Cuprins
Cuprins- Forecast Accuracy: definiție, formulă, exemple și cele mai bune practici
- Ce este forecast accuracy?
- Indicatori ai forecast accuracy
- Cum arată o precizie “bună” a previziunilor?
- Ce model de forecast accuracy ar trebui să utilizați?
- La ce ar trebui să folosesc acuratețea previziunilor?
- Gânduri finale privind forecast accuracy
- Autori de bloguri
- Întrebări frecvente privind forecast accuracy
Să începem cu o statistică dură: 77% dintre întreprinderi investesc în tehnologie pentru a crea o mai bună vizibilitate a lanțului de aprovizionare. Dar iată partea interesantă: se pare că cei care au făcut deja acest pas au de două ori mai multe șanse decât ceilalți să evite problemele lanțului de aprovizionare.
Vizibilitatea lanțului de aprovizionare este, prin urmare, o prioritate de top pentru liderii lanțului de aprovizionare. Dar, într-o eră în care instrumentele alimentate de inteligența artificială și de învățare automată transformă peisajul previziunilor, există un paradox crucial al planificării pe care nu ne putem permite să îl ignorăm, și anume că nicio prognoză nu este imună la erori.
Din fericire, există instrumente și tehnici statistice care vă pot ajuta să reduceți decalajul dintre cererea prognozată și cea reală.
Prin urmare, în blogul de astăzi, vom aprofunda subiectul acurateței previziunilor și modul în care puteți utiliza această tehnică puternică de analiză statistică pentru a elabora previziuni mai solide și pentru a crea o mai bună vizibilitate în întregul lanț de aprovizionare.
Să începem cu elementele fundamentale.
Ce este forecast accuracy?
Precizia previziunilor este o metodă pe care o puteți utiliza pentru a evalua calitatea previziunilor dumneavoastră. În contextul planificării lanțului de aprovizionare, acuratețea previziunilor se referă la cât de mult se potrivește cererea prognozată pentru produse sau servicii cu cererea reală.
Rezultatul acestei analize poate contribui la asigurarea unui proces decizional mai eficient. Dar nu faceți nicio greșeală; nu este un glonț de argint pe care îl puteți utiliza ca o soluție rapidă pentru a acoperi deficiențele de prognoză.
Chiar și stabilirea marjei de eroare pe care trebuie să o permiteți poate fi problematică. La urma urmei, cum puteți defini ce înseamnă “precis”?
O acuratețe de 100% ar fi un vis, dar este adesea mai degrabă un punct de referință idealizat decât un rezultat realist. De asemenea, 75% sună rezonabil, dar este aproape imposibil de răspuns dacă este realizabil sau chiar util ca obiectiv.
Depinde în totalitate de obiectivele companiei dumneavoastră, de natura comportamentului de cumpărare al clienților dumneavoastră și de datele pe care le aveți la dispoziție.
Indicatori ai forecast accuracy
Deși previzionarea succesului anticipat al vânzărilor este valoroasă, adevărata perspectivă constă adesea în evaluarea acurateței acestei previziuni. Pentru a realiza acest lucru, este esențial să stabiliți o modalitate de a-i atribui un scor de performanță. În multe cazuri, acest scor oferă o perspectivă mai semnificativă decât prognoza în sine.
Fundamentele măsurării acurateței previziunilor
Înainte de a continua, este important să abordăm elementele de bază.
Toate măsurătorile se bazează pe eroarea de prognoză, e. Această eroare este diferența dintre prognoza f, adică cererea prevăzută, și cererea reală d, într-o anumită perioadă de timp:
O prognoză este bună atunci când măsura erorii este mică.
Uneori, însă, performanța se concentrează mai degrabă pe acuratețe decât pe gradul de eroare. În acest caz, o prognoză este bună atunci când acuratețea este aproape de 100%.
Există mai multe metode de evaluare a acurateței prognozei. Și fiecare dintre ele are atașate aspecte pozitive și negative. Mai jos este un ghid al celor mai comune dintre cele pe care le aveți la dispoziție.
Bias sau eroare medie (ME)
Prima măsură a acurateței previziunilor, numită eroare de polarizare sau eroare medie (ME), reprezintă media erorilor de previziune:
Această măsură este ușor de înțeles. În cazul unei previziuni bune, diferența dintre previziuni și cererea reală este mică, astfel încât distorsiunea sa este aproape de zero.
O prejudecată pozitivă indică faptul că prognozați o cerere prea mare, în timp ce o prejudecată negativă înseamnă că o subestimați.
Cu toate acestea, un dezavantaj al acestui model este că erorile pozitive și negative se anulează reciproc. O prognoză cu erori mari poate avea totuși o distorsiune mică.
Prin urmare, nu ar trebui să luați niciodată în considerare doar prejudecata, ci să vă uitați și la alte măsuri pentru acuratețea prognozei.
Eroare medie absolută (MAE)
Un model care indică în mod direct amploarea erorilor este eroarea medie absolută (MAE):
Avantajul acestui model este că utilizează erori de prognoză absolute, astfel încât un MAE mic înseamnă că toate erorile de prognoză sunt aproape de zero.
De asemenea, este o măsură ușor de interpretat.
Cu toate acestea, nu arată cât de mare este această eroare medie, în comparație cu cererea reală. O prognoză care este greșită cu 5 bucăți este foarte proastă pentru un produs care vinde în medie 10 bucăți, dar bună pentru un produs care realizează o medie de 1.000 de vânzări.
Eroare procentuală absolută medie (MAPE)
Eroarea procentuală absolută medie (MAPE) reflectă cât de mari sunt erorile în comparație cu cererea reală.
Aceasta este definită ca fiind raportul mediu dintre eroarea de prognoză și cererea reală:
Din acest motiv, este, de asemenea, ușor de interpretat.
MAPE indică cât de mult este greșită prognoza în medie, ca procent.
Cu toate acestea, această metodă de precizie a previziunilor are și ea limitările sale. Supraestimarea cererii este pedepsită mai mult decât subestimarea. Previzionarea a 30 de bucăți, când cererea reală a fost de numai 10 bucăți, dă un MAPE de 200%, dar subestimările dau un MAPE maxim de numai 100%.
Aceasta este o problemă pentru produsele cu cerere mică, unde este mai dificil să se obțină un MAPE mic. Dar este o problemă și mai mare pentru perioadele de timp în care nu există cerere, deoarece ar trebui să împărțiți la zero.
Eroare medie pătratică (RMSE)
Ultimul model de precizie a previziunilor care trebuie menționat este eroarea medie pătratică de bază (RMME).
După cum sugerează și numele, această măsură se bazează pe rădăcina pătrată a erorilor de prognoză:
Acest model este similar și, prin urmare, comparabil cu MAE, dar pedepsește erorile mari mult mai mult decât cele mici.
Este o măsură bună pentru a vedea dacă vânzările previzionate și cele reale sunt întotdeauna apropiate una de cealaltă. Din păcate, însă, acest lucru face ca acest model special să fie mai dificil de interpretat.
În cazul în care datele privind cererea dvs. conțin ocazional o vânzare izolată, pe care nu vă așteptați ca o prognoză să o surprindă, ar trebui să folosiți în schimb metoda MAE, deoarece este mult mai robustă la valorile aberante.
Eroarea medie pătratică (MSE) este aproape la fel ca RMSE, dar nu utilizează rădăcina pătrată suplimentară. Prin urmare, aceasta exprimă eroarea în unități pătrate, ceea ce face ca MSE să fie mai dificil de interpretat.
Există multe alte măsuri de precizie a prognozei disponibile. Pe care ar trebui să o folosiți va depinde de datele pe care le aveți la dispoziție și ar putea merita să verificați unele dintre alternativele mai rare pentru a vedea dacă există o potrivire mai bună.
Cum arată o precizie “bună” a previziunilor?
Cantitatea mare de modele de precizie a previziunilor ridică întrebări de genul: “Ce măsură de precizie a previziunilor ar trebui să folosesc?” și “Care ar trebui să fie ținta de precizie a previziunilor mele?”.
Din păcate, niciuna dintre aceste întrebări nu este ușor de răspuns.
Să spunem că gestionați prognoza pentru produsele dvs. și aflați că, în medie, MAE este de 60%.
Este acesta un scor bun sau rău?
Un scor de acuratețe a prognozei în sine nu înseamnă mare lucru. Cererea viitoare pentru un produs este Pentru a evalua calitatea unei prognoze, aveți nevoie de o idee despre cât de previzibilă este cererea. Iar acest lucru depinde de mulți factori.
Cererea pentru produsele cu volume mari este, de obicei, mai ușor de prezis decât cele cu evoluție lentă. De asemenea, este mai ușor să prezici cererea pentru un produs într-un grup de magazine decât să surprinzi cu exactitate cererea din fiecare magazin în parte.
În plus, previziunile pe termen lung sunt mult mai dificile decât previziunile privind cererea pe termen scurt. Acuratețea previziunilor care poate fi atinsă depinde, de asemenea, de cantitatea de date relevante pe care o aveți la dispoziție.
Dacă lipsesc informații importante, modelele dvs. de prognoză nu vor avea performanțe bune. La urma urmei, puteți face previziuni doar pe baza a ceea ce știți.
Cele două grafice de mai sus prezintă o prognoză simplă și vânzările reale a două produse ipotetice.
Cererea pentru primul produs prezintă un model lunar distinct, astfel încât o prognoză constantă este în mod clar suboptimală.
Pentru cel de-al doilea produs, au fost utilizate aceleași date, dar cererea este amestecată în timp. Acest lucru înseamnă că nu mai există un model lunar în date.
Fără informații suplimentare, o prognoză constantă este tot ce putem face mai bine.
Toate măsurile discutate anterior arată că performanța acestei prognoze constante pentru aceste două produse este exact aceeași. Desigur, acest lucru este înșelător.
Dacă folosiți un model care poate detecta modele săptămânale și lunare, veți obține o prognoză mult mai bună pentru primul produs, după cum demonstrează graficul de mai jos.
Graficul 3: Previziuni bune ale cererii previzibile
Graficele de mai sus arată unul dintre principalele dezavantaje în încercarea de a măsura acuratețea prognozelor, și anume că se poate spune că acuratețea este bună doar atunci când este pusă în contextul potrivit.
Este mult mai bine să comparați performanța de prognoză a unui model cu alte modele decât să vă concentrați asupra valorilor scorurilor.
Aici intervin modelele de referință.
Un model de bază oferă o prognoză bazată pe o logică simplă. Acesta poate calcula o prognoză constantă pe baza cererii dumneavoastră medii istorice.
Acesta vă poate oferi o limită inferioară a performanței dvs. cu care să vă comparați previziunile, împreună cu o idee despre cât de previzibilă este cererea.
Comparând acuratețea previziunilor modelelor noastre de prognoză cu cea a modelelor de bază, ne spune cât de mult ne descurcăm mai bine.
Ce model de forecast accuracy ar trebui să utilizați?
După cum am menționat deja, fiecare model pe care îl puteți utiliza pentru acuratețea previziunilor are capcane și aspecte pozitive. Așadar, iată o scurtă prezentare a acestora.
Table 1: Tabelul 1: Avantajele și dezavantajele măsurilor de forecast accuracy
| Ușor de interpretat | Indică o supraestimare sau o subestimare | Mici atunci când erorile sunt mici | Eroare relativă | Sensibil la erori mari | |
|---|---|---|---|---|---|
| Bias/ME | ✅ | ✅ | ❌ | ❌ | ❌ |
| MAE | ✅ | ❌ | ✅ | ❌ | ❌ |
| MAPE | ✅ | ❌ | ✅ | ✅ | ❌ |
| RMSE | ❌ | ❌ | ✅ | ❌ | ❌ |
Este esențial să ne dăm seama că fiecare model de precizie a previziunilor măsoară ceva diferit. Prin urmare, cea mai bună prognoză va fi diferită în funcție de modelul ales.
Graficul de mai jos arată acest lucru mai succint. Chiar și în cazul unei previziuni constante, diferitele măsuri de precizie a previziunilor nu se pun de acord cu privire la care este previziunea optimă.
Măsuri diferite de precizie a previziunilor, predicții diferite sunt optime
Graficul 4: Pentru diferite măsuri de precizie a previziunilor, diferite previziuni sunt optime
La ce ar trebui să folosesc acuratețea previziunilor?
Ar trebui să evitați să vă uitați doar la un singur model de precizie a previziunilor.
În acest fel, este mai probabil să evitați unele dintre capcanele care apar atunci când prognozați acuratețea previziunilor pentru diferite produse și grupuri de produse. Preciziile de prognoză, atunci când sunt utilizate în mod eficient, sunt totuși incredibil de valoroase pentru afacerea dumneavoastră.
1) Vă pot îmbunătăți procesele de afaceri
Dacă este realizată în mod corespunzător, evaluarea calității previziunilor poate fi foarte utilă pentru îmbunătățirea proceselor de afaceri.
Pentru a găsi domeniile în care se pot face îmbunătățiri, trebuie să analizați impactul previziunilor asupra inventarului și a afacerii dvs. în ansamblu.
Aici este locul în care Business Intelligence (BI) deține cheia.
În primul rând, uitați-vă la toate datele disponibile. Cu ajutorul BI, datele dvs. pot fi analizate și transformate în informații utile cu ajutorul instrumentelor de vizualizare a datelor.
Puteți apoi evalua o serie de indicatori de performanță în același timp și puteți să vă concentrați asupra unor grupuri foarte specifice de produse.
În plus, în cazul în care previziunile dvs. sunt mai puțin relevante, BI poate dezvălui alte domenii de îmbunătățire a proceselor dvs. de afaceri.
În cazul produselor cu termene de execuție scurte și loturi de dimensiuni mari, nu este atât de relevant cât de precisă este o prognoză. Refaceți comenzile atunci când stocul este scăzut și așteptați cât timp este nevoie pentru a vinde aceste articole.
Scopul BI este de a obține informații utile din date, astfel încât să le puteți utiliza în procesul decizional bazat pe date.
Raportarea preciziei previziunilor la nivel de articol ar putea să nu ofere informații utile. Cu toate acestea, excepțiile bune de prognoză generează totuși informații acționabile la nivel de articol și sunt declanșatoare pentru a evalua imediat prognoza unor articole specifice.
Există un alt motiv pentru care monitorizarea acurateței prognozelor este esențială.
2) Puteți măsura incertitudinea
O prognoză de înaltă calitate este capabilă să prezică tipare în datele privind cererea dumneavoastră. Dar o prognoză nu este niciodată perfectă. Întotdeauna vor exista incertitudini cu privire la cererea viitoare.
Pentru o bună planificare a lanțului de aprovizionare, este esențial să știți cât de nesigure sunt previziunile privind cererea dumneavoastră. Apoi, puteți lua în considerare incertitudinile și puteți lua în calcul riscul de epuizare a stocurilor.
Dacă doriți să asigurați un anumit nivel de servicii pentru clienții dumneavoastră – și cine nu dorește acest lucru? – trebuie să dețineți stocuri de siguranță pentru a acoperi incertitudinile.
Cu cât previziunile sunt mai puțin precise, cu atât mai multe stocuri de siguranță vor fi necesare.
Analizați diferențele dintre cererea prognozată și cererea reală, adică eroarea de prognoză, pentru cele două produse ipotetice de mai jos.
Dacă presupunem că am reușit să formulăm modele de prognoză bune pentru aceste produse, adică acestea captează partea previzibilă a cererii, precizia prognozei ne oferă informații despre diferențele așteptate între prognoza cererii și cererea reală.
Graficul 5: Pentru diferite măsuri de precizie a previziunilor, diferite previziuni sunt optime
Graficul 6: Distribuția erorilor pentru un produs cu o incertitudine așteptată scăzută cu timpul de acoperire
Figura de mai sus prezintă distribuțiile erorilor pentru aceste două previziuni.
Produsul cu o incertitudine așteptată mai mare necesită un stoc de siguranță mai mare pentru a acoperi, de exemplu, 99% din cerere.
Graficul arată, de asemenea, o distribuție simetrică a erorilor.
Acesta poate fi cazul unor previziuni bune pentru produsele cu cerere mare. Dar pentru produsele cu cerere scăzută sau neregulată, distribuția erorilor nu este simetrică, deoarece cererea nu poate fi negativă.
Pentru a decide asupra unui nivel adecvat al stocului de siguranță, trebuie să țineți cont de forma distribuției erorilor.
Monitorizând distribuția erorilor de prognoză, vă puteți face o idee bună despre tipurile de erori la care să vă așteptați în viitor și să vă ajustați procesul lanțului de aprovizionare în consecință.
Graficul 7: Eroare de prognoză simetrică pentru un produs cu evoluție rapidă
Graficul 8: Eroare de prognoză asimetrică pentru un produs cu o cerere scăzută sau neregulată
Gânduri finale privind forecast accuracy
Pentru planificarea lanțului de aprovizionare, este absolut esențial să avem o idee bună despre cererea viitoare și despre volatilitatea acesteia.
Prin urmare, este firesc să monitorizăm acuratețea previziunilor.
Atunci când analizați propria acuratețe a previziunilor, țineți cont de următoarele puncte:
- Nu este posibil să se stabilească obiective generale de precizie a previziunilor (forecast accuracy), deoarece nu se poate ști dinainte cât de previzibilă este cererea (cu datele disponibile).
- În schimb, trebuie să comparați performanța modelelor de prognoză cu cea a altor modele (de referință).
- În egală măsură, nu există un “cel mai bun” model de acuratețe a prognozei.
- Pentru o bună evaluare a performanțelor de prognoză, trebuie să analizați o selecție de măsuri care se referă la obiectivul dumneavoastră.
- Atunci când evaluați performanța prognozei, trebuie să vă asigurați că analizați toate informațiile relevante.
- De asemenea, trebuie să vă concentrați și asupra altor domenii din procesul lanțului de aprovizionare, mai ales atunci când acestea reprezintă blocajele de performanță.
- Previziunile bune pot prezice tipare în cererea dumneavoastră, dar va exista întotdeauna o anumită incertitudine. Pentru că, ei bine, este vorba de viitor și încă nu s-a întâmplat de fapt.
- Acuratețea previziunilor este o modalitate de a măsura această incertitudine atunci când vă bazați pe previziuni.
- Ar trebui să folosiți aceste informații pentru a vă ajusta procesele de reaprovizionare și pentru a acoperi orice erori de prognoză preconizate.
Autori de bloguri
Nico Van Dijk
Kevin Overbeek
Întrebări frecvente privind forecast accuracy
Ce este precizia previziunilor (forecast accuracy)?
Forecast accuracy este o metodă utilizată pentru a evalua calitatea previziunilor. În planificarea lanțului de aprovizionare, aceasta măsoară cât de mult se potrivește cererea prognozată cu cererea reală.
Cum pot măsura forecast accuracy?
Forecast accuracy poate fi măsurată prin diferite metode, inclusiv eroare de eroare sau eroare medie (ME), eroare medie absolută (MAE), eroare medie absolută procentuală (MAPE), eroare medie pătratică (RMSE) și altele. Fiecare metodă are avantajele și dezavantajele sale.
Care este semnificația forecast accuracy?
Forecast accuracy este esențială pentru îmbunătățirea proceselor de afaceri și a gestionării stocurilor. Aceasta ajută la evaluarea impactului previziunilor asupra stocurilor, la identificarea domeniilor de îmbunătățire și la luarea de decizii bazate pe date.
Cum ar trebui să arate o precizie “bună” a previziunilor?
Definiția unei precizii “bune” a previziunilor variază în funcție de factori precum modelele cererii de produse, termenele de execuție și disponibilitatea datelor. Este esențial să comparați acuratețea previziunilor cu modelele de bază și să luați în considerare contextul.
De ce să monitorizați Forecast accuracy?
Monitorizarea forecast accuracy ajută la înțelegerea incertitudinii cererii, la determinarea nivelurilor stocurilor de siguranță și la asigurarea unui anumit nivel de servicii pentru clienți. Aceasta permite întreprinderilor să își adapteze procesele lanțului de aprovizionare pentru a ține cont de erorile de prognoză.
