Прогнозирование объема реализации продукции ООО "Славянка"

Мастер импорта предназначен для автоматизации получения данных из любого источника, предусмотренного в системе. На первом шаге мастера импорта открывается список всех предусмотренных в системе типов источников данных. Число шагов мастера импорта, а также набор настраиваемых параметров отличается для разных типов источников.

Мастер обработки предназначен для настройки всех параметров выбранного алгоритма.

Мастер отображений позволяет в пошаговом режиме выбрать и настроить наиболее удобный способ представления данных. В зависимости от обработчика, в результате которого была получена ветвь сценария, список доступных для него видов отображений будет различным.

Мастер экспорта позволяет в пошаговом режиме выполнить экспорт данных в файлы наиболее распространенных форматов [15].

Прогнозирование - одна из самых востребованных, но при этом и самых сложных задач анализа. Проблемы при ее решении обусловлены многими причинами: недостаточное качество и количество исходных данных, изменения среды, в которой протекает процесс, воздействие субъективных факторов [14, с.17].

В Deductor включено несколько механизмов построения прогностических моделей, в том числе с использованием самообучающихся алгоритмов. Кроме этого в системе имеются механизмы очистки данных, которые приносят особенно большую пользу при решении задачи прогнозирования. Имеющийся набор позволяет получать качественные прогнозы и обладает большими возможностями по адаптации, т.е. способен подстраиваться под изменяемую ситуацию. Реализованы механизмы, позволяющие автоматически строить прогнозы на основе временного ряда на несколько шагов вперед. Достаточно построить модель, прогнозирующую изменение на один шаг, и автоматически использовать ее на произвольное количество отсчетов вперед. Рассмотрим основные этапы прогнозирования.

Очистка данных - очень важный этап обработки. В реальных данных почти всегда присутствуют пропуски, аномалии и т.п., что значительно ухудшает качество выборки. Deductor Studio содержит набор инструментов для решения задач очистки данных:

· Редактирование аномалий;

· Заполнение пропусков;

· Очистка от шумов;

· Сглаживание;

· Редактирование дубликатов и противоречий.

Трансформация данных является последним шагом перед построением прогностической модели. На этом шаге данные приводятся к виду, пригодному для использования различных способов построения моделей.

В Deductor Studio реализованы следующие механизмы трансформации:

· Преобразование к скользящему окну;

· Квантование;

· Группировка;

· Сортировка;

· Приведение типов.

В случае прогнозирования необходимо решать задачу регрессии. В Deductor Studio имеются механизмы построения как линейных моделей (линейная регрессия), так и нелинейных (нейронные сети) [15].

Из общеизвестных преимуществ нейросетевого подхода следует выделить одно, самое привлекательное в нем - отсутствие необходимости в строгой математической спецификации модели, что особенно ценно при анализе плохо формализуемых процессов [4, с.401].

Работы по прогнозированию не оканчиваются при построении первой модели. Необходимо проводить регулярную верификацию результатов. Для этого нужно применять экспертные оценки, тестировать на данных, неизвестных при построении модели, строить модели альтернативными способами.

прогнозирование нейронный сеть сбыт

3. ПРОГНОЗИРОВАНИЕ ОБЪЕМА ПРОДАЖ ООО «СЛАВЯНКА»

3.1 Диагностика системы сбыта на предприятии

Кондитерская фабрика ООО «Славянка» была создана в 1934 году на базе разрозненных местных кондитерских трестов.

Сегодня компания входит в тройку лидеров отечественного кондитерского рынка и занимает первое место по темпам роста объёмов производства.

Технологические возможности кондитерской фабрики позволяют выпускать продукцию, качество которой соответствует уровню мировых стандартов. Фабрика специализируется на выпуске кондитерских изделий и производит более 250-ти наименований конфет, вафель, печенья. В последние годы ассортимент компании пополнился шоколадом, крекерами, леденцовой карамелью и пралиновыми конфетами. Всего на предприятии освоено 56 видов новой продукции, пользующейся спросом у покупателей. Фабрика оснащена новейшим оборудованием: высокотехнологичной крекерной линией, новыми линиями по производству карамели, шоколада с начинкой, линией по производству конфет «помада в помаде».

Продукция ООО «Славянка» поставляется в такие страны, как Россия, Казахстан, Молдова, Азербайджан, Кыргызстан, страны Балтии. Доля экспорта составляет около 30%. При этом в Россию направляется 2/3 экспортируемой продукции.

Рынки сбыта - города Белгород, Курск, Липецк, Тамбов, Орел, Воронеж, а также весь Центрально-Черноземный район, в котором предприятие занимает лидирующее положение в отрасли.

Сбытовая политика компании ориентирована на:

1) получение предпринимательской прибыли в текущем периоде, а также обеспечение гарантий ее получения в будущем;

2) максимальное удовлетворение платежеспособного спроса потребителей;

3) долговременную рыночную устойчивость предприятия, конкурентоспособность его продукции;

4) создание положительного имиджа организации на рынке и признание ее со стороны общественности.

В 2003 году ООО «Славянка» усовершенствовало структуру сбыта. Если ранее продажи осуществлялись через многочисленных партнеров, то сейчас компания реализует кондитерские изделия только через сеть эксклюзивных дистрибуторов. Это позволяет не только своевременно реагировать на стремительно растущие объемы потребления, но и оперативно информирует маркетинговый отдел об изменении потребительских пристрастий. Такая связь с потребителем позволяет компании производить продукцию, максимально соответствующую требованиям рынка.

Канал распределения - совокупность фирм или отдельных лиц, которые принимают на себя или помогают передать кому-то другому право собственности на конкретный товар или услугу на их пути от производителя к потребителю. ООО «Славянка» использует следующие виды каналов распределения: прямой путь сбыта, путь сбыта через торговлю и путь сбыта через посредника.

Канал нулевого уровня состоит из производителя, продающего товар непосредственно потребителям. В данном виде сотрудничества производитель контактирует непосредственно с потребителем, при желании может выявить его требования. Канал сбыта через торговлю предусматривает продажу изготовителем своей продукции в оптовой или розничной торговле. ООО «Славянка» поставляет свою продукцию в специализированный магазин «Визит» (канал распределения нулевого уровня), дистрибьюторам (канал распределения первого уровня), оптовым и розничным торговцам (двухуровневый канал распределения).

Предприятие опирается на избирательное распределение. Оно разрабатывает для каждого сегмента рынка отдельное предложение, то есть реализуемая маркетинговая стратегия направлена на дифференциацию.

Таким образом, можно сделать вывод о том, что наряду с выявленными достоинствами существующей системы сбыта на ООО «Славянка» имеются определенные недостатки в распределении продукции. Актуальность их устранения проявляется в связи с динамично растущими из года в год объемами реализации.

3.2 Прогнозирования объема продаж ООО «Славянка»

Объем продаж - один из ключевых показателей, характеризующих деятельность коммерческой фирмы. Поэтому задача прогнозирования объема продаж является весьма актуальной. Производителям необходимо знать примерное количество продукции, которое они смогут реализовать в ближайшее время, для того, чтобы, с одной стороны, иметь достаточное количество товаров на складе, а с другой - не перегрузить склады продукцией, что особенно важно, если продукция имеет небольшой срок хранения (например, кондитерские изделия).

Имеются следующие данные по динамике продаж крекерного цеха ООО «Славянка» (Приложение А, таблица 1).

Рис.1. Динамика выпуска продукции крекерного цеха в период с января 2005 по февраль 2007 г.

Из приведенных данных видно, что ряд продаж обладает ярко выраженной сезонностью: пики продаж приходятся на весенние и осенние периоды, а в январе и июне наблюдается резкое снижение объемов производства. Можно сделать вывод о том, что длина одного цикла составляет шесть месяцев. Причем, в 2007 году наблюдается резкое увеличение совокупного объема производства, что объясняется освоением новых видов продукции на предприятии и реализуемой в настоящее время стратегией роста.

Мы будем прогнозировать объем реализации продукции крекерного цеха на пять последующих периодов, используя два метода. Первый базируется на описании основной тенденции ряда продаж и основан на аналитическом выравнивании исходного ряда. Второй метод подразумевает использование нейронных сетей, включенных в пакет Deductor. Далее мы сравним результаты, полученные двумя методами, и оценим качество полученных моделей.

Алгоритм построения прогноза для продуктов с сезонным характером продаж основан на использовании аддитивных и мультипликативных моделей. Аддитивную модель можно представить как:

F=T+S+E, (1)

где F - прогнозируемое значение; T - тренд; E - ошибка прогноза.

Аддитивной модели присуща практически постоянная сезонная вариация, тогда как в мультипликативной она возрастает и убывает. Мы будем строить аддитивную модель по следующему алгоритму:

1. Определение тренда, наилучшим образом аппроксимирующим фактические данные (с использованием полиномиального тренда или комбинацией тригонометрических функций);

2. Вычитая из фактических значений объемов продаж значения тренда, определяют величины сезонной компоненты и корректируют их таким образом, чтобы их сумма была равна нулю;

3. Рассчитывают ошибки модели как разности между фактическими значениями и значениями модели. Находят среднеквадратическую ошибку:

, (2)

где ОІ - отклонения модели от фактических значений; T - трендовые значения объема продаж; S - сезонная компонента.

Для расчета параметров тренда целесообразно использовать комбинации тригонометрических функций, так как они довольно точно отображают сезонные колебания. В данном случае воспользуемся выравниванием по первой гармоники ряда Фурье (n=6), то есть колебания повторяются с интервалом в шесть месяцев. Коэффициенты функции рассчитываются с помощью опции «поиск решения» Microsoft Excel.

(3)

Для определения размеров сезонной компоненты находим разности фактических объемов продаж и значений тренда и далее корректируем сумму этих значений таким образом, чтобы она была равна нулю (через опцию «поиск решения» Microsoft Excel). Расчеты приведены в таблице 1 Приложения Б. На рис. 2 приведены расчетные, фактические и прогнозные значения объема реализации по данной модели.



Рис. 2. Фактические, расчетные и прогнозные значения объема сбыта, полученные по аддитивной модели

В соответствии с данной моделью, прогнозные значения объема реализации продукции на период с марта по август составят 1330806 кг, 1253482 кг, 1324888 кг, 1332016 кг и 792708 кг.

Воспользуемся программным пакетом Deductor для составления прогноза продаж на период с марта по июнь 2007 года, то есть на 5 шагов вперед. Для решения этой задачи нам понадобятся следующие обработчики:

1) автокорреляция;

2) удаление аномалий и сглаживание (парциальная предобработка);

3) скользящее окно;

4) нейросеть;

5) прогноз.

Визуализаторы, которые будем использовать:

1) таблица;

2) диаграмма;

3) диаграмма прогноза.

Последовательность действий для построения прогноза продаж включает в себя следующие шаги:

1. Выдвижение гипотезы - решение вопроса о том, какие факторы оказывают влияние на будущий объем продаж.

2. Сбор данных и приведение их к пригодному для дальнейшей обработки виду.

3. Выделение сезонности в истории продаж.

4. Удаление аномалий и шумов.

5. Выбор метода для построения модели прогноза продаж.

6. Оценка качества построенной модели.

В данном случае уже выдвинута гипотеза о том, что на объем продаж будущего периода в основном влияют продажи за прошлые месяцы. Для остальных этапов необходимо воспользоваться соответствующими обработчиками Deductor.

Обработчик «Автокорреляция». Целью автокорреляционного анализа является выяснение степени статистической зависимости между различными значениями (отсчетами) случайной последовательности, которую образует поле выборки данных. В процессе автокорреляционного анализа рассчитываются коэффициенты корреляции (мера взаимной зависимости) для двух значений выборки, отстоящих друг от друга на определенное количество отсчетов, называемые также лагом. Применительно к анализу временных рядов автокорреляция позволяет выделить месячную и годовую сезонность в данных (рис. 3). Видно, что пик зависимости на данных приходится на 6 месяц, что свидетельствует о полугодовой сезонности. Поэтому величину продаж полугодовой и годовой давности необходимо обязательно учитывать при построении модели (если используется нейронная сеть - то подавать на вход).

Рис. 3. Автокорреляция между данными временного ряда

Обработчик «Парциальная предобработка». Позволяет удалить аномалии и шумы в исходных данных. Шумы в данных (в данном случае временной ряд истории продаж) не только скрывают общую тенденцию, но и проявляют себя при построении модели прогноза. Из-за них модель может получиться плохого качества. Аналогичная ситуация с аномалиями, т.е. резкими отклонениями величины от ее ожидаемого значения. В обработчике «Парциальная обработка» предусмотрен выбор степени подавления аномалий и вычитания шумов: малая, средняя, большая. Кроме того, в обработчике предусмотрена возможность заполнения пропусков, а также сглаживание данных, в том числе вейвлет - преобразованием. Выбор того или иного алгоритма определяется спецификой конкретной задачи. В данном случае была выбрана малая степень подавления шума и применено вейвлет - преобразование с глубиной разложения 1 и порядком вейвлета 9. Глубина разложения определяет «масштаб» отсеиваемых деталей: чем больше эта величина, тем более «крупные» детали в исходных данных будут отброшены. Использование слишком больших значений глубины разложения может привести к потере полезной информации из-за слишком большой степени «огрубления» данных. Порядок вейвлета определяет гладкость восстановленного ряда данных: чем меньше значение параметра, тем ярче будут выражены «выбросы», и наоборот, - при больших значения параметра «выбросы» будут сглажены. На рис. 4 приведен временной ряд продаж после удаления аномалий и шумов, в Приложении В в таблице 1 - полученные расчетные значения.

Рис. 4. Сглаженный временной ряд продаж

Обработчик «Скользящее окно». Для проведения прогнозирования структуру входных данных необходимо преобразовать по специальной схеме. Для этого выбирается глубина погружения, т.е. количество временных интервалов, по которым мы будем прогнозировать следующий. Возьмем глубину погружения равной 6, т.е. прогнозирование объема продаж на следующий месяц будет осуществляться по результатам шести предыдущих месяцев (глубина погружения выбирается исходя из рассчитанного пика автокорреляционной зависимости). Далее данные по продажам преобразуются к следующему виду (см. таблицу 1).

Таблица 1

Схема представления данных обработчиком «Скользящее окно»

smoothB6	smoothB5	smoothB4	smoothB3	smoothB2	smoothB1	smoothB0	smoothF1
m-7	m-6	m-5	m-4	m-3	m-2	m-1	m
m-6	m-5	m-4	m-3	m-2	m-1	m	m+1
m-5	m-4	m-3	m-2	m-1	m	m+1	m-5
…	…	…	…	…	…	…	…

Мы получаем так называемое «скользящее окно», в котором представлены данные только за 8 месяцев. Первые 6 колонок - это данные за месяцы, на основе которых будем строить прогноз. Последняя колонка - показатель, который мы будем прогнозировать. Так как данных у нас больше, чем за 8 месяцев, мы можем сдвигать это окно по временной оси. Таким образом готовится обучающая выборка, и именно в таком виде представляются данные для последующего анализа (расчетные значения, полученные с помощью данного обработчика, представлены в таблице 1 Приложения Г). Диаграмма скользящего окна приведена на рис. 5.

Рис. 5. «Скользящее окно» ряда продаж

Обработчик «Нейросеть». Обработчик предназначен для решения задач регрессии и прогнозирования. Мы строим нейросеть для прогнозирования будущих значений временного ряда. При этом на вход подаются значения, полученные обработчиком «скользящее окно», за исключением (у+1), которое в данном случае будет интерпретироваться как выходное. Для проверки обобщающей способности нейросети рекомендуется разбить имеющееся множество данных на две части: обучающее и тестовое (устанавливаем долю тестового множества 10%). Выбираем активационную функцию (сигмоида); число нейронов во входном (7), скрытом (1) и выходном слоях (1); алгоритм обучения Resilient Propagation (коррекция весов производится после предъявления всех примеров обучающего множества, учитывается только знак градиентной составляющей). С помощью визуализатора «Диаграмма» оценивается способность построенной нейросетевой модели к обобщению. Для этого в одном окне выводятся графики исходного и спрогнозированного временных рядов. На рис. 6 изображены такие графики. Видно, что построенная модель обеспечивает приемлемую точность. В Приложении Д на рис. 1 представлен граф нейросети, в таблице 1 - фактические и выходные значения.

Рис. 6. Исходные и распознанные нейросетью данные динамического ряда

Обработчик «Прогнозирование» и визуализатор «Диаграмма прогноза». Прогнозирование позволяет получать предсказание значений временного ряда на число отсчетов, соответствующее заданному горизонту прогнозирования. Выберем горизонт прогнозирования, равный 5, и получим прогноз объема реализации продукции крекерного цеха ООО «Славянка» на 5 месяцев вперед (рис.7).

Рис.7. Диаграмма прогноза на пять месяцев вперед

Согласно прогнозу нейронной сети значения объемов продаж на март, апрель, май, июнь и июль 2007 года составят соответственно 1455051 кг, 1455413 кг, 1414036 кг, 1455166 кг и 1128585 кг.

Таким образом, типичный сценарий построения модели объема продаж в Deductor выглядит следующим образом (рис. 8):

Рис.8. Сценарий построения модели объема продаж

На следующем этапе необходимо провести верификацию полученных моделей с целью выбора той из них, которая обеспечила бы наилучшее качество прогноза.

3.3 Разработка управленческого решения по совершенствованию системы сбыта на предприятии

Нами были поcтроены две модели, на основании которых можно получить прогнозные значения будущих объемов продаж продукции крекерного цеха ООО «Славянка». Как видно из рисунка 8, расчетные значения на период с марта по июль 2007 года в определенной степени различны.

Рис. 8. Прогнозируемые значения объема сбыта на основе двух методов

Для того, чтобы определить, какая из моделей обеспечивает наилучшее качество прогноза, следует провести их верификацию. Воспользуемся следующими коэффициентами:

1) Средняя ошибка аппроксимации:

(4)

Данный показатель характеризует точность прогноза (если А<12%, то прогноз обладает высокой точностью).

2) Коэффициент детерминации:

 (5)

Показывает долю дисперсии, объясняемую регрессией, в общей дисперсии результативного признака. Чем качественнее прогноз, тем ближе данный коэффициент к 1.

3) Коэффициент несоответствия:

(6)

КН=0 в случае совершенного прогноза и КН=1, когда прогноз имеет ту же ошибку, что и наивная экстраполяция неизменности.

4) Коэффициент корреляции между прогнозируемыми и фактическими значениями :

(7)

Рассчитаем показатели качества прогноза для аддитивной модели (расчетные таблицы по каждому из методов приведены в Приложении Е):

1) Средняя ошибка аппроксимации:

А=235,2/26*100%=9%;

2) Коэффициент детерминации:

RІ= 1,60224E+12/ 1,63122E+12=0,977=97,7%;

3) Коэффициент несоответствия:

КН=((1,66934E+11)/(2,66483E+13))^0,5=0,079;

4) Коэффициент корреляции:

R=(1,53327E+12)/(1,60224E+12)*( 1,63122E+12)=0,948=94,8%.

Рассчитаем показатели качества прогноза для модели нейронной сети:

1) Средняя ошибка аппроксимации:

А=27,85/19*100%=1,46%;

2) Коэффициент детерминации:

RІ=8,05658E+11/ 6,83768E+11=0,998=99,8%;

3) Коэффициент несоответствия:

КН=(1173400467/209·10)^0,5=0,042;

4) Коэффициент корреляции:

R= 7,26881E+11/( 6,83768E+11* 8,05658E+11)^0,5= 0,987=98,7%.

Сравнительная характеристика коэффициентов качества приведена в таблице 2.

Таблица 2

Сравнительная оценка коэффициентов качества

Коэффициент качества	Тренд-сезонная модель	Модель нейронной сети
1. Сред. ошибка аппроксимации, А, %	9,046	1,465
2. Коэффициент несоответствия, КН	0,079	0,042
3. Коэффициент корреляции, R	0,948	0,987
4. Коэффициент детерминации, RІ	0,977	0,998

Из приведенных показателей видно, что обе модели достаточно адекватны, однако качество прогноза нейронной сети значительно выше (коэффициент детерминации практически равен единице, средняя ошибка аппроксимации очень мала, коэффициент корреляции между фактическими и прогнозными значениями выше). Поэтому для получения прогнозных значений объема реализации на последующие периоды следует воспользоваться методом нейронной сети.

Согласно нейросетевому прогнозу, объемы сбыта ООО «Славянка» будут увеличиваться значительнее по сравнению с предсказанием аддитивной модели. Такой вариант развития наиболее вероятен, так как предприятие в настоящее время стремиться завоевать все большую долю рынка, активно расширяет ассортимент, наращивает производственные мощности, планирует активную инвестиционную политику. Однако анализ системы сбыта на предприятии показал, что она недостаточно эффективна и требует качественных изменений в проектировании.

Во-первых, следует усовершенствовать каналы распределения продукции. Возможный путь решения данной проблемы - создание непосредственно в Белгороде логистического центра, куда будет непосредственно отгружаться вся производимая на предприятии продукция, включая дальнейшее распределение. Если оснастить центр современной системой управления складом, позволяющей автоматизировать учет движения товара, это обеспечит точное и бесперебойное передвижение продукции, а также увеличит скорость всех логистических потоков.

Во-вторых, ярко выраженная сезонность продаж требует определенного подхода к планированию ассортимента выпускаемой продукции. Так, резкий спад производства в июле обусловлен высокими летними температурами и соответственно часто возникающей потребности жажды у населения. Поэтому в летний период резко растут продажи напитков, в то время как продукция с большим содержанием сахара или соли не пользуется спросом. В частности, ООО «Славянка» сокращает в летние месяцы производство таких видов продукции, как крекер с солью, печенье сухое с сахаром, печенье в шоколадной глазури и др. Поэтому с целью сохранения высокого уровня реализации и избегания простоя производственного оборудования в летние месяцы предлагается ввести в ассортимент новые виды продукции, основой которых станут различные фруктовые начинки, цитрусовые и ментоловые наполнители. Возможный вариант - изменение способа глазировки печенья: вместо шоколадной глазури также следует использовать фруктовую.

ЗАКЛЮЧЕНИЕ

В первой главе нами были рассмотрены теоретические основы прогнозирования, прогнозирование с использованием нейронных сетей, основные принципы функционирования и области приложения нейросетевых технологий. Искусственные нейронные сети (НС) - это совокупность моделей биологических нейронных сетей, которые представляют собой сеть элементов - искусственных нейронов - связанных между собой синоптическими соединениями. Сеть обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов, то есть модель объекта, реализуемую нейросетью, можно назвать «черным ящиком». Существуют различные подходы к классификации нейронных сетей. Выделяют сети линейные и нелинейные, однослойные и многослойные, с прямой и обратной связью, наблюдаемые и ненаблюдаемые. Таким образом, топологии нейронных сетей весьма сложны и разнообразны. Это, наряду с мощным механизмом обучения, реализуемым в нейронных сетях, дает возможность широкого их применения в различных областях.

Во второй главе мы охарактеризовали методы прогнозирования, нейронные сети как метод решения задач прогнозирования, описали практические аспекты получения прогнозов временных рядов с использованием программы Deductor. В Deductor используются самые мощные технологии, такие как многомерный анализ, нейронные сети, деревья решений, самоорганизующиеся карты, спектральный анализ и множество других. Данный пакет позволяет получить информацию из произвольного источника данных, провести весь цикл обработки, отобразить полученные результаты наиболее удобным образом и экспортировать результаты на сторону.

В третьей главе мы провели диагностику системы сбыта на предприятии ООО «Славянка», используя при этом два различных подхода к прогнозированию объема продаж - аддитивную тренд-сезонную модель и модель нейронной сети. На основе верификации было установлено, что нейросетевой подход обеспечивает более высокую точность прогноза и объем реализации в краткосрочной перспективе будет значительно увеличиваться. Проведенный анализ системы сбыта на предприятии выявил определенные проблемы в данной области: чрезмерные расходы на транспортировку, связанные с удаленностью складских помещений, ярко выраженная сезонность продаж и, как следствие, простои оборудования в летний период. Это послужило базой для выработки соответствующих управленческих решений, в ходе которых предлагалось реализовать инновационный проект по строительству логистического центра непосредственно в городе Белгороде, а также расширить ассортимент путем разработки новых видов продукции.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1 Банковское дело: современная система кредитования: учебное пособие / О.И. Лаврушин, О.Н. Афанасьева, С.Л. Корниленко. - М.: КноРус, 2007. - 264с.

2 Вертакова, Ю.В., Кузьбожев Э.Н. Упреждающее управление на основе новых информационных технологий: Учеб. пособие/ Под ред. д-ра экон. наук Э.Н. Кузьбожева; Курск. гос. техн. ун-т. Курск, 2001. - 152 с.

3 Вертакова, Ю.В. Экономика отраслевого комплекса (прогнозирование будущего и регулирование настоящего). Монография/ Ю.В. Вертакова, Э.Н. Кузьбожев; Курск. гос. техн. ун-т. - Курск: КГТУ, 2001. - 210 с.

4 Галушкин, А.И. Теория нейронных сетей: Учебное пособие для вузов/ А.И. Галушкин. - М.: ИПРЖР, 2000. - 416 с.

5 Информационные технологии в бизнесе/ Под ред. М. Желена. - СПб: Питер, 2002. - 1120 с.

6 Конюховский, П.В., Колесов Д.Н. Экономическая информатика/ Под ред. П.В. Конюховского, Д.Н. Колесова. - СПб: Питер, 2001. - 560 с.

7 Краткий курс практического менеджмента: Учеб. пособие/ Под ред. д-ра экон. наук Э.Н. Кузьбожева. Курск. гос. техн. ин-т. Курск, 2001. - 224 с.

8 Орлов, А.С. Прогнозирование сезонных колебаний цен // Маркетинг в России и за рубежом. - 2006. - №3 - С. 13-24.

9 Ритасов, В.М. Когда затянем нейросети?// Деньги. - 2004. - №35. - С. 15-17.

10 Романов, В.П. Интеллектуальные информационные системы в экономике: Учебное пособие/ Под ред. д.э.н., проф. Н.П. Тихомирова. - М.: Изд-во «Экзамен», 2003. - 496 с.

11 Современные инструментальные системы, информационные технологии и инновации: материалы I Международной научно-технической конференции/ отв. ред. Е.И. Яцун (часть 1).

12 Стратегическое моделирование и прогнозирование: Учеб. пособие/Г.М. Гамбаров, Н.М. Журавель, Ю.Г. Королев и др.; Под ред. А.Г. Гранберга. - М.: Финансы и статистика, 1990. - 383 с.

13 Уразбахтин, И.Г. Алгоритм предобработки данных для целей прогнозирования на базе технологии нейронных сетей/ И.Г. Уразбахтин, Н.И. Рыков// Современные инструментальные системы, информационные технологии и инновации. - Курск: КурскГТУ, 2003. - С. 64-67.

14 Шабонин, П.В. Методы научного прогнозирования и их практическое применение// ТOP-MANAGER [журнал для руководителей]. - 2006. - №3. - С. 15-19.

15. http://www.basegroup.ru. Нейронные сети.

16. http://treide.ru. Прогнозирование с использованием нейронных сетей.

17.http://www.neuroproject.ru. Аналитические технологии для прогнозирования и анализа данных.

Размещено на Allbest.ru