Indholdsfortegnelse
Indholdsfortegnelse- Fra data til beslutninger: Udnyttelse af forecast accuracy til Supply Chain Excellence
- Hvad er forecast accuracy?
- Sådan måler du forecast accuracy nøjagtighed
- Hvordan ser en “god” forecast accuracy ud?
- Hvilken model for prognosenøjagtighed skal du bruge?
- Hvad skal jeg bruge forecast accuracy til?
- Til planlægning af forsyningskæden er det helt afgørende at have en god idé om den fremtidige efterspørgsel og dens volatilitet.
- Blog authors
- Ofte stillede spørgsmål om forecast accuracy
Lad os starte med en hårdtslående statistik: 77% af virksomhederne investerer i teknologi for at skabe bedre synlighed i forsyningskæden. Men nu kommer det spændende: De, der allerede har taget springet, har angiveligt dobbelt så stor sandsynlighed for at undgå problemer i forsyningskæden som andre.
Supply chain-synlighed er derfor en topprioritet for supply chain-ledere. Men i en tid, hvor AI og maskinlæringsdrevne værktøjer forandrer prognoselandskabet, er der et afgørende planlægningsparadoks, som vi ikke har råd til at ignorere, og det er, at ingen prognose er immun over for fejl.
Heldigvis findes der statistiske værktøjer og teknikker, som kan hjælpe dig med at lukke hullet mellem den forventede og den faktiske efterspørgsel.
Derfor vil vi i dagens blog dykke ned i emnet prognosenøjagtighed, og hvordan du kan bruge denne kraftfulde statistiske analyseteknik til at opbygge mere robuste prognoser og skabe bedre synlighed i hele din forsyningskæde.
Lad os starte med det grundlæggende…
Hvad er forecast accuracy?
Prognosenøjagtighed er en metode, du kan bruge til at bedømme kvaliteten af dine prognoser. I forbindelse med planlægning af forsyningskæden henviser prognosenøjagtighed til, hvor tæt den forudsagte efterspørgsel efter produkter eller tjenester matcher den faktiske efterspørgsel.
Resultatet af denne analyse kan være med til at sikre en mere effektiv beslutningstagning. Men tag ikke fejl; det er ikke en sølvkugle, du kan bruge som en hurtig løsning til at dække dine prognoseunderskud.
Det kan endda være besværligt at fastslå, hvilken fejlmargin man skal tage højde for. Når alt kommer til alt, hvordan kan man så definere, hvad “nøjagtig” er?
100% nøjagtighed ville være en drøm, men det er ofte mere et idealiseret benchmark end et realistisk resultat. På samme måde lyder 75% rimeligt, men om det er opnåeligt eller endda brugbart som mål, er næsten umuligt at svare på.
Det afhænger helt af din virksomheds mål, dine kunders købsadfærd og de data, du har til rådighed.
Sådan måler du forecast accuracy nøjagtighed
Selvom det er værdifuldt at forudsige din forventede salgssucces, ligger den sande indsigt ofte i at vurdere nøjagtigheden af denne prognose. For at opnå dette er det vigtigt at etablere en måde at tildele en performance-score til den. I mange tilfælde giver denne score et mere meningsfuldt perspektiv end prognosen alene.
De grundlæggende principper for måling af prognosepræcision
Før vi fortsætter, er det vigtigt at få styr på det grundlæggende.
Alle målinger er baseret på prognosefejlen, e. Denne fejl er forskellen mellem prognosen, f, dvs. den forudsagte efterspørgsel, og den faktiske efterspørgsel, d, inden for en bestemt tidsperiode:
En prognose er god, når fejlmålet er lille.
Nogle gange er præstationen dog fokuseret på nøjagtighed snarere end graden af fejl. I dette tilfælde er en prognose god, når nøjagtigheden er tæt på 100%.
Der er flere metoder til at vurdere prognosens nøjagtighed. Og hver af dem har positive og negative sider. Nedenfor er en guide til de mest almindelige, du har til rådighed.
Bias eller middelfejl (ME)
Det første mål for prognosenøjagtighed, kaldet bias eller middelfejl (ME), er gennemsnittet af prognosefejlen:
Dette mål er let at forstå. For en god prognose er forskellen mellem forudsigelserne og den faktiske efterspørgsel lille, så dens bias er tæt på nul.
En positiv bias indikerer, at du forudsiger for meget efterspørgsel, mens en negativ bias betyder, at du undervurderer den.
En ulempe ved denne model er dog, at positive og negative fejl udligner hinanden. En prognose med store fejl kan stadig have en lille bias. Derfor bør man aldrig se på bias alene, men også se på andre mål for prognosens nøjagtighed.
Gennemsnitlig absolut fejl (MAE)
En model, der er en direkte indikation af fejlens størrelse, er den gennemsnitlige absolutte fejl (MAE):
Fordelen ved denne model er, at den bruger absolutte prognosefejl, så en lille MAE betyder, at alle prognosefejl er tæt på nul.
Det er også et nemt mål at fortolke.
Men det viser ikke, hvor stor denne gennemsnitlige fejl er i forhold til den faktiske efterspørgsel. En prognose, der er 5 stykker forkert, er meget dårlig for et produkt, der sælger 10 i gennemsnit, men god for et produkt, der opnår et gennemsnitligt salg på 1.000.
Gennemsnitlig absolut procentvis fejl (MAPE)
Den gennemsnitlige absolutte procentvise fejl (MAPE) afspejler, hvor store fejlene er sammenlignet med den faktiske efterspørgsel.
Det er defineret som det gennemsnitlige forhold mellem prognosefejlen og den faktiske efterspørgsel:
Derfor er den også let at fortolke.
MAPE angiver, hvor meget prognosen i gennemsnit rammer ved siden af, udtrykt i procent.
Denne metode til at forudsige nøjagtigheden har dog også sine begrænsninger. Overestimering af efterspørgslen straffes hårdere end underestimering. At forudsige 30 stykker, når den faktiske efterspørgsel kun var 10 stykker, giver en MAPE på 200%, men undervurderinger giver kun en maksimal MAPE på 100%.
Det er et problem for produkter med lille efterspørgsel, hvor det er sværere at opnå en lille MAPE. Men det er et endnu større problem for tidsperioder uden efterspørgsel, da man så dividerer med nul.
Gennemsnitlig kvadratisk fejl (RMSE)
Den sidste model for prognosenøjagtighed, der skal nævnes, er root mean squared error (RSME).
Som navnet antyder, er dette mål baseret på kvadratroden af prognosefejlene:
Denne model ligner, og kan derfor sammenlignes med, MAE, men straffer større fejl meget mere end mindre.
Det er et godt mål for at se, om det forventede og faktiske salg altid ligger tæt på hinanden. Men desværre gør det netop denne model sværere at fortolke.
Hvis dine efterspørgselsdata indeholder et lejlighedsvist afvigende salg, som du ikke forventer, at en prognose fanger, bør du i stedet bruge MAE-metoden, da den er meget mere robust over for afvigende salg.
Den gennemsnitlige kvadrerede fejl (MSE) er næsten det samme som RMSE, men den bruger ikke den ekstra kvadratrod. Derfor udtrykker den fejlen i kvadrerede enheder, hvilket gør MSE sværere at fortolke.
Der findes mange andre mål for prognosepræcision. Hvilket du skal bruge, afhænger af de data, du har til rådighed, og det kan være værd at tjekke nogle af de sjældnere alternativer for at se, om der er et bedre match.
Hvordan ser en “god” forecast accuracy ud?
Den store mængde modeller for prognosenøjagtighed giver anledning til spørgsmål som: “Hvilket mål for prognosenøjagtighed skal jeg bruge?” og “Hvad skal mit mål for prognosenøjagtighed være?”
Desværre er ingen af disse spørgsmål lette at besvare.
Lad os sige, at du styrer prognosen for dine produkter og finder ud af, at MAE i gennemsnit er 60 %.
Er det en god eller en dårlig score?
En prognoses nøjagtighedsscore er ikke meget værd i sig selv. Den fremtidige efterspørgsel efter et produkt er For at vurdere kvaliteten af en prognose skal man have en idé om, hvor forudsigelig efterspørgslen er. Og det afhænger af mange faktorer.
Efterspørgslen efter produkter med store volumener er normalt lettere at forudsige end slow movers. Det er også lettere at forudsige efterspørgslen efter et produkt i en gruppe af butikker end præcist at registrere efterspørgslen i hver enkelt butik.
Desuden er langsigtede forudsigelser meget sværere end forudsigelser af kortsigtet efterspørgsel. Den opnåelige prognosenøjagtighed afhænger også af mængden af relevante data, du har til rådighed.
Hvis der mangler vigtige oplysninger, vil dine prognosemodeller ikke fungere godt. Når alt kommer til alt, kan du kun lave forudsigelser baseret på det, du ved.
De to grafer ovenfor viser en simpel prognose og det faktiske salg af to hypotetiske produkter.
Efterspørgslen efter det første produkt viser et tydeligt månedligt mønster, så en konstant prognose er klart suboptimal.
For det andet produkt er de samme data blevet brugt, men efterspørgslen er blandet over tid. Det betyder, at der ikke længere er et månedligt mønster i dataene.
Uden yderligere oplysninger er en konstant prognose det bedste, vi kan gøre.
Alle de tidligere diskuterede mål viser, at præstationen af denne konstante prognose for disse to produkter er nøjagtig den samme. Det er selvfølgelig misvisende.
Hvis du bruger en model, der kan registrere ugentlige og månedlige mønstre, vil du få en meget bedre prognose for det første produkt, som grafen nedenfor viser.
Graf 3: Gode forudsigelser af forudsigelig efterspørgsel
Ovenstående grafer viser alle en af de største ulemper ved at forsøge at måle prognosepræcision, nemlig at man kun kan sige, at præcisionen er god, når den sættes ind i den rigtige sammenhæng.
Det er meget bedre at sammenligne en models forecasting-performance med andre modeller end at fokusere på scorernes værdier.
Det er her, baseline-modeller kommer ind i billedet.
En baseline-model giver en prognose baseret på simpel logik. Den kan beregne en konstant prognose baseret på din gennemsnitlige historiske efterspørgsel.
Det kan give dig en nedre grænse for din præstation, som du kan sammenligne dine prognoser med, sammen med en idé om, hvor forudsigelig efterspørgslen er.
Når vi sammenligner vores prognosemodellers nøjagtighed med baseline-modellernes, kan vi se, hvor meget bedre vi klarer os.
Hvilken model for prognosenøjagtighed skal du bruge?
Som vi allerede har nævnt, er der faldgruber og fordele ved alle modeller, som du kan bruge til at lave præcise prognoser. Så her er en kort oversigt over dem.
Tabel 1: Fordele og ulemper ved målene for prognosenøjagtighed.
| Let at fortolke | Indikerer over- eller underestimering | Lille, når fejlene er små | Relativ fejl | Følsom over for store fejl | |
|---|---|---|---|---|---|
| Bias/ME | ✅ | ✅ | ❌ | ❌ | ❌ |
| MAE | ✅ | ❌ | ✅ | ❌ | ❌ |
| MAPE | ✅ | ❌ | ✅ | ✅ | ❌ |
| RMSE | ❌ | ❌ | ✅ | ❌ | ❌ |
Det er vigtigt at indse, at hver model for prognosenøjagtighed måler noget forskelligt. Derfor vil den bedste prognose variere afhængigt af dit valg af model.
Grafen nedenfor viser dette mere kortfattet. Selv for en konstant forudsigelse er forskellige mål for prognosenøjagtighed ikke enige om, hvad den optimale prognose er.
Så hvilket prognosemål er bedst for dig? Det afhænger af, hvad du er interesseret i.
Graf 4: For forskellige mål for prognosenøjagtighed er forskellige forudsigelser optimale
Hvad skal jeg bruge forecast accuracy til?
Du bør undgå kun at se på én model for prognosepræcision.
På den måde er det mere sandsynligt, at du undgår nogle af faldgruberne, når du forudsiger nøjagtigheden af forskellige produkter og produktgrupper. Prognosenøjagtigheder, når de bruges effektivt, er dog utroligt værdifulde for din virksomhed.
1) De kan forbedre dine forretningsprocesser.
Hvis det gøres ordentligt, kan det være meget nyttigt at evaluere prognosekvaliteten for at forbedre dine forretningsprocesser.
For at finde områder, der kan forbedres, er du nødt til at se på prognosernes indvirkning på dit lager og din virksomhed som helhed.
Det er her, Business Intelligence (BI) har nøglen.
For det første skal du se på alle de tilgængelige data. Ved hjælp af BI kan dine data analyseres og omdannes til brugbare indsigter ved hjælp af datavisualiseringsværktøjer.
På den måde kan du vurdere en række præstationsindikatorer på samme tid og zoome ind på meget specifikke grupper af produkter.
Hvis dine prognoser er mindre relevante, kan BI desuden afsløre andre områder, hvor du kan forbedre dine forretningsprocesser.
For produkter med korte leveringstider og store batchstørrelser er det ikke så relevant, hvor præcis en prognose er. Du genbestiller, når lageret er lavt, og venter bare, så længe det tager at sælge disse varer.
Målet med BI er at få handlingsorienteret indsigt fra data, så du kan bruge det i datadrevet beslutningstagning.
Rapportering om prognosenøjagtighed på vareniveau giver måske ikke indsigt, man kan handle på. Undtagelser fra gode prognoser giver dog indsigt på vareniveau og er triggere til straks at evaluere prognosen for specifikke varer.
Der er en anden grund til, at det er vigtigt at overvåge prognosernes nøjagtighed.
2) Du kan måle for usikkerhed.
En prognose af høj kvalitet er i stand til at forudsige mønstre i dine efterspørgselsdata. Men en prognose er aldrig perfekt. Der vil altid være usikkerhed om din fremtidige efterspørgsel.
For at kunne planlægge en god forsyningskæde er det vigtigt at vide, hvor usikre dine efterspørgselsprognoser er. Så kan du tage højde for usikkerheder og overveje risikoen for lagerudslip.
Hvis du vil sikre et vist serviceniveau over for dine kunder – og hvem vil ikke det? – er man nødt til at have et sikkerhedslager for at dække usikkerheder.
Jo mindre præcis prognosen er, jo mere sikkerhedslager har du brug for.
Se på forskellene mellem den forudsagte og den faktiske efterspørgsel, dvs. prognosefejlen, for de to hypotetiske produkter nedenfor.
Hvis vi antager, at vi har været i stand til at formulere gode prognosemodeller for disse produkter, dvs. at de fanger den forudsigelige del af efterspørgslen, giver prognosenøjagtigheden os information om de forventede forskelle mellem efterspørgselsprognosen og den faktiske efterspørgsel.
Graf 5: For forskellige mål for prognosenøjagtighed er forskellige forudsigelser optimale
Gruppe 6: Fejlfordeling for et produkt med lav forventet usikkerhed med dæktid
Ovenstående viser fejlfordelingerne for disse to prognoser.
Produktet med højere forventet usikkerhed kræver et større sikkerhedslager for at dække f.eks. 99% af efterspørgslen.
Grafen viser også en symmetrisk fejlfordeling.
Det kan være tilfældet for gode prognoser for produkter med stor efterspørgsel. Men for produkter med lav eller uregelmæssig efterspørgsel er fejlfordelingen ikke symmetrisk, fordi efterspørgslen ikke kan være negativ.
For at beslutte et passende sikkerhedslagerniveau skal du tage højde for formen på fejlfordelingen.
Ved at overvåge fordelingen af prognosefejl kan du få en god idé om, hvilke typer fejl du kan forvente i fremtiden og justere din supply chain-proces i overensstemmelse hermed.
Graf 7: Symmetrisk prognosefejl for et hurtigt omsætteligt produkt
Graf 8: Asymmetrisk prognosefejl for et produkt med lav eller uregelmæssig efterspørgsel
Til planlægning af forsyningskæden er det helt afgørende at have en god idé om den fremtidige efterspørgsel og dens volatilitet.
Derfor er det kun naturligt at overvåge prognosenøjagtigheden.
Når du undersøger din egen prognosepræcision, skal du huske på følgende punkter:
- Det er ikke muligt at sætte generelle mål for prognosenøjagtighed, fordi du ikke på forhånd ved, hvor forudsigelig efterspørgslen er (med de tilgængelige data).
- I stedet er du nødt til at sammenligne prognosemodellernes ydeevne med andre (baseline)modeller.
- Der findes heller ikke nogen “bedste” model for prognosenøjagtighed.
- For at få en god evaluering af forecasting-præstationen er du nødt til at se på et udvalg af målinger, der relaterer til dit mål.
- Når du vurderer forecasting-performance, skal du sikre dig, at du ser på alle de relevante oplysninger.
- Du bør også fokusere på andre områder i forsyningskædeprocessen, især når disse er flaskehalsene for ydeevnen.
- Gode prognoser kan forudsige mønstre i din efterspørgsel, men der vil altid være en vis usikkerhed involveret. For det er jo fremtiden, og det er faktisk ikke sket endnu.
- Prognosenøjagtighed er en måde at måle denne usikkerhed på, når man stoler på prognoseforudsigelser.
- Du bør bruge disse oplysninger til at justere dine genopfyldningsprocesser og dække eventuelle forventede prognosefejl.
Blog authors
Nico Van Dijk
Kevin Overbeek
Ofte stillede spørgsmål om forecast accuracy
Hvad er forecast accuracy?
Prognosepræcision er en metode, der bruges til at vurdere kvaliteten af prognoser. I supply chain-planlægning måler den, hvor tæt den forudsagte efterspørgsel matcher den faktiske efterspørgsel.
Hvordan kan jeg måle prognosens nøjagtighed?
Prognosenøjagtighed kan måles ved hjælp af forskellige metoder, herunder Bias eller mean error (ME), Mean absolute error (MAE), Mean absolute percentage error (MAPE), Root mean squared error (RMSE) og meget mere. Hver metode har sine fordele og ulemper.
Hvad er betydningen af prognosepræcision?
Prognosenøjagtighed er afgørende for at forbedre forretningsprocesser og lagerstyring. Det hjælper med at evaluere prognosernes indvirkning på lagerbeholdningen, identificere områder, der kan forbedres, og træffe datadrevne beslutninger.
Hvordan skal en "god" prognosepræcision se ud?
Definitionen af “god” prognosenøjagtighed varierer afhængigt af faktorer som produktets efterspørgselsmønstre, leveringstider og datatilgængelighed. Det er vigtigt at sammenligne prognosenøjagtighed med basismodeller og overveje konteksten.
Hvorfor overvåge prognosens nøjagtighed?
Overvågning af prognosens nøjagtighed hjælper med at forstå usikkerheden i efterspørgslen, bestemme sikkerhedslagrene og sikre et vist serviceniveau over for kunderne. Det giver virksomhederne mulighed for at tilpasse deres forsyningskædeprocesser, så de tager højde for prognosefejl.
