Asiakastyytyväisyystasojen automatisoitu ennustaminen

Aikasarjoja voidaan ennustaa useilla eri menetelmillä. Tässä tutkielmassa keskitytään menneiden havaintojen perusteella tulevaisuuden arvoja ennustaviin ARIMA-luokan malleihin sekä autoregressiiviseen neuroverkkomalliin. Lisäksi tutkielmassa esitellään mallien parametrien valintaan soveltuvia algoritmeja. Algoritmien avulla malleilla tehtävä ennustaminen on mahdollista automatisoida, eikä tällöin siis subjektiivista päättelyä sopivasta mallista tarvita. Menetelmien toimivuuksia testataan ennustamalla asiakkaiden tyytyväisyyttä havainnollistavia kuukausittaisia arvoja 1–12 askelta eteenpäin. Ennusteita verrataan todellisiin havaintoihin, joita ei ole otettu huomioon mallin valitsemis- eikä sovittamisvaiheessa. Erityisesti tarkastellaan ennustevirheiden itseisarvojen kehittymistä kauemmas tulevaisuuteen ennustettaessa, ja vertaillaan eri ennustamismenetelmiä keskenään. Tutkielmasta selviää, että ARIMA-perheen mallit toimivat kauttaaltaan melko tarkasti tulevaisuuden tyytyväisyystasojen ennustamisessa. Erityisen hyvin toimii regressiomalli kausittaisilla ARIMA-virheillä, jossa menneiden tyytyväisyystasojen lisäksi käytetään palautemääriä ennusteiden laskemiseen. Autoregressiivinen neuroverkkomalli ennustaa ensimmäiset kuukaudet hyvin, mutta sen tarkkuus heikkenee kauemmas ennustettaessa