Раздел 1. Прогнозирование бизнес-процессов ппп statistica

1.1. Исходные данные

На рис. 1 представлены исходные данные, состоящие из 11 переменных и 30 наблюдений.

А1 – стоимость упаковки 1 ед. товара (р);

А2 – наценка на партию товара (%);

А3 – расход на демонстрацию модели (р);

А4 – количество проданного товара;

А5 – количество товара;

А6 – среднее число потенциальных покупателей в день;

А7 – цена с учётом скидки (р);

А8 – непредвиденные расходы (р);

А9 – процент скидки;

А10 – премия продавцу за 1 ед. товара (р);

А11 – издержки на рекламу (р).

Предполагается следующая зависимость [3]:

А7 = k₁ x A1 + k₂ x A2 + k₃ x A3 + k₄ x A4 + k₅ x A5 + k₆ x A6 + k₈ x A8 +

+ k ₉ x A9+ + k ₁₀ x A10 + k₁₁ x A11. (1)

Рис.1. Исходные данные

Требуется определить:

1. Существует ли эта линейная связь, степень линейности.

2. Коэффициенты к₁, к₂, к₃, к₄, к₅, к₆, к₈, к₉, к₁₀, к₁₁.

3. Точность регрессии.

4. Прогнозируемое значение зависимой переменной A7.

5. График зависимости.

6. Значения остатков по Дарбину-Уотсону.

1.2. Коэффициент корреляции

На рис. 2 представлено полученное значение коэффициента корреляции.

Рис.2. Коэффициент корреляции

Коэффициент корреляции R=0,576, т.е. меньше 0,7; следовательно получена средняя линейная связь между зависимой и независимыми переменными.

1.3. Параметры регрессии

На рис. 3 представлены результат вычисления регрессии.

Рис.3. Параметры регрессии

Получено следующее уравнение регрессии:

А7 = 0,510999 А5 – 0,239119 A11 + 0,354893 A8 – 0,331002 A4. (2)

Наибольшее влияние на зависимую переменную А7 оказывает переменная A5, затем А8, далее А4 и наконец, A11. Коэффициенты k1., k2, k3, k6, k9, k10 очень малы, поэтому переменные А1, А2, А3, A6, А9, А10 пренебрежимо мало влияют на переменную А7.

k₅, k₁₁, k₈, k₄ значимы, но k₁₁, k₈ и k₄ определены с ошибкой больше 5%, так как p‑level для них больше 0,05

1.4. Прогнозируемое значение зависимой переменной

На рис. 4 представлено прогнозируемое значение зависимой переменной.

7. 

8. Рис.4. Прогноз

Если в полученное уравнение подставить прогнозируемые значения независимых переменных, то можно получить прогнозируемое значение зависимой переменной.

Полученное прогнозируемое значение переменной – 6270,69 р.

1.5. Проверка адекватности модели

Если остатки зависимы, то модель неадекватна (нарушение важного предположения о независимости ошибок в регрессионной модели)

Критические точки статистики Дарбина-Уотсона приведены в специальных таблицах, например, для числа наблюдений 30 для 10-ти независимых переменных. DL=1,09 DU=1,83.

Необходимо проверить истинность неравенств:

d > DL; (3)

(4 – d) > DL. (4)

На рис. 5 представлено полученное значение d.

Рис.5. Анализ модели по Дарбину‑Уотсону

d = 1.980485

1.98>1,09;

2,02>1,83.

То есть результат решения неравенств истины, следовательно полученная регрессионная модель адекватна.

1.6. График предсказываемых и наблюдаемых значений зависимой переменой

На рис. 6 представлен график предсказанных и наблюдаемых значений зависимой переменной. Непрерывные и штриховые линии – интервал расчетных значений. Окружности – наблюдаемые значения зависимой переменной.

Рис.6. зависимость переменной А7

1.7. Выводы

Мы получили среднюю линейную связь между зависимой и независимыми переменными.

Наибольшее влияние на зависимую переменную А7 оказывает переменная A5, затем А8, далее А4 и наконец, A11. Переменные А1, А2, А3, A6, А9, А10 пренебрежимо мало влияют на переменную А7. k5, k11, k8, k4 значимы, но k11, k8 и k4 определены с ошибкой больше 5%, так как p‑level для них больше 0,05

РАЗДЕЛ 2. МОДЕЛИРОВАНИЕ БИЗНЕС-ПРОЦЕССОВ В BPWIN

2.1. Блок-схема бизнес-процесса

Общая модель бизнес-процессов распродажи представлена на рис. 7.

Распродажа

Привлечение покупателей

Работа с клиентами

Аренда помещения

Реклама

Значительные скидки

По TV

В интернете

Дополнительные POS материалы

Подготовка рекламы

Рис.7. Блок-схема