Prognozowanie przychodów całkowitych w JIT na rok 2020

• Autorzy: Bartosz Kozicki , Łukasz Ćwiekowski , Artur Koszarek

Warianty tytułu

Forecasting of Total Revenues in the JIT for 2020

• Języki publikacji: PL

Abstrakty

W artykule został sformułowany problem badawczy dotyczący analizy, oceny i prognozowania przychodów całkowitych przedsiębiorstw JIT (Logistic Just in Time) w ujęciu miesięcznym na rok 2020. Przeprowadzono analizę literatury przedmiotu badań dotyczącą przychodów oraz prognozowania. Badania rozpoczęto od nakreślenia wykresu liniowego danych pierwotnych. Oceną obserwacji wzrokowej było zaobserwowanie tendencji w postaci trendu i sezonowości. Użytymi w artykule narzędziami badawczymi potwierdzono istnienie prawidłowości w rozpatrywanych danych retrospektywnych. Krytyczna analiza literatura dotycząca prognozowania, pozwoliła na wybór metody wygładzania wykładniczego Holta-Wintersa do prognozowania danych pierwotnych na przyszłość. Uzyskane prognozy zostały poddane analizie i ocenie. (abstrakt oryginalny)

EN

The article presents a research problem concerning the analysis, evaluation and forecasting of total revenues of JIT (Logistic Just in Time) enterprises in monthly terms for 2020. An analysis of the literature on the subject of revenues and forecasting was conducted. The study began with creating a line graph of primary data. Regularities in the form of trends and seasonality were the evaluation of visual observation. The research tools used in the article confirmed the existence of regularities in the retrospective data under consideration. Critical analysis of the literature related to forecasting has enabled the selection of the Holt-Winter's exponential smoothing method for the forecasting of primary data for the future. The obtained forecasts were analyzed and evaluated. (original abstract)

Słowa kluczowe

PL

Przychody; Prognozowanie; Przedsiębiorstwo

EN

Revenue; Forecasting; Enterprises

• Czasopismo: Systemy Logistyczne Wojsk
• Rocznik: 2020
• Numer: z. 52
• Strony: 55--73

Twórcy

autor

Bartosz Kozicki

• Wojskowa Akademia Techniczna

autor

Łukasz Ćwiekowski

autor

Artur Koszarek

• Inspektorat Wsparcia Sił Zbrojnych

Bibliografia

• Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: forecasting and control. John Wiley & Sons.
• Dittmann, P. (2003). Prognozowanie w przedsiębiorstwie. Metody i ich zastosowanie. Kraków: Oficyna Ekonomiczna.
• Dittmann, P., Szabela-Pasierbińska, E., Dittman, I., Szpulak, A. (2016). Prognozowanie w zarządzaniu sprzedażą i finansami przedsiębiorstwa. Wydawnictwo Nieoczywiste. Wolters Kluwer.
• Du, X. F., Leung, S. C., Zhang, J. L., & Lai, K. K. (2013). Demand forecasting of perishable farm products using support vector machine. International journal of systems Science, 44(3), 556-567.
• Gabrusiewicz, W. (2014). Analiza finansowa przedsiębiorstwa: teoria i zastosowanie. Polskie Wydawnictwo Ekonomiczne.
• Griffin, R.W. (2000). Podstawy zarządzania organizacjami. Warszawa: PWN.
• Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction. Springer Science & Business Media.
• Hofer, P., Eisl, C., & Mayr, A. (2015). Forecasting in Austrian companies. Journal of Applied Accounting Research.
• Holt, C. C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International journal of forecasting, 20(1), 5-10.
• Korns, M. F. (2011). Accuracy in symbolic regression. In Genetic Programming Theory and Practice IX (pp. 129-151). Springer, New York, NY.
• Kozicki, B., Waściński, T., Brzeziński, M., & Lisowska, A. (2018). Cost forecast in a shipping company. Transport means, 1822-296.
• Krupski, R. (2004). Podstawy organizacji i zarządzania, wyd. 5. Prace Naukowe Wałbrzyskiej Szkoły Zarządzania i Przedsiębiorczości, Seria Zarządzania i Marketing, Wydawnictwo Ibis, Wrocław, 123-124.
• Maia, A. L. S., & De Carvalho, F. D. A. (2011). Holt's exponential smoothing and neural network models for forecasting interval-valued time series. International Journal of Forecasting, 27(3), 740-759.
• Scholkopf, B., & Smola, A. J. (2018). Learning with kernels: support vector machines, regularization, optimization, and beyond. Adaptive Computation and Machine Learning series.
• Srivastava, R., Agarval, S., Garg, D., & Patni, J. C. (2016). Capital market forecasting by using sentimental analysis. In 2016 2nd International Conference on Next Generation Computing Technologies (NGCT) (pp. 09-12). IEEE.
• Wang, C. H., & Chen, J. Y. (2019). Demand forecasting and financial estimation considering the interactive dynamics of semiconductor supply-chain companies. Computers & Industrial Engineering, 138, 106104.