Prediktivní modely pro odhad poptávky B2B odběratelů velkoobchodu

Název práce: Prediktivní modely pro odhad poptávky B2B odběratelů velkoobchodu
Autor(ka) práce: Nekola, Adam
Typ práce: Diplomová práce
Vedoucí práce: Helman, Karel
Oponenti práce: Malec, Lukáš
Jazyk práce: Česky
Abstrakt:
Diplomová práce se zabývá modelováním a predikováním měsíčních časových řad poptávek po produktech od B2B odběratelů českého velkoobchodu. Hlavním cílem této práce je nalézt vhodný prediktivní model pro odhad budoucí poptávky po produktech od B2B odběratelů. Pro predikování vybraných časových řad byly vybrány některé z modelů exponenciálního vyrovnávání, regresních modelů, ARIMA modelů a neuronových sítí. Jednotlivé vybrané prediktivní přístupy v této práci jsou mezi sebou porovnávány na základě přesnosti jejich predikcí, která je měřena metrikami AIC, RMSE a MASE. V druhé řadě slouží tato práce jako studie, jejímž předmětem je velkoobchodu představit, jaké jsou v dnešní době nástroje na tvorbu predikcí a které z nich by mohly být vhodné na vydefinovaný typ úlohy. Snahou této práce dále je, aby se velkoobchod po představení analýzy rozhodl, že chce představené postupy integrovat do svých stávajících plánovacích procesů. Postupy v práci jsou tvořeny tak, aby byly dostatečně obecné a aby je bylo možné porovnávat s jinými úlohami podobného typu.
Klíčová slova: Predikce; časové řady; explorační analýza; dekompozice; exponenciální vyrovnávání; regrese; ARIMA; neuronové sítě
Název práce: Forecasting models for estimating the demand of B2B wholesale customers
Autor(ka) práce: Nekola, Adam
Typ práce: Diploma thesis
Vedoucí práce: Helman, Karel
Oponenti práce: Malec, Lukáš
Jazyk práce: Česky
Abstrakt:
The master thesis focuses on modelling and forecasting monthly time series of demands for products from B2B customers of a Czech wholesale company. The main goal of this work is to find a suitable predictive model for estimating future demand for products from B2B customers. Representatives of exponential smoothing models, regression models, ARIMA models and neural networks were selected to predict the selected time series. The individual predictive approaches selected in this work are compared with each other based on the accuracy of their predictions, which is measured by AIC, RMSE and MASE metrics. Secondly, this work serves as a study to introduce to the wholesale company what statistical forecasting tools are used today, and which might be suitable for the defined type of task. Furthermore, the aim of this work is for the wholesale company to decide after the analysis is presented that it wants to integrate the presented procedures into its existing planning processes. Procedures presented in this work are designed to be sufficiently general and to be compared with other tasks of a similar type.
Klíčová slova: ARIMA; neural networks; regression; Forecasts; time series; exploratory analysis; decomposition; exponential smoothing

Informace o studiu

Studijní program / obor: Kvantitativní metody v ekonomice/Statistika
Typ studijního programu: Magisterský studijní program
Přidělovaná hodnost: Ing.
Instituce přidělující hodnost: Vysoká škola ekonomická v Praze
Fakulta: Fakulta informatiky a statistiky
Katedra: Katedra statistiky a pravděpodobnosti

Informace o odevzdání a obhajobě

Datum zadání práce: 13. 11. 2020
Datum podání práce: 15. 11. 2021
Datum obhajoby: 3. 2. 2022
Identifikátor v systému InSIS: https://insis.vse.cz/zp/75133/podrobnosti

Soubory ke stažení

    Poslední aktualizace: