5. Выводится новое поколение решений, и цикл повторяется.

В результате с каждой эпохой эволюции находятся более совершенные решения.

При использовании генетических алгоритмов аналитик не нуждается в априорной информации о природе исходных данных, об их структуре и т. д. Аналогия здесь прозрачна - цвет глаз, форма носа и густота волосяного покрова на ногах закодированы в наших генах одними и теми же нуклеотидами.

В прогнозировании генетические алгоритмы редко используются напрямую, так как сложно придумать критерий оценки прогноза, то есть критерий отбора решений, - при рождении невозможно определить, кем станет человек - космонавтом или алконавтом. Поэтому обычно генетические алгоритмы служат вспомогательным методом - например, при обучении нейронной сети с нестандартными активационными функциями, при которых невозможно применение градиентных алгоритмов. Здесь в качестве примера можно назвать MIP-сети, успешно прогнозирующие, казалось бы, случайные явления - число пятен на солнце и интенсивность лазера.

Еще один метод - нечеткая логика, моделирующая процессы мышления. В отличие от бинарной логики, требующей точных и однозначных формулировок, нечеткая предлагает иной уровень мышления. Например, формализация утверждения "продажи в прошлом месяце были низкими" в рамках традиционной двоичной или "булевой" логики требует однозначного разграничения понятий "низкие" (0) и "высокие" (1) продажи. Например, продажи равные или большие 1 миллиона шекелей - высокие, меньше - низкие.

Возникает вопрос: почему продажи на уровне 999 999 шекелей уже считаются низкими? Очевидно, что это не совсем корректное утверждение. Нечеткая логика оперирует более мягкими понятиями. Например, продажи на уровне 900 тыс. шекелей будут считаться высокими с рангом 0,9 и низкими с рангом 0,1.

В нечеткой логике задачи формулируются в терминах правил, состоящих из совокупностей условий и результатов. Примеры простейших правил: "Если клиентам дали скромный срок кредита, то продажи будут так себе", "Если клиентам предложили приличную скидку, то продажи будут неплохими".

После постановки задачи в терминах правил четкие значения условий (срок кредита в днях и размер скидки в процентах) преобразуются в нечеткую форму (большой, маленький и т. д.). Затем производится их обработка с помощью логических операций и обратное преобразование к числовым переменным (прогнозируемый уровень продаж в единицах продукции).

По сравнению с вероятностными методами нечеткие позволяют резко сократить объем производимых вычислений, но обычно не повышают их точность. Среди недостатков таких систем можно отметить отсутствие стандартной методики конструирования, невозможность математического анализа традиционными методами. Кроме того, в классических нечетких системах рост числа входных величин приводит к экспоненциальному росту числа правил. Для преодоления этих и других недостатков, так же как и в случае нейронных сетей, существует множество модификаций нечетко-логических систем.

В рамках методов "мягких" вычислений можно выделить так называемые гибридные алгоритмы, включающие в себя несколько разных составляющих. Например, нечетко-логические сети, или уже упоминавшиеся нейронные сети с генетическим обучением.

В гибридных алгоритмах, как правило, имеет место синергетический эффект, при котором недостатки одного метода компенсируются достоинствами других, и итоговая система показывает результат, недоступный ни одному из компонентов по отдельности.

3. Выбор метода прогнозирования

Любой процесс прогнозирования, как правило, строится в следующей последовательности:

1. Формулировка проблемы.

2. Сбор информации и выбор метода прогнозирования.

3. Применение метода и оценка полученного прогноза.

4. Использование прогноза для принятия решения.

5. Анализ "прогноз-факт".

Все начинается с корректной формулировки проблемы. В зависимости от нее задача прогнозирования может быть сведена, например, к задаче оптимизации. Для краткосрочного планирования производства не так важно, каким будет объем продаж в ближайшие дни. Важнее максимально эффективно распределить объемы производства продукции по имеющимся мощностям.

Краеугольным ограничением при выборе метода прогнозирования будет исходная информация: ее тип, доступность, возможность обработки, однородность, формализуемость, объем. Например, при прогнозировании темпов научно-технического прогресса в случае масштабного контакта и сотрудничества с внеземной цивилизацией применение фактографических методов вряд ли будет возможным. Для таких прогнозов необходимо использовать методы моделирования, экспертные, сценарные. С другой стороны, для прогнозирования объемов продаж туалетной бумаги с приемлемой точностью достаточно простой экстраполяции тренда.

Выбор конкретного метода прогнозирования зависит от многих моментов. Достаточно ли объективной информации о прогнозируемом явлении (существует ли данный товар или аналоги достаточно долго)? Ожидаются ли качественные изменения изучаемого явления (оснащение автомобиля антигравитационным оборудованием)? Имеются ли зависимости между изучаемыми явлениями и/или внутри массивов данных (объемы продаж, как правило, зависят от объемов вложений в рекламу)? Являются ли данные временным рядом (информация о наличии собственности у заемщиков не является временным рядом)? Имеются ли повторяющиеся события (сезонные колебания)?

4. Используемые методы

Из всего набора методов прогнозирования в реальной практике бизнеса используются лишь некоторые.

Абсолютный хит - метод оценки прогнозов сотрудниками компании. Подразумевается, что работники обладают необходимым опытом и интуитивным знанием предметной области, рынка. К этой же группе можно отнести опросы потребителей, которые призваны выявить их предпочтения и ожидания, на основе чего моделируется будущее.

Второй по популярности является экстраполяция трендов, которая подразумевает выявление во временном ряде основной тенденции и продление ее в будущее. Этот метод предельно прост и дает приблизительные результаты.

Скользящее среднее применяется при краткосрочном прогнозировании: каждое последующее значение среднего рассчитывается на основе сдвигающегося вперед набора предыдущих значений.

Метод аналогий предполагает построение прогноза на основе известной динамики родственных явлений, например товаров-субститутов. Этот способ прогнозирования схож с методом подобия, применяемым на финансовых рынках, но менее трудоемок, используется обычно в случае новых товаров.

Экспоненциальное сглаживание выдает в качестве прогноза комбинацию прошлых значений. Метод работает при небольших колебаниях уровней ряда или при краткосрочном прогнозировании.

Регрессионный анализ исследует взаимосвязь зависимой переменной от других независимых, применяется при наличии связи между прогнозируемым процессом и какими-либо факторами, влияющими на него.

Из экспертных оценок обычно используют хорошо известный метод "Дельфи".

В бизнесе в основном применяют субъективные методы прогнозирования и некоторые количественные. Возникает вопрос: почему, имея значительный набор средств прогнозирования, аналитики в подавляющем большинстве случаев продолжают пользоваться простейшими из них? Причин здесь несколько.