Информационные системы в бухгалтерском учете

С ростом объемов, типов и видов данных возникла необходимость в совершенствовании средств обработки статистических данных, их агрегации и визуализации. Грамотный и глубокий анализ накопленной информации становится одним из ключевых факторов при принятии решения во всех сферах деятельности. Одной из таких отраслей является ритейл. Чтобы остаться конкурентным на рынке руководству торговых сетей необходимо анализировать динамику продаж, прогнозировать продажи и принимать решение о необходимости преобразований. Один из способов решения данной задачи – это построение модели временных рядов и построение прогноза на ее основе. Объектом исследования являются данные о продажах в торговой компании. Предмет исследования – прогнозирование временных рядов в ритейле с использованием современных информационных технологий.

---

Хотите узнать, где заказать реферат по медицине? Конечно же в Work5! Уже более 15 лет мы помогаем студентам с написанием работ!

---

. Актуальность исследования заключается в том, что в условиях конкурентного рынка важную роль играет прогнозирование различных показателей для формирования стратегии развития. Для компании важно проводить быстрый, гибкий и точный анализ. Руководителю это дает целостное видение состояния компании, основания для корректирующих воздействий, выявляет проблемы бизнеса, позволяет разработать систему KPI. Менеджер может проанализировать и оценить свою деятельность, планировать и прогнозировать, получать оперативную информацию, отслеживать эффективность проводимых мероприятий. Предвидение ситуации избавляет компанию от множества проблем и оставляет время для маневров. Анализ продаж служит инструментом развития компании. Ритейл динамично развивающаяся отрасль и данные исследования могут быть обобщены на другие предприятия. Несмотря на то, что для анализа временных рядов разработано не мало инструментов, реализация каждого из них для конкретной практической задачи уникальна, т.к. должна учитывать особенности рассматриваемой предметной области. Цель исследования – анализ информационных систем в бухгалтерском учете. Для достижения цели необходимо решить следующие задачи: 1. Изучить особенности прогнозирования продаж. 2. Изучить методы анализа временных рядов и выбрать оптимальные для решения задачи прогнозирования продаж. 3. Построить и оценить модель для решения поставленной задачи. Практическая значимость заключается в том, что предсказание объемов продаж является основой для предсказания будущих доходов организации, принятия решений в инвестиционной политике и контролировании запасов. Для реализации поставленных задач были использованы как теоретические методы (анализ, синтез, сравнение и обобщение), так и статистические математические методы. Работа состоит из двух глав, введения, заключения и списка литературы.

В результате проведенной работы были построены 2 модели для прогнозирования продаж: ARIMA и множественная регрессия.. Для имеющихся данных предпочтительней оказалась ARIMA модель. Это объясняется тем, что данные высоко коррелируют, имеют годовую сезонность, а ARIMA позволяет учитывать это явление. Средняя ошибка прогноза для этой модели составила менее 10 процентов. Для достижения данной цели были выполнены следующие задачи: 1. Проанализированы особенности прогнозирования продаж. 2. Изучены методы прогнозирования временных рядов 3. В соответствии с особенностями прогноза продаж выявлено, что для их прогноза эффективно использовать ARIMA модели и модели множественной регрессии. Для данных о продажах торговой сети реализованы эти модели и посчитана ошибка прогноза. Несмотря на то, что в исследовании регрессионная модель не показала хорошего результата, данная модель широко применяется в ритейле. Модель может быть эффективной при увеличении длины числового ряда и числа предикторов. В этом случае она может получить преимущество перед ARIMA моделью в скорости работы. ARIMA модель в свою очередь хороша тем, что позволяет сделать прогноз без привлечения дополнительных данных, основываясь только на значениях самого ряда. При наличии большего числа признаков эти модели могут быть успешно скомбинированы. Современные информационные технологии позволяют автоматизировать все вычисления и настраивать модели для решения задачи в конкретном разрезе.

1. Айвазян С.А. Методы эконометрики: учебник. – М.: Магистр: ИНФРА-М, 2010 2. Бокс Дж., Дженкинс Г.М. Анализ временных рядов, прогноз и управление. М.: Мир, 1974. – 406 с 3. Бушуева Л.И. Методы прогнозирования объема продаж. Маркетинг в России и за рубежом №10, 2004 4. Вербик Марно Путеводитель по современной эконометрике. – М.: Научная книга, 2008. 5. Заяц О.А. Обзор инструментальных средств прогнозирования экономических временных рядов, Х международная научно-методическая конференция «Новые образовательные технологии в ВУЗе», Екатеренбург, 2013 6. Магнус Я. Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс: Учебник 6-е изд. – М.: Дело, 2004. – 570с. 7. Носко В. П. Введение в регрессионный анализ временных рядов. - М.: НФПК, 2002. - 273 с. 8. Осминин К.П. Алгоритмы построения статистик для анализа и прогнозирования нестационарных временных рядов, Информационные технологии и вычислительные системы №1, 2009 9. Романова А.Н. Прогнозирование объема продаж, Справочник экономиста №11, 2009 10. Сравнение методов ARIMA и Винтерса в задаче прогнозирования продаж / http://www.neuroproject.ru/articles_arima_vs_winters.php (Дата обращения 31.03.2017) 11. Эконометрика: Учебник / Под ред. И.И. Елисеевой. - М.: Финансы и статистика, 2001 12. Bartolomei, D.W. and Sweet, A.L. A Note on a Comparison of Exponential Smoothing Methods for Forecasting Seasonal Series // International Journal of Forecasting. № 5, 1989. P. 111–116. 13. Hyndman R.J., Athanasopoulos G. Forecasting: principles and practice. — OTexts 14. Makridakis S., Hibon M.. The M3Competition: Results. Conclusions and Implications // International Journal of Forecasting. № 16., 2000 P. 451–476. 15. Patimaporn Udom , Naragain Phumchusri. A comparison study between time series model and ARIMA model for sales forecasting of distributor in plastic industry, IOSR Journal of Engineering (IOSRJEN) Issue 02, February. 2014, pp32-38 16. Pavlyshenko B.M. Linear, Machine Learning and Probabilistic Approaches for Time Series Analysis, The 1th IEEE International Conference on Data Stream Mining & Processing 17. Principles of Forecasting: a Handbook for Researchers and Practitioners / Ed. by Armstrong J.S. Kluwer Academic Publishers, BostonDordrechtLondon, 2003 18. Sean J. Taylor and Benjamin Letham. Forecasting at Scale. - https://facebookincubator.github.io/prophet_paper_20170113.pdf (Дата обращение 31.03.2017)