Telekommunikationsprognoser

Alla leverantörer av telekommunikationstjänster utför prognostiserade beräkningar för att hjälpa dem att planera sina nät. Noggranna prognoser hjälper operatörerna att fatta viktiga investeringsbeslut avseende produktutveckling och introduktion, annonsering, prissättning etc., i god tid före produktlansering, vilket hjälper till att säkerställa att företaget kommer att göra vinst på en ny satsning och att kapital investeras klokt. .

Varför används prognoser?

Prognoser kan utföras för många ändamål, så det är viktigt att orsaken till att beräkningen utförs är tydligt definierad och förstådd. Några vanliga orsaker till prognoser inkluderar:

• Planering och budgetering – Att använda prognosdata kan hjälpa nätverksplanerare att bestämma hur mycket utrustning som ska köpas och var den ska placeras för att säkerställa optimal hantering av trafikbelastningar.
• Utvärdering – Prognoser kan hjälpa ledningen att avgöra om beslut som har fattats kommer att vara till fördel eller nackdel för företaget.
• Verifiering – När nya prognosdata blir tillgängliga är det nödvändigt att kontrollera om nya prognoser bekräftar de utfall som förutspåtts av de gamla prognoserna.

Att känna till syftet med prognosen hjälper dig att svara på ytterligare frågor som följande:

• Vad prognostiseras? – händelser, trender, variabler, teknik
• Fokusnivå – fokus på en enskild produkt eller en hel linje, fokus på ett enda företag eller hela branschen
• Hur ofta görs prognoser? – dagligen, veckovis, månadsvis, årligen
• Speglar de använda metoderna de beslut som måste fattas av ledningen?
• Vilka resurser finns tillgängliga för att fatta beslut? – ledtid, personal, relevant data, budget etc.
• Vilka typer av fel kan uppstå och vad kommer de att kosta företaget?

Faktorer som påverkar prognoser

Vid prognostisering är det viktigt att förstå vilka faktorer som kan påverka beräkningen och i vilken utsträckning. En lista över några vanliga faktorer kan ses nedan:

• Teknologi
  • abonnentåtkomst – fiber, trådlös, trådbunden, mobil, TDMA , CDMA , telefoner
  • applikation – telefoni, telefonväxel , ISDN , videokonferens, LAN, telefonkonferens, internetarbete, WAN
  • teknik – bredband, smalband, operatörer, fiber till trottoarkanten, DSL
• Ekonomi
  • Global Economics – Ekonomiskt klimat, prognoser, uppskattningar, ekonomiska faktorer, räntor, prime rate, tillväxt, ledningens utsikter, investerarnas förtroende, politik
  • Sektoriell ekonomi – trender inom industrin, investerarnas utsikter, telekommunikation, tillväxttakt för framväxande teknologier, lågkonjunkturer och nedgångar
  • Makroekonomi – inflation, BNP , export, monetära växelkurser, import, offentligt underskott, ekonomisk hälsa
• Demografi
  • Mätning av antal människor i regioner – hur många som föddes, lever och dog inom en tidsperiod
  • Hur människor lever – hälsa, fertilitet, giftermål, åldrande, befruktning, dödlighet

Dataförberedelse

Innan prognos utförs måste data som används vara "förberedda". Om uppgifterna innehåller fel, kommer prognosresultatet att vara lika felaktigt. Det är därför mycket viktigt att alla onormala uppgifter tas bort. En sådan procedur är känd som data "scrubbing". Skrubbning av data involverade att ta bort datapunkter som kallas "outliers". Outliers är data som ligger utanför det normala mönstret. De orsakas vanligtvis av onormala och ofta unika händelser och är därför osannolikt att återkomma. Att ta bort extremvärden förbättrar dataintegriteten och ökar noggrannheten i prognosen.

Prognosmetoder

Det finns många olika metoder som används för att göra prognoser. De kan delas in i olika grupper utifrån de teorier som de utvecklades enligt:

Bedömningsbaserade metoder

Bedömningsbaserade metoder bygger på åsikter och kunskaper hos personer som har stor erfarenhet inom det område som prognosen görs. Det finns två huvudsakliga bedömningsbaserade metoder:

• Delphi-metoden – Delphi-metoden innebär att rikta en serie frågor till experter. Experterna ger sina uppskattningar om framtida utveckling. Forskaren sammanfattar svaren och skickar tillbaka sammanfattningen till experterna och frågar dem om de vill revidera sina åsikter. Delphi-metoden är inte särskilt tillförlitlig och har bara fungerat framgångsrikt i mycket sällsynta fall.
• Extrapolering – Extrapolering är den vanliga metoden för prognoser. Den bygger på antagandet att framtida händelser kommer att fortsätta att utvecklas längs samma gränser som tidigare händelser, dvs det förflutna är en bra prediktor för framtiden. Forskaren skaffar först data om tidigare händelser och plottar dem. Han avgör sedan om det har uppstått ett mönster, och i så fall försöker han förlänga mönstret in i framtiden och börjar på så sätt generera en prognos om vad som sannolikt kommer att hända. För att utöka mönstren använder forskare i allmänhet en enkel extrapolationsregel, såsom den S-formade logistiska funktionen eller Gompertz-kurvor , eller den katastrofala kurvan för att hjälpa dem i deras extrapolering. Det är för att avgöra vilken regel som ska användas som forskarens omdöme krävs.

Undersökningsmetoder

Undersökningsmetoder är baserade på kunders åsikter och är därmed rimligt korrekta om de utförs korrekt. Vid genomförande av en undersökning behöver undersökningens målgrupp identifieras. Detta kan uppnås genom att överväga varför prognosen görs i första hand. När målgruppen har identifierats ska ett urval väljas. Urvalet är en delmängd av målet och måste väljas så att det exakt återspeglar alla i målgruppen. Enkäten ska sedan ställa en serie frågor till urvalsgruppen och deras svar ska registreras.

De inspelade svaren ska sedan analyseras med statistiska och analytiska metoder. Den genomsnittliga åsikten och variationen kring det medelvärdet är statistiska analytiska tekniker som kan användas. Resultaten av analysen bör sedan kontrolleras med alternativa prognosmetoder och resultaten kan publiceras. Man måste komma ihåg att denna metod endast är korrekt om urvalet är en balanserad och korrekt delmängd av målgruppen och om urvalsgruppen har besvarat frågorna korrekt.

Tidsseriemetoder

Tidsseriemetoder baseras på mätningar av händelser på periodisk basis. Dessa metoder använder sådan data för att utveckla modeller som sedan kan användas för att extrapolera in i framtiden och därigenom generera prognosen. Varje modell fungerar enligt en annan uppsättning antaganden och är designad för ett annat syfte. Exempel på tidsseriemetoder är:

• Exponentiell utjämning – Denna metod är baserad på ett glidande medelvärde av den data som analyseras, t.ex. ett glidande medelvärde av försäljningssiffror
• Cykliska och säsongsbetonade trender – Den här metoden fokuserar på tidigare data för att hjälpa till att definiera ett mönster eller trend som inträffar i cykliska eller säsongsbetonade perioder. Forskare kan sedan använda aktuella data för att justera mönstret så att det passar denna periods data, och på så sätt förutsäga vad som kommer att hända under resten av den aktuella säsongen eller cykeln.
• Statistiska modeller – Statistiska modeller tillåter forskaren att utveckla statistiska samband mellan variabler. Dessa modeller bygger på aktuella data och genom extrapolering kan en framtida modell skapas. Extrapolationstekniker är baserade på vanliga statistiska lagar, vilket förbättrar förutsägelsens noggrannhet. Statistiska tekniker producerar inte bara prognoser utan kvantifierar också precision och tillförlitlighet. Exempel på detta är ERLANG B- och C-formler, utvecklade 1917 av den danske matematikern Agner Erlang .

Analoga metoder

Analoga metoder går ut på att hitta likheter mellan utländska händelser och de händelser som studeras. De utländska evenemangen väljs vanligtvis ut vid en tidpunkt då de är mer "mogna" än aktuella händelser. Ingen utländsk händelse kommer att spegla aktuella händelser perfekt och detta måste hållas i åtanke så att eventuella nödvändiga korrigeringar kan göras. Genom att undersöka den utländska, mer mogna händelseuppsättningen kan framtiden för aktuella händelser förutses.

Analoga metoder kan delas upp i två grupper, nämligen:

• Kvalitativa (symboliska) modeller
• Kvantitativa (numeriska) modeller

Orsaksmodeller

Orsaksmodeller är den mest exakta formen av prognoser och den mest komplexa. De innebär att skapa en komplex och komplett modell av de händelser som förutses. Modellen måste inkludera alla möjliga variabler och måste kunna förutsäga alla möjliga utfall.

Orsaksmodeller är ofta så komplexa att de bara kan skapas på datorer. De utvecklas med hjälp av data från en uppsättning händelser. Modellen är bara så exakt som den data som användes för att utveckla den.

Kombinationsprognoser

Kombinationsprognoser kombinerar metoderna som diskuterats ovan. Fördelen är att noggrannheten i de flesta fall ökar; Men en forskare måste vara försiktig så att nackdelarna med var och en av ovanstående metoder inte kombineras för att skapa sammansatta fel i prognoser. Exempel på kombinationsprognoser inkluderar: "Integration av bedömning och kvantitativa prognoser" och "Enkla och vägda medelvärden".

Fastställande av prognosnoggrannhet

Det är svårt att avgöra exaktheten i någon prognos, eftersom den representerar ett försök att förutsäga framtida händelser, vilket alltid är utmanande. För att förbättra och testa prognosnoggrannheten använder forskare många olika kontrollmetoder. En enkel kontrollmetod innebär att man använder flera olika prognosmetoder och jämför resultaten för att se om de är mer eller mindre lika. En annan metod kan innebära att statistiskt beräkna felen i prognosberäkningen och uttrycka dem i termer av rotmedelkvadratfelet, och därigenom ge en indikation på det totala felet i metoden. En känslighetsanalys kan också vara användbar, eftersom den avgör vad som kommer att hända om en del av de ursprungliga uppgifterna som prognosen togs fram visar sig vara felaktiga. Att bestämma prognosnoggrannhet, som att prognostisera i sig, kan aldrig utföras med säkerhet och därför är det tillrådligt att se till att indata mäts och erhålls så exakt som möjligt, de lämpligaste prognosmetoderna väljs och prognostiseringsprocessen utförs så noggrant som möjlig.