНЦ) РАН. № 3 (89). С. 48–77. DOI: 10.35330/1991-6639-2019-3-89-48-77.

5. Кораблев Ю. А. (2020). Метод восстановления функции по интегралам для анализа и прогнозирования редких событий в экономике // Экономика и математические методы. Т. 56. № 3. С. 114–125.

6. Лукинский В., Замалетдинова Д. (2015). Методы управления запасами: расчет показателей запаса для товарных групп, относящихся к редким событиям (часть I) // Логистика. № 1 (98). С. 28–33.

7. Лукинский В., Замалетдинова Д. (2015). Методы управления запасами: расчет показателей запаса для товарных групп, относящихся к редким событиям (часть II) // Логистика. № 2 (99). С. 24–27.

8. Талеб Н. (2010). Черный лебедь. Под знаком непредсказуемости: сборник. М.: Азбука-Аттикус.

9. Шеннон К. (1963). Работы по теории информации и кибернетике: пер. с англ. М.: Иностранная литература. 832 с. URL: http://www.sciepub.com/reference/5832

10. Claude E. (1949). Shannon and Warren Weaver: The Mathematical Theory of Communication. Urbana: The University of Illinois Press.

11. Cover T., Hart P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory. IEEE Transactions on Information Theory, vol. 13 (1), pp. 21–27.

12. Croston J. D. (1972). Forecasting and stock control for intermittent demands. Operational Research Quarterly (1970–1977), vol. 23 (3), pp. 289–303.

13. Quinn B. G., Fernandes J. M. (1991). A Fast Efficient Technique for the Estimation of Frequency. Biometrika, vol. 78, no. 3, September, pp. 489–497.

14. Quinn B. G., Hannan E. J. (2001). The Estimation and Tracking of Frequency. Cambridge: Cambridge University Press. 278 p.

15. Willemain T. R., Park D. S., Kim Y. B., Shin K. I. (2001). Simulation output analysis using the threshold bootstrap. European Journal of Operational Research, vol. 134 (1). pp. 17–28.