Metodyka wyboru metody prognozowania wizyt na stronie internetowej w przedsiębiorstwie turystycznym

W artykule poruszono problem badawczy związany z analizą danych pierwotnych, jej oceną, wyborem najlepszej metody do prognozy na przyszłość. Badania rozpoczęto od wykorzystania narzędzi badawczych do poszukiwania istnienia w szeregu czasowym pierwotnym zależności. Następnym krokiem było pogrupowanie danych, ich analiza i ocena. Uzyskane oceny stały się przesłanką zbudowania modelu zerojedynkowego regresji wielorakiej w celu potwierdzenia wykrytych zależności. Stwierdzone zależności pozwoliły na sprowadzenie szeregu pierwotnego do stacjonarności. Szereg czasowy został podzielony na dwie części: uczącą i testową. Wskutek krytycznej analizy literatury i uzyskanych zależności wybrano trzy najlepsze metody do prognozy szeregu uczącego na okres równy szeregowi testowemu. Uzyskane prognozy zostały poddane ocenie przy zastosowaniu obserwacji wzrokowej i MAPE. Wybrano najlepszą metodę, którą wykonano prognozowanie szeregu czasowego pierwotnego na 2019 rok (202 przyszłe okresy).

In this article the author raises the research problem regarding the analysis of original data, its evaluation and the selection of the best forecasting method for the future. The research was initiated with the application of research tools in order to search for the relationships within the original time series. The following step was to group data, analyze and evaluate them. The results obtained were the premise for the construction of a zero-one model of multiple regression in order to confirm the relationships found. The detected relationships enabled to bring down the original series to stationarity. Time series was divided into two parts: teaching and testing ones. Due to the critical analysis of literature and the relationships obtained, three best forecasting methods of teaching series were selected for the same period of testing series. The forecasting obtained were evaluated by means of visual observation and MAPE. The best method was selected for the forecasting of the original time series for 2019 (202 future periods).