Бизнес-аналитика. Сводные таблицы. Часть 2 - страница 5

Рис. 4.22. Мультипликативная модель

Конечно, это очень упрощённая модель. Форма колебаний не похожа на синусоиду. А время сбора урожая различается для моркови и для орехов.

В наших упражнениях самое главное — почувствовать саму идею. А если будет желание, можно сделать более реалистичное описание.

Задание. Запишите формулу сезонных колебаний цен с конкретными числовыми параметрами.

Наша модель будет дополнительно учитывать «рациональное» поведение покупателей. Будем считать, что клиенты стремятся покупать большее количество, когда цены падают. И стараются экономить при повышении цен, то есть покупать меньшее количество товара.

В нашей модели количество покупаемого товара, то есть СПРОС, будет переживать сезонные колебания. Колебания будут в противоположной фазе в сравнении с колебаниями цен. То есть 1 октября будет максимум покупок. Соответственно, начало периода колебаний — это 1 октября минус три месяца:

t_>0 = 43374 — 3*30 = 43374 — 90 = 43284.

Это начало июля. К началу октября покупки растут. К январю цены выросли, а закупки упали. И так повторяется каждый год.

Задание. Запишите уравнение сезонных колебаний спроса с конкретными значениями коэффициентов.

Мы заложили в нашу модель взаимосвязь между уровнем цен и спросом, то есть количеством купленного товара. Это зависимость в среднем — на фоне случайного разброса, отклонений. Наличие такой зависимости называется КОРРЕЛЯЦИЯ (рис. 4.23). Слово «корреляция» происходит от латинского correlatio — «соотношение, взаимосвязь», где co- — «со-, взаимо-, вместе» и relatio — «отнесение, связь». Если в среднем значение увеличивается, это прямая корреляция, если уменьшается — то обратная.

Рис. 4.23. Прямая и обратная корреляция

Задание. Запишите в отчёте ответ на следующий вопрос. Какой вид корреляции между спросом и предложением заложен в нашей модели и насколько это соответствует действительности?

Ко всем значениям спроса и предложения мы добавим случайную составляющую. Это будет разброс вокруг цены и количества товара в каждой покупке. Случайный разброс составит плюс-минус указанное количество процентов. В нулевом варианте это плюс-минус 20%.

Случайную составляющую будем моделировать как числа с нормальным распределением. Значит, разброс в 2 процента составит три сигмы. Находим сигму:

сигма = 20% / 3 = 0,2 / 3 = 0,066667.

Задание. Определите величину сигмы для своего варианта.

У нас всё готово для моделирования исходных данных. Как и в предыдущей работе, мы создаём таблицу транзакций. Во всех вариантах у нас будет 10000 записей, то есть строк.

Процедура имитационного моделирования тоже была подробно описана в предыдущей работе. Напомним, что для каждого запуска генератора случайных чисел нужно устанавливать новое начальное значение. Оно вводится в окне с загадочным названием

Random Seed — Случайное рассеивание.

Создаём таблицу транзакций в привычном порядке.

Вначале генерируем случайные даты. Мы выбрали номера дней начала и конца интервала по времени. Вызываем генератор:

Data — Analysis — Data Analysis — Random Number Generation.

Задаём параметры генератора (рис. 5.1).

Рис. 5.1. Настройки генератора

Округляем случайные числа, копируем в буфер и вставляем как значения. Задаём формат ячеек в виде даты. Вся процедура тоже должна быть знакома по предыдущей работе.

Задание. Сгенерируйте столбец дат.

Следующий этап — товары. Начинаем с идентификатора товара. Целое число от 1 до 6. Не забываем установить новое состояние генератора случайных чисел.

Задание. Сгенерируйте столбец идентификаторов товаров.

Далее используем функцию

VLOOKUP

ВПР.

Подставляем категорию, название и цену из справочника товаров.

Задание. Подставьте данные из справочника товаров.

Мы подставили постоянные цены на товары. Добавим к ценам сезонные колебания (рис. 5.2). Это элемент мультипликативной модели. Мы умножаем постоянное значение цены на сезонную составляющую.

Рис. 5.2. Сезонные колебания цен

Задание. Сгенерируйте сезонность цен.

Затем генерируем количество товара с помощью мультипликативной модели: