Разработка многокритериальных систем поддержки принятия решений в бизнесе

данные, полученные от экспертов, могут быть использованы для дальнейшего исследования.

Используя метод ранжировки критериев на основе мнений экспертов были получены:

коэффициенты для аддитивной функции полезности (таблица 12) и шкала предпочтений кредитных продуктов (график 1).

После построения математической модели (4)-(10) поставленной задачи оптимизации объема выручки каждого кредитного продукта, был описан алгоритм решения симплекс-методом, и выполнена его реализация с помощью функции linprog библиотеки scipy.optimize, а также реализация графического интерфейса с помощью пакета pyqt4.

В результате работы программы при исходных ограничениях был получен ответ: решения не существует. Таким образом, получаем вывод:

необходима корректировка стратегии банка.

Как один из возможных вариантов решения:

Снизить ожидания по выручке из канала digital;

Увеличить аппетит к риску до значения предыдущего месяца банка.

И в результате работы программы получаем рекомендуемый объём выручки по продуктам (рисунок 13).

Вывод: исходная стратегия развития банка не возможна в текущих условиях бизнеса, поэтому предлагается корректировка показателей, тогда СППР в результате работы выдаст рекомендуемый объем выдач кредитных продуктов.



Заключение

Основная цель данной дипломной работы - рассмотрение и реализация всех этапов разработки системы поддержки принятия решения для конкретного бизнеса, в данном случае розничного банковского бизнеса.

В ходе выполнения работы были проанализированы существующие модели СППР, их области применения, а также интеграция методов машинного обучения в разработку СППР. Для реализации СППР под конкретный бизнес были выполнены следующие этапы разработки:

Рассмотрение основных кредитных продуктов, выявление значимых свойств и параметров, влияющих на бизнес;

Моделирование бизнес-процессов реализации продуктов в зависимости от канала продаж;

Построение balanced score card, постановка целей и метрик, определяющих достижение желаемого результата;

Прогнозирование спроса на ретро-данных с помощью анализа временных рядов потока заявок по каждому продукту;

Построение математической модели задачи оптимизации;

Решение задачи и программная реализация на языке Python;

Интерпретация результата и корректировка стратегии банка;

Реализация графического интерфейса.

В результате работы была получена модель, настроенная под текущие цели банка и получена рекомендация по объему выдач каждого кредитного продукта на следующий месяц. Полученный результат можно интерпретировать как напрямую, т. е. как рекомендацию банку к стремлению достижения полученных конкретных значений в рублях, так и в относительном смысле, т. е. расчет доли каждого продукта в кредитном портфеле за месяц. Кроме того, в результате работы программы были предложены рекомендации по изменению стратегии развития бизнеса.

В качестве возможных векторов дальнейшей разработки могут быть улучшены следующие пункты в работе описанной СППР:

Обобщение целей банка, т. е. добавление в математическую модель всех метрик, на которые ориентируется бизнес;

Применение машинного обучения для получения весовых коэффициентов функции полезности;

Применить более точные алгоритмы для прогнозирования спроса (к примеру, ARIMA);

Реализовать user-friendly интерфейс.



Список литературы

[1] Словарь банковских терминов и экономических понятий. URL: https://www.banki.ru/wikibank/ (дата обращения 18.02.19)

[2] A. Tanaamah, J. Prestiliano and E. Djami «Decision support system to select candidates for loan using TOPSIS» (SINIBIS, 2016), p.65-69

[3] Кулешова В. «Система «Кредитный конвейер» как средство автоматизации кредитования в банковской сфере» («Наука, техника и образование», 2015), с. 23-25

[4] Филипповой Анны «Многокритериальная оптимизация численности сотрудников розничного блока в коммерческом банке» (2016), с.47-50

[5] Учебное пособие А.В. Лотов, И.И. Поспелова «Многокритериальные задачи принятия решения», 2008), с.123-147

[6] Е.В. Пучков «Разработка системы поддержки принятия решений для управления кредитными рисками банка», с.54-60

[7] G. Rigopoulos, J. Psarras, D. Th. Askounis «A Decision Support System for Supervised Assignment in Banking Decisions», p.76-81

[8] D. Balkovskaya and Liubov Filneva «The use of the balanced scorecard in bank strategic management» (Int. J. Business Excellence, 2016) , p.48-67

URL:https://publications.hse.ru/mirror/pubs/share/folder/o257sycjns/direct/173400291

[9] Подиновский В.В. Ногин В.Д. Парето-оптимальные решения многокритериальных задач. М.: Наука. Гл. ред. физ.-мат. лит. 1982.

[10] Учебное пособие М.А. Харченко «Корреляционный анализ» Издательско-полиграфический центр Воронежского государственного университета 2008, с.11

[11] Воскобойников Ю. Е. Эконометрика в Excel : учеб. пособие. Ч. 2. Анализ временных рядов / Ю. Е. Воскобойников ; Новосиб. гос. архитектур.-строит. ун-т. - Новосибирск : НГАСУ (Сибстрин), 2008. - 152 с.

[12] Учебное пособие О.В.Болотникова, Д.В.Тарасов, Р.В.Тарасов «Линейное программирование: симплекс-метод и двойственность» (Пенза, 2015)



Программные средства

Jupyter notebook;

Qt Designer;

Aris Express;

Microsoft Excel.



Приложение

Обозначение блок-схем в ARIS Express

- блок для обозначения события, отражающего исход выполнения одной функции и/или необходимость инициации другой функции;

- блок для обозначения действия, выполняемого для реализации некоторой операции при появлении заданного набора событий и направленное на получение определённого результата;

- блок, определяющий отдел/департамент;

- должность в составе подразделения;

- локация, месторасположение;

- хранилище данных, база данных;

- IT-система;

- оператор исключающего ИЛИ

Программа. Разработка системы поддержки принятия решения в Python

In [4]:

from scipy import optimize

import numpy as np

import pandas as pd

In [5]:

df = pd.read_csv('stand.csv',

sep=';', encoding='utf-8')

df=df.drop(['Characters'], axis=1)

In [6]:

df=df[0:13]

df

Out[6]:

	CRC classic	CRC premium	APL NtB	APL Bf	APL P	REF NtB	REF Bf	REF P	AUT	MRG
0	0.270	0.190	0.180	0.150	0.130	0.160	0.110	0.100	0.160	0.100
1	80000.000	500000.000	240000.000	420000.000	380000.000	270000.000	630000.000	570000.000	680000.000	4800000.000
2	0.021	0.003	0.042	0.026	0.008	0.040	0.018	0.002	0.021	0.900
3	0.049	0.017	0.100	0.042	0.015	0.066	0.022	0.003	0.036	0.024
4	24.000	24.000	18.000	24.000	18.000	24.000	30.000	30.000	48.000	120.000
5	1.000	0.000	1.000	1.000	1.000	1.000	1.000	1.000	1.000	1.000
6	0.000	1.000	0.000	1.000	1.000	0.000	1.000	1.000	1.000	1.000
7	1.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
8	0.000	0.000	1.000	1.000	1.000	0.000	0.000	0.000	0.000	0.000
9	0.900	0.250	0.900	0.300	0.300	0.950	0.900	0.900	0.400	0.400
10	0.950	0.990	0.880	0.920	0.900	0.900	0.880	0.940	0.920	0.970
11	0.200	0.000	1.000	0.000	0.000	1.000	0.000	0.000	0.300	0.400
12	1.000	3.000	4.000	3.000	1.000	5.000	4.000	2.000	5.000	6.000

Загрузка исходных данных по продуктам¶

In [13]:

rate=[]

for i in df.iloc[0]:

rate.append(round(i,3))

avg_sum=[]

for i in df.iloc[1]:

avg_sum.append(round(i))

fpd=[]

for i in df.iloc[2]:

fpd.append(round(i,3))

d30_6=[]

for i in df.iloc[3]:

d30_6.append(round(i,3))

avg_dur=[]

for i in df.iloc[4]:

avg_dur.append(round(i,3))

st_channel=[]

for i in df.iloc[5]:

st_channel.append(round(i))

preapp_channel=[]

for i in df.iloc[6]:

preapp_channel.append(round(i))

rev_channel=[]

for i in df.iloc[7]:

rev_channel.append(round(i))

dig_channel=[]

for i in df.iloc[8]:

dig_channel.append(round(i))

TR=[]

for i in df.iloc[9]:

TR.append(round(i,3))

efficiency=[]

for i in df.iloc[10]:

efficiency.append(round(i,3))

ratio_ntb=[]

for i in df.iloc[11]:

ratio_ntb.append(round(i,3))

documents=[]

for i in df.iloc[12]:

documents.append(round(i))

In [5]:

'''profit=[]

for i in range(len(avg_sum)):

profit.append(avg_sum[i]*rate[i]/12*(avg_dur[i]+1)/2)'''

Out[5]:

'profit=[]\nfor i in range(len(avg_sum)):\n profit.append(avg_sum[i]*rate[i]/12*(avg_dur[i]+1)/2)'

Стандартизация данных¶

In [8]:

from sklearn import preprocessing

from sklearn.preprocessing import StandardScaler

In [9]:

import warnings

warnings.filterwarnings("ignore")

In [14]:

scale_features_std = StandardScaler()

n_avg_sum=scale_features_std.fit_transform(avg_sum)

n_avg_dur=scale_features_std.fit_transform(avg_dur)

n_documents=scale_features_std.fit_transform(documents)

Ранжирование¶

In [18]:

matrix=np.zeros((13,10))

for j in range (10):

matrix[0][j]=rate[j]

for j in range (10):

matrix[1][j]=n_avg_sum[j]

for j in range (10):

matrix[2][j]=fpd[j]

for j in range (10):

matrix[3][j]=d30_6[j]

for j in range (10):

matrix[4][j]=n_avg_dur[j]

for j in range (10):

matrix[5][j]=st_channel[j]

for j in range (10):

matrix[6][j]=preapp_channel[j]

for j in range (10):

matrix[7][j]=rev_channel[j]

for j in range (10):

matrix[8][j]=dig_channel[j]

for j in range (10):

matrix[9][j]=TR[j]

for j in range (10):

matrix[10][j]=efficiency[j]

for j in range (10):

matrix[11][j]=ratio_ntb[j]

for j in range (10):

matrix[12][j]=n_documents[j]

In [19]:

matrix

Out[19]:

array([[ 2.70000000e-01, 1.90000000e-01, 1.80000000e-01,

1.50000000e-01, 1.30000000e-01, 1.60000000e-01,

1.10000000e-01, 1.00000000e-01, 1.60000000e-01,

1.00000000e-01],

[ -5.85895382e-01, -2.69195175e-01, -4.65247684e-01,

-3.29519024e-01, -3.59680949e-01, -4.42626241e-01,

-1.71168921e-01, -2.16411808e-01, -1.33466516e-01,

2.97321170e+00],

[ 2.10000000e-02, 3.00000000e-03, 4.20000000e-02,

2.60000000e-02, 8.00000000e-03, 4.00000000e-02,

1.80000000e-02, 2.00000000e-03, 2.10000000e-02,

9.00000000e-01],

[ 4.90000000e-02, 1.70000000e-02, 1.00000000e-01,

4.20000000e-02, 1.50000000e-02, 6.60000000e-02,

2.20000000e-02, 3.00000000e-03, 3.60000000e-02,

2.40000000e-02],

[ -4.11693485e-01, -4.11693485e-01, -6.17540227e-01,

-4.11693485e-01, -6.17540227e-01, -4.11693485e-01,

-2.05846742e-01, -2.05846742e-01, 4.11693485e-01,

2.88185439e+00],

[ 1.00000000e+00, 0.00000000e+00, 1.00000000e+00,

1.00000000e+00, 1.00000000e+00, 1.00000000e+00,

1.00000000e+00, 1.00000000e+00, 1.00000000e+00,

1.00000000e+00],

[ 0.00000000e+00, 1.00000000e+00, 0.00000000e+00,

1.00000000e+00, 1.00000000e+00, 0.00000000e+00,

1.00000000e+00, 1.00000000e+00, 1.00000000e+00,

1.00000000e+00],

[ 1.00000000e+00, 0.00000000e+00, 0.00000000e+00,

0.00000000e+00, 0.00000000e+00, 0.00000000e+00,

0.00000000e+00, 0.00000000e+00, 0.00000000e+00,

0.00000000e+00],

[ 0.00000000e+00, 0.00000000e+00, 1.00000000e+00,

1.00000000e+00, 1.00000000e+00, 0.00000000e+00,

0.00000000e+00, 0.00000000e+00, 0.00000000e+00,

0.00000000e+00],

[ 9.00000000e-01, 2.50000000e-01, 9.00000000e-01,

3.00000000e-01, 3.00000000e-01, 9.50000000e-01,

9.00000000e-01, 9.00000000e-01, 4.00000000e-01,

4.00000000e-01],

[ 9.50000000e-01, 9.90000000e-01, 8.80000000e-01,

9.20000000e-01, 9.00000000e-01, 9.00000000e-01,

8.80000000e-01, 9.40000000e-01, 9.20000000e-01,

9.70000000e-01],

[ 2.00000000e-01, 0.00000000e+00, 1.00000000e+00,

0.00000000e+00, 0.00000000e+00, 1.00000000e+00,

0.00000000e+00, 0.00000000e+00, 3.00000000e-01,

4.00000000e-01],

[ -1.47709789e+00, -2.46182982e-01, 3.69274473e-01,

-2.46182982e-01, -1.47709789e+00, 9.84731928e-01,

3.69274473e-01, -8.61640437e-01, 9.84731928e-01,

1.60018938e+00]])

In [11]:

#np.savetxt('norm.csv',matrix,delimiter=',')

Коэффициенты функции полезности¶

In [20]:

koef=[0.0807,0.1242,-0.1056,-0.0869,0.0559,0.0683,0.0124,0.0434,0.1056,0.0435 , 0.0994,0.1118 ,-0.0621]

In [59]:

utility=[0,0,0,0,0,0,0,0,0,0]

for i in range(10):

for j in range(13):

utility[i]+=koef[j]*matrix[j][i]

#print('utility',utility[i])

#print('k',koef[j])

#print('m',matrix[j][i])

utility[i]=utility[i]*(-1)#max

utility

Out[59]:

[-0.27889920685818748,

-0.094060156592182725,

-0.29848659416122919,

-0.24785563456700921,

-0.30968760655253125,

-0.17469790237164323,

-0.15668844233406365,

-0.23600679171334915,

-0.17593927185088482,

-0.58117919299891918]

Построение диаграммы полезности продуктов¶

In [22]:

import matplotlib as mpl

import matplotlib.pyplot as plt

import math

%matplotlib inline

In [57]:

data_names=['CRC_c','CRC_p','APL_ntb','APL_bf','APL_p','REF_ntb','REF_bf','REF_p','AUT','MRG']

data_values=utility

y_pos=[]

for i in range(10):

y_pos.append(i*5)

plt.bar(y_pos,data_values,width=1.5,align='center',alpha=0.5)

plt.xticks(y_pos,data_names)

plt.ylabel('Utility')

plt.title('Utility of credit product')

plt.autoscale(True)

plt.show()

Прогнзирование спроса¶

In [58]:

data = pd.read_csv('py.csv',

sep=';', encoding='utf-8')

data=data.drop(['Unnamed: 0'], axis=1)

data

Out[58]:

	201601	201602	201603	201604	201605	201606	201607	201608	201609	201610	...	201710	201711	201712	201801	201802	201803	201804	201805	201806	201807
0	50	57	55	54	48	56	55	56	60	60	...	74	75	90	98	99	98	100	108	101	123
1	1	4	9	8	2	5	6	8	12	8	...	13	10	12	12	13	11	15	18	16	18
2	1328	1302	1300	1308	1320	1331	1322	1320	1333	1340	...	1355	1360	1359	1345	1376	1380	1387	1370	1390	1400
3	371	405	398	388	361	370	378	381	392	371	...	400	389	378	365	382	387	385	389	390	389
4	300	325	320	290	277	300	306	317	324	335	...	324	300	310	266	315	311	310	320	329	310
5	1	3	6	3	0	6	15	21	20	17	...	28	22	17	7	11	15	19	21	28	25
6	6	11	10	9	6	11	12	10	15	15	...	9	10	7	4	7	6	5	6	9	9
7	6	12	13	10	8	9	10	9	11	12	...	8	3	4	0	5	5	3	4	6	8
8	376	380	389	400	422	401	390	384	370	365	...	336	328	320	295	327	333	320	344	326	330
9	168	172	170	164	163	156	159	154	150	157	...	170	171	160	159	160	150	150	151	157	160

10 rows Ч 31 columns

In [60]:

data.columns

Out[60]:

Index(['201601', '201602', '201603', '201604', '201605', '201606', '201607',

'201608', '201609', '201610', '201611', '201612', '201701', '201702',

'201703', '201704', '201705', '201706', '201707', '201708', '201709',

'201710', '201711', '201712', '201801', '201802', '201803', '201804',

'201805', '201806', '201807'],

dtype='object')

In [61]:

data.index = ['CRC_classic','CRC_premium','APL_New-to-bank','APL Bona-fide','APL Payroll',

'REF New-to-bank','REF Bona-fide','REF Payroll','AUT','MRG']

data

Out[61]:

	201601	201602	201603	201604	201605	201606	201607	201608	201609	201610	...	201710	201711	201712	201801	201802	201803	201804	201805	201806	201807
CRC_classic	50	57	55	54	48	56	55	56	60	60	...	74	75	90	98	99	98	100	108	101	123
CRC_premium	1	4	9	8	2	5	6	8	12	8	...	13	10	12	12	13	11	15	18	16	18
APL_New-to-bank	1328	1302	1300	1308	1320	1331	1322	1320	1333	1340	...	1355	1360	1359	1345	1376	1380	1387	1370	1390	1400
APL Bona-fide	371	405	398	388	361	370	378	381	392	371	...	400	389	378	365	382	387	385	389	390	389
APL Payroll	300	325	320	290	277	300	306	317	324	335	...	324	300	310	266	315	311	310	320	329	310
REF New-to-bank	1	3	6	3	0	6	15	21	20	17	...	28	22	17	7	11	15	19	21	28	25
REF Bona-fide	6	11	10	9	6	11	12	10	15	15	...	9	10	7	4	7	6	5	6	9	9
REF Payroll	6	12	13	10	8	9	10	9	11	12	...	8	3	4	0	5	5	3	4	6	8
AUT	376	380	389	400	422	401	390	384	370	365	...	336	328	320	295	327	333	320	344	326	330
MRG	168	172	170	164	163	156	159	154	150	157	...	170	171	160	159	160	150	150	151	157	160

10 rows Ч 31 columns

Временной ряд для каждого продукта¶

In [62]:

fig, axes = plt.subplots(nrows=5, ncols=2, figsize=(13,15))

p1=data.loc['CRC_classic'].plot(ax=axes[0,0])

p1.title.set_text('CRC_classic')

p2=data.loc['CRC_premium'].plot(ax=axes[0,1])

p2.title.set_text('CRC_premium')

p3=data.loc['APL_New-to-bank'].plot(ax=axes[1,0])

p3.title.set_text('APL_New-to-bank')

p4=data.loc['APL Bona-fide'].plot(ax=axes[1,1])

p4.title.set_text('APL Bona-fide')

p5=data.loc['APL Payroll'].plot(ax=axes[2,0])

p5.title.set_text('APL Payroll')

p6=data.loc['REF New-to-bank'].plot(ax=axes[2,1])

p6.title.set_text('REF New-to-bank')

p7=data.loc['REF Bona-fide'].plot(ax=axes[3,0])

p7.title.set_text('REF Bona-fide')

p8=data.loc['REF Payroll'].plot(ax=axes[3,1])

p8.title.set_text('REF Payroll')

p9=data.loc['AUT'].plot(ax=axes[4,0])

p9.title.set_text('AUT')

p10=data.loc['MRG'].plot(ax=axes[4,1])

p10.title.set_text('MRG')

fig.tight_layout()

Определяем равномерность распределения¶

In [63]:

fig, axes = plt.subplots(nrows=2, ncols=5, figsize=(15,8))

p1=data.loc['CRC_classic'].hist(ax=axes[0,0],normed=1)

p1.title.set_text('CRC_classic')

p2=data.loc['CRC_premium'].hist(ax=axes[0,1],normed=1)

p2.title.set_text('CRC_premium')

p3=data.loc['APL_New-to-bank'].hist(ax=axes[0,2],normed=1)

p3.title.set_text('APL_New-to-bank')

p4=data.loc['APL Bona-fide'].hist(ax=axes[0,3],normed=1)

p4.title.set_text('APL Bona-fide')

p5=data.loc['APL Payroll'].hist(ax=axes[0,4],normed=1)

p5.title.set_text('APL Payroll')

p6=data.loc['REF New-to-bank'].hist(ax=axes[1,0],normed=1)

p6.title.set_text('REF New-to-bank')

p7=data.loc['REF Bona-fide'].hist(ax=axes[1,1],normed=1)

p7.title.set_text('REF Bona-fide')

p8=data.loc['REF Payroll'].hist(ax=axes[1,2],normed=1)

p8.title.set_text('REF Payroll')

p9=data.loc['AUT'].hist(ax=axes[1,3],normed=1)

p9.title.set_text('AUT')

p10=data.loc['MRG'].hist(ax=axes[1,4],normed=1)

p10.title.set_text('MRG')

fig.tight_layout()

In [64]:

from sklearn.metrics import mean_absolute_error, mean_squared_error

import statsmodels.formula.api as smf

import statsmodels.tsa.api as smt

import statsmodels.api as sm

import scipy.stats as scs

from scipy.optimize import minimize

Кэффициент вариации:¶

Определяем степень разброса данных

In [65]:

products=['CRC_classic','CRC_premium','APL_New-to-bank','APL Bona-fide','APL Payroll',

'REF New-to-bank','REF Bona-fide','REF Payroll','AUT','MRG']

In [66]:

itog=[]

for i in range(10):

itog.append(data.loc[products[i]].describe())

In [67]:

for i in range(10):

print (products[i], itog[i]['std']/itog[i]['mean'])

CRC_classic 0.27418111848

CRC_premium 0.563354728412

APL_New-to-bank 0.0211166099966

APL Bona-fide 0.032193358021

APL Payroll 0.0526999065368

REF New-to-bank 0.553306156971

REF Bona-fide 0.343041348328

REF Payroll 0.454275170445

AUT 0.0838401397794

MRG 0.0468466908553

Прооверим нормальность распределения¶

Проведем тест Харки -- Бера для определения номарльности распределения, чтобы подтвердить предположение об однородности.

In [68]:

import statsmodels.api as sm

from statsmodels.iolib.table import SimpleTable

In [69]:

row = [u'JB', u'p-value', u'skew', u'kurtosis']

for i in range(10):

jb_test = sm.stats.stattools.jarque_bera(data.loc[products[i]])

a = np.vstack([jb_test])

itog = SimpleTable(a, row)

print (products[i])

print (itog)

print('\n\n')

CRC_classic

==========================================================

JB p-value skew kurtosis

----------------------------------------------------------

4.80426400028 0.0905247486296 0.959038149391 2.79896889341

----------------------------------------------------------

CRC_premium

==========================================================

JB p-value skew kurtosis

----------------------------------------------------------

1.0336411826 0.596413779858 0.00325938071753 2.10546333744

----------------------------------------------------------

APL_New-to-bank

=========================================================

JB p-value skew kurtosis

---------------------------------------------------------

2.48526212961 0.288623830062 0.598630534314 2.29954312028

---------------------------------------------------------

APL Bona-fide

===========================================================

JB p-value skew kurtosis

-----------------------------------------------------------

0.825730025302 0.661751604894 -0.173808223268 2.27997384464

-----------------------------------------------------------

APL Payroll

==========================================================

JB p-value skew kurtosis

----------------------------------------------------------

3.31729364867 0.190396445701 -0.775864883357 3.40045233424

----------------------------------------------------------

REF New-to-bank

==========================================================

JB p-value skew kurtosis

----------------------------------------------------------

1.17082249196 0.556876801369 -0.127499104726 2.08271098733

----------------------------------------------------------

REF Bona-fide

=========================================================

JB p-value skew kurtosis

---------------------------------------------------------

0.973776539957 0.614535691195 0.365389811195 2.5311155171

---------------------------------------------------------

REF Payroll

===========================================================

JB p-value skew kurtosis

-----------------------------------------------------------

0.879132381289 0.644315870717 -0.159863950047 2.23947867376

-----------------------------------------------------------

AUT

========================================================

JB p-value skew kurtosis

--------------------------------------------------------

1.83384570995 0.39974723066 0.568732574947 2.64514150686

--------------------------------------------------------

MRG

=========================================================

JB p-value skew kurtosis

---------------------------------------------------------

2.21627862465 0.330172738218 0.362760903795 1.90938241379

---------------------------------------------------------

Проверим ряды на стационарность¶

In [70]:

for i in range(10):

print(products[i])

test = sm.tsa.adfuller(data.loc[products[i]])

print ('adf: ', test[0])

print ('p-value: ', test[1])

print('Critical values: ', test[4])

if test[0]> test[4]['5%']:

print ('есть единичные корни, ряд не стационарен')

else:

print ('единичных корней нет, ряд стационарен')

print('\n\n')

CRC_classic

adf: 1.682677573

p-value: 0.998085584153

Critical values: {'1%': -3.6790595944893187, '10%': -2.6231583472057074, '5%': -2.9678817237279103}

есть единичные корни, ряд не стационарен

CRC_premium

adf: -1.66441828184

p-value: 0.449532145536

Critical values: {'1%': -3.6699197407407405, '10%': -2.6211711111111109, '5%': -2.9640707407407407}

есть единичные корни, ряд не стационарен

APL_New-to-bank

adf: -0.371557565651

p-value: 0.914740432243

Critical values: {'1%': -3.6699197407407405, '10%': -2.6211711111111109, '5%': -2.9640707407407407}

есть единичные корни, ряд не стационарен

APL Bona-fide

adf: -3.41750802218

p-value: 0.0103763086749

Critical values: {'1%': -3.6699197407407405, '10%': -2.6211711111111109, '5%': -2.9640707407407407}

единичных корней нет, ряд стационарен

APL Payroll

adf: -3.73837944847

p-value: 0.00360458018575

Critical values: {'1%': -3.6699197407407405, '10%': -2.6211711111111109, '5%': -2.9640707407407407}

единичных корней нет, ряд стационарен

REF New-to-bank

adf: -0.750923683948

p-value: 0.83311472217

Critical values: {'1%': -3.7883858816542486, '10%': -2.6463967573696143, '5%': -3.0130977475434619}

есть единичные корни, ряд не стационарен

REF Bona-fide

adf: -3.10509899654

p-value: 0.0261781339676

Critical values: {'1%': -3.6699197407407405, '10%': -2.6211711111111109, '5%': -2.9640707407407407}

единичных корней нет, ряд стационарен

REF Payroll

adf: -2.73081752261

p-value: 0.0688556149036

Critical values: {'1%': -3.6889256286443146, '10%': -2.6252957653061224, '5%': -2.9719894897959187}

есть единичные корни, ряд не стационарен

AUT

adf: -2.28018316037

p-value: 0.178438967379

Critical values: {'1%': -3.7697326258452288, '10%': -2.6425009917355373, '5%': -3.0054255371900829}

есть единичные корни, ряд не стационарен

MRG

adf: -3.27080918743

p-value: 0.0162348062679

Critical values: {'1%': -3.6996079738860943, '10%': -2.6276010013717421, '5%': -2.9764303469999494}

единичных корней нет, ряд стационарен

Стационарные ряды: APL Bona-fide, APL Payroll, REF Bona-fide, MRG¶

Прогнозирование спроса. Аппроксимация¶

In [71]:

from pylab import *

Двойное экспоненциальное сглаживание¶

In [72]:

def double_exponential_smoothing(series, alpha, beta):

result = [series[0]]

for n in range(1, len(series)+1):

if n == 1:

level, trend = series[0], series[1] - series[0]

if n >= len(series): # прогнозируем

value = result[-1]

else:

value = series[n]

last_level, level = level, alpha*value + (1-alpha)*(level+trend)

trend = beta*(level-last_level) + (1-beta)*trend

result.append(level+trend)

return result

In [106]:

fig, axes = plt.subplots(nrows=5, ncols=2, figsize=(20,20))

for i in range (10):

with plt.style.context('seaborn-white'):

#plt.figure(figsize=(20, 8))

subplot(5,2,i+1)

for alpha in [0.8, 0.2]:

for beta in [0.8, 0.2]:

plt.plot(double_exponential_smoothing(data.loc[products[i]], alpha, beta),label="Alpha {}, beta {}".format(alpha, beta))

plt.plot( data.loc[products[i]].values,label = "Actual")

plt.legend(loc="best")

plt.axis('tight')

plt.title(products[i])

plt.grid(True)

In [107]:

size=0

size=len(double_exponential_smoothing(data.loc[products[0]], 0.9, 0.9))

n=0

E1=[]

E2=[]

E3=[]

E4=[]

n=1/(size-1)

sum=0

for alpha in [0.8, 0.2]:

for beta in [0.8, 0.2]:

for j in range (10):

sum=0

for i in range(size-2):

sum+=abs((double_exponential_smoothing(data.loc[products[j]], alpha, beta)[i]-data.loc[products[j]][i])/

double_exponential_smoothing(data.loc[products[j]], alpha, beta)[i])

print('Error of ',products[j],' = ',n*sum*100)

if beta==0.8 and alpha==0.8:

E1.append(n*sum*100)

if beta==0.2 and alpha==0.8:

E2.append(n*sum*100)

if beta==0.8 and alpha==0.2:

E3.append(n*sum*100)

if beta==0.2 and alpha==0.2:

E4.append(n*sum*100)

print('\n')

#print('size=',size)

Error of CRC_classic = 3.30251549936

Error of CRC_premium = 46.7470313675

Error of APL_New-to-bank = 0.525178474408

Error of APL Bona-fide = 1.82215058554

Error of APL Payroll = 2.94001014563

Error of REF New-to-bank = 69.1807382017

Error of REF Bona-fide = 49.757994668

Error of REF Payroll = 66.9878762042

Error of AUT = 1.97249732776

Error of MRG = 1.51270674362

Error of CRC_classic = 3.61884166237

Error of CRC_premium = 19.3101001234

Error of APL_New-to-bank = 0.482255813541

Error of APL Bona-fide = 1.68007714419

Error of APL Payroll = 1.83846478384

Error of REF New-to-bank = 13.2227246964

Error of REF Bona-fide = 10.8600304859

Error of REF Payroll = 16.9211139523

Error of AUT = 0.987757839355

Error of MRG = 0.859134382699

Error of CRC_classic = 6.80168902345

Error of CRC_premium = 285.503253167

Error of APL_New-to-bank = 1.72642612855

Error of APL Bona-fide = 5.37909223795

Error of APL Payroll = 5.919510722

Error of REF New-to-bank = 41.8100947582

Error of REF Bona-fide = 29.1129118159

Error of REF Payroll = 59.5269211498

Error of AUT = 5.20549265167

Error of MRG = 3.69185598165

Error of CRC_classic = 10.9792105307

Error of CRC_premium = 36.3445567556

Error of APL_New-to-bank = 2.06305307536

Error of APL Bona-fide = 8.37501129233

Error of APL Payroll = 8.63910395489

Error of REF New-to-bank = 28.9571251889

Error of REF Bona-fide = 42.8035357021

Error of REF Payroll = 86.5773552974

Error of AUT = 4.08897850877

Error of MRG = 4.89097738854

In [114]:

E=[E1,E2,E3,E4]

predict=[]

al=[]

al1=[]

min_e=[100,100,100,100,100,100,100,100,100,100]

for i in range(10):

for j in range(4):

if E[j][i]<=min_e[i]:

min_e[i]=E[j][i]

al1.append(j)

al.append(al1[-1])

for j in range(10):

if al[j]==0:

predict.append(double_exponential_smoothing(data.loc[products[j]], 0.8, 0.8)[size-1])

if al[j]==1:

predict.append(double_exponential_smoothing(data.loc[products[j]], 0.8, 0.2)[size-1])

print('Koefficients: ',al,'\n')

print('Predict vector for all products:\n')

for i in range(10):

print(products[i],': ', round(predict[i]),'\n')

Koefficients: [0, 1, 1, 1, 1, 1, 1, 1, 1, 1]

Predict vector for all products:

CRC_classic : 143.0

CRC_premium : 20.0

APL_New-to-bank : 1410.0

APL Bona-fide : 391.0

APL Payroll : 315.0

REF New-to-bank : 29.0

REF Bona-fide : 10.0

REF Payroll : 9.0

AUT : 330.0

MRG : 160.0

Оптимизация¶

In [76]:

from scipy.optimize import linprog

import time

Спрос¶

In [152]:

b7=[]

for i in range(10):

b7.append(round(predict[i]*avg_sum[i]*TR[i]))

b7

Out[152]:

[10296346.0,

2441869.0,

304606803.0,

49296834.0,

35878600.0,

7318848.0,

5507952.0,

4458164.0,

89787251.0,

307398483.0]

Digital¶

In [79]:

d=[0, 0,-0.1,-0.1,-0.1, 0, 0, 0, 0, 0]

d

Out[79]:

[0, 0, -0.1, -0.1, -0.1, 0, 0, 0, 0, 0]

'''[-1,-1,-1,-1,-1,-1,-1,-1,-1,-1],[1,0,0,0,0,0,0,0,0,0],[0,1,0,0,0,0,0,0,0,0], [0,0,1,0,0,0,0,0,0,0],[0,0,0,1,0,0,0,0,0,0],[0,0,0,0,1,0,0,0,0,0], [0,0,0,0,0,1,0,0,0,0],[0,0,0,0,0,0,1,0,0,0],[0,0,0,0,0,0,0,1,0,0], [0,0,0,0,0,0,0,0,1,0],[0,0,0,0,0,0,0,0,0,1],'''

'''b2,b2,b2,b2,b2,b2,b2,b2,b2,b2,'''

,ntb_h,ntb_l,d b1...,b4,b5,b6

In [80]:

ntb_l=[0,0,0,0,0,0,0,0,0,0]

for i in range(10):

ntb_l[i]=ratio_ntb[i]*(-1)

print(ntb_l)

[-0.20000000000000001, -0.0, -1.0, -0.0, -0.0, -1.0, -0.0, -0.0, -0.29999999999999999, -0.40000000000000002]

koef= [[1,0,0,0,0,0,0,0,0,0],[0,1,0,0,0,0,0,0,0,0], [0,0,1,0,0,0,0,0,0,0],[0,0,0,1,0,0,0,0,0,0],[0,0,0,0,1,0,0,0,0,0], [0,0,0,0,0,1,0,0,0,0],[0,0,0,0,0,0,1,0,0,0],[0,0,0,0,0,0,0,1,0,0], [0,0,0,0,0,0,0,0,1,0],[0,0,0,0,0,0,0,0,0,1]]

Ограничения¶

In [149]:

b1=-41000000

b2=-500000

b3= 13023000 #13022400

b4=-123000000 #108000000

b5= 184500000

b6=-11800000 #18800000

In [150]:

start = time.time()

A_ub = [[-1,-1,-1,-1,-1,-1,-1,-1,-1,-1],[-1,0,0,0,0,0,0,0,0,0],[0,-1,0,0,0,0,0,0,0,0],

[0,0,-1,0,0,0,0,0,0,0],[0,0,0,-1,0,0,0,0,0,0],[0,0,0,0,-1,0,0,0,0,0],

[0,0,0,0,0,-1,0,0,0,0],[0,0,0,0,0,0,-1,0,0,0],[0,0,0,0,0,0,0,-1,0,0],

[0,0,0,0,0,0,0,0,-1,0],[0,0,0,0,0,0,0,0,0,-1],d30_6,ntb_l,ratio_ntb,d,[1,0,0,0,0,0,0,0,0,0],[0,1,0,0,0,0,0,0,0,0],

[0,0,1,0,0,0,0,0,0,0],[0,0,0,1,0,0,0,0,0,0],[0,0,0,0,1,0,0,0,0,0],

[0,0,0,0,0,1,0,0,0,0],[0,0,0,0,0,0,1,0,0,0],[0,0,0,0,0,0,0,1,0,0],

[0,0,0,0,0,0,0,0,1,0],[0,0,0,0,0,0,0,0,0,1]] # матрица А для ограничений

b_ub = [b1,b2,b2,b2,b2,b2,b2,b2,b2,b2,b2,b3,b4,b5,b6

,b7[0],b7[1],b7[2],b7[3],b7[4],b7[5],b7[6],b7[7],b7[8],b7[9]] # вектор b для ограничений

res=linprog(utility, A_ub, b_ub,method='simplex', options={"disp":True})

print (res)

stop = time.time()

print ("Время :")

print(stop - start)

Optimization terminated successfully.

Current function value: -197912782.819189

Iterations: 18

fun: -197912782.81918931

message: 'Optimization terminated successfully.'

nit: 18

slack: array([ 3.66801493e+08, 3.53678255e+07, 1.04890010e+07,

1.97441685e+06, 4.83943900e+07, 3.21169075e+07,

0.00000000e+00, 5.64167926e+06, 7.06781272e+06,

0.00000000e+00, 8.84511498e+07, 3.52919118e+07,

2.61321745e+07, 0.00000000e+00, 0.00000000e+00,

0.00000000e+00, 0.00000000e+00, 0.00000000e+00,

0.00000000e+00, 0.00000000e+00, 0.00000000e+00,

0.00000000e+00, 0.00000000e+00, 0.00000000e+00,

0.00000000e+00])

status: 0

success: True

x: array([ 5.00000000e+05, 5.00000000e+05, 3.64887024e+07,

4.88943900e+07, 3.26169075e+07, 5.00000000e+05,

5.00000000e+05, 7.56781272e+06, 5.00000000e+05,

2.79733680e+08])

Время :

0.09899067878723145

In [151]:

answer=[]

print('Target production\n')

for i in range(10):

answer.append(res.x[i])

print(products[i],': ',round(res.x[i]))

Target production

CRC_classic : 500000.0

CRC_premium : 500000.0

APL_New-to-bank : 36488702.0

APL Bona-fide : 48894390.0

APL Payroll : 32616908.0

REF New-to-bank : 500000.0

REF Bona-fide : 500000.0

REF Payroll : 7567813.0

AUT : 500000.0

MRG : 279733680.0

Размещено на Allbest.ru

...