Från data till beslut: Utnyttja prognosprecision för att förbättra leveranskedjan

Senast uppdaterad: November 17, 2023 | 4 min

Att använda sig av teknik inom supply chain är något som blir allt mer vanligt. Statistik visar att 77 % av företag investerar i teknik för att skapa högre transparens i deras leveranskedja. Intressant med denna statistik var att dessa företag enligt uppgifter löpte hälften så stor risk att stöta på problem i deras leveranskedja, i jämförelse med företag som inte nyttjar tekniken.

Detta tyder på att transparens i leveranskedjan bör vara en topprioritet för ledare inom branchen. Vi lever just nu i en tid då AI och maskininlärningsbaserade verktyg förändrar prognoslandskapet, men vi får inte glömma att ingen prognos är imun mot fel.

Som tur är finns det statistiska verktyg och tekniker som kan hjälpa dig att minska avståndet mellan prognostiserad och faktisk efterfrågan.

I denna artikel kommer vi därför att fördjupa oss i ämnet prognosprecision och hur du kan använda denna analysteknik för att bygga mer robusta prognoser och skapa högre transparens genom hela din leveranskedja.

Vad är prognosprecision?

Prognosprecision är en metod som du kan använda för att bedöma kvaliteten på dina prognoser. När det kommer till planering av leveranskedjan avser prognosprecision hur nära den uppskattade efterfrågan på produkter eller tjänster matchar den faktiska efterfrågan.

Resultatet av denna analys kan bidra till ett mer effektivt beslutsfattande. Det är dock viktigt att ha i åtanke att prognosprecision inte är en “quick fix”-metod som snabbt löser dina brister i prognosen, utan ett långsiktigt arbete. Att fastställa vilken felmarginal som ska tillåtas i prognoserna kan också vara svårt. Hur ska man kunna definiera vad som är “korrekt”? Och hur hög precision ska man sikta mot?

Att ha en precision så hög att den faktiska efterfrågan stämmer överens till 100 % med prognosen är för många företag en dröm, men tyvärr inte realistiskt. En precision på 75 % låter mer rimligt, men om det är möjligt att uppnå eller användbart som mål för just ditt företag är svårt att säga på rak arm. Det beror helt på vilka mål ditt företag har, hur dina kunders köpbeteende ser ut och vilken data du har tillgänglig.

Hur man mäter prognosprecision

Även om det är värdefullt att göra prognoser för förväntad försäljning ligger den viktigaste insikten ofta i att bedöma hur korrekt prognosen är. För att göra detta är det viktigt att skapa en rutin för att tilldela en slags prestationspoäng till prognosen för att avläsa hur väl den presterade. I många fall ger denna poäng ett mer meningsfullt perspektiv än enbart själva prognosen.

Grunderna i att mäta prognosprecision

För att förstå hur du mäter prognosprecision är det viktigt att vi går igenom grunderna.

Alla mått baseras på prognosfelet, e. Detta fel är skillnaden mellan prognosen, f, dvs den förväntade efterfrågan, och den faktiska efterfrågan, d, inom en viss tidsperiod:

 

Forecast Accuracy Formula

 

En prognos är bra när felmåttet är litet.

I vissa fall baseras prestandan på hur exakt prognosen är snarare än graden av fel. I detta fall är en prognos bra när träffsäkerheten är nära 100%.

Det finns flera metoder för att bedöma prognosprecisionen och alla har positiva och negativa aspekter. Nedan är en guide som täcker de vanligaste metoderna.

Bias eller mean error (ME)

Det första måttet för prognosprecision kallas bias eller mean error (ME) och är genomsnittet av prognosfelet:

 

Forecast Accuracy Formula 2

 

Detta mått är lätt att förstå. För en bra prognos är skillnaden mellan prognoserna och den faktiska efterfrågan liten, så dess bias är nära noll.

En positiv bias innebär att du förutspår för stor efterfrågan, medan en negativ bias innebär att du underskattar den.

En nackdel med denna modell är dock att positiva och negativa fel tar ut varandra. En prognos med stora fel kan fortfarande ha en liten bias. Därför bör man aldrig enbart ta hänsyn till bias, utan även titta på andra mått för prognosprecision.

Mean absolute error (MAE)

En modell som ger en direkt indikation på felets storlek är det genomsnittliga absoluta felet “Mean absolute error” (MAE):

 

Forecast Accuracy Mean Absolute Error

 

Fördelen med denna modell är att den använder absoluta prognosfel, så ett litet MAE innebär att alla prognosfel är nära noll. Måttet är dessutom lätt att tolka.

Nackdelen är dock att det inte visar hur stort detta genomsnittliga fel är jämfört med den faktiska efterfrågan. En prognos som avviker med en försäljning på 5 produkter är dåligt för en produkt med en genomsnittlig försäljning på 10, men bra för en produkt med en genomsnittlig försäljning på 1 000.

Mean absolute percentage error (MAPE)

Det genomsnittliga absoluta procentuella felet (MAPE) återspeglar hur stora felen är jämfört med den faktiska efterfrågan.

Det definieras som den genomsnittliga kvoten mellan prognosfelet och den faktiska efterfrågan:

 

Forecast Accuracy Mean Absolute Percentage Error

 

Därför är den också lätt att tolka.

MAPE anger hur mycket prognosen i genomsnitt är fel, uttryckt i procent.

Denna metod för prognosprecision har dock också sina begränsningar. Överskattningar av efterfrågan bestraffas mer än underskattningar. Att förutse 30 stycken när den faktiska efterfrågan bara var 10 stycken ger en MAPE på 200%, men underskattningar ger en maximal MAPE på bara 100%.

Detta är ett problem för produkter med liten efterfrågan där det är svårare att få en liten MAPE. Det är dessutom ett ännu större problem för tidsperioder utan efterfrågan eftersom man då dividerar med noll.

Root mean squared error (RMSE)

Den sista modellen för prognosprecision som bör nämnas är root mean squared error (RSME).

Som namnet antyder baseras detta mått på kvadratroten av prognosfelen:

 

Forecast Accuracy Root Mean Squared Error

 

Denna modell liknar, och är därför jämförbar med, MAE, men straffar större misstag mycket hårdare än mindre.

Det är ett bra mått för att se om den prognostiserade och faktiska försäljningen alltid ligger nära varandra. Tyvärr är dock denna modell svårtolkad.

Om dina data på efterfrågan innehåller enstaka avvikande försäljningar, som du inte förväntar dig att en prognos ska fånga upp, bör du istället använda MAE-metoden eftersom den är tåligare mot avvikande värden.

Medelkvadratfelet “Mean square error” (MSE) är nästan detsamma som RMSE, men modellen använder inte den extra kvadratroten. Därför uttrycks felet i kvadrerade enheter vilket gör MSE svårare att tolka.

Detta var några mått för att bedöma precisionen för din prognos, men det finns även många andra mått på prognosprecision. Vilket du ska använda beror på vilken data du har tillgänglig. Det kan vara värdefullt att kika på några av de mer sällsynta alternativen för att se om det finns ett mer lämpligt mått för just dig.

Hur ser en “bra” prognosprecision ut?

Eftersom det finns så många olika modeller för prognosprecision är det vanligt att det uppstår frågor som “Vilket mått på prognosprecision ska jag använda?” och “Vad ska mitt mål för prognosprecision vara?”.

Tyvärr finns det inget enkelt och snabbt svar på dessa frågor, utan det beror på hur din situation ser ut. Vi säger att du hanterar prognosen för dina produkter och får reda på att MAE i genomsnitt är 60 %. Då kanske du undrar:

Är det ett bra eller dåligt resultat?

För att bedöma kvaliteten på en prognos behöver du en uppfattning om hur förutsägbar efterfrågan är, vilket beror på många faktorer.

Efterfrågan på produkter med stora volymer är vanligtvis lättare att förutse än produkter med små. Det är också lättare att förutse efterfrågan på en produkt i en grupp av butiker än att exakt uppskatta efterfrågan i varje enskild butik.

Dessutom är långsiktiga prognoser mycket svårare att skapa än prognoser för kortsiktig efterfrågan. Hur exakta prognoser som kan uppnås beror också på hur mycket relevant data du har tillgång till.

Om viktig information saknas kommer dina prognosmodeller inte att prestera bra, detta eftersom man bara kan göra förutsägelser baserade på det vi vet.

forecast accuracy graph 1

Diagram 1: Dåliga förutsägelser av förutsägbar efterfrågan

forecast accuracy graph 2

Diagram 2: Bra förutsägelser av oberäknelig efterfrågan

De två diagrammen ovan visar en enkel prognos och den faktiska försäljningen av två hypotetiska produkter.

Efterfrågan på den första produkten visar ett tydligt månatligt mönster, så en konstant och rak prognos i detta fall är bristfällig.

För den andra produkten har samma data använts, men efterfrågan har flyttats över tiden. Detta innebär att det inte längre finns något månatligt mönster i datan. Utan ytterligare information är en konstant prognos det bästa vi kan göra i detta fall.

De tidigare nämnda måtten visar att resultatet av denna konstanta prognos för dessa två produkter är exakt samma, vilket såklart blir missvisande. Om du istället använder en modell som kan fånga upp vecko- och månadsmönster kommer du att få en mycket mer exakt prognos för den första produkten, se exemplet i diagrammet nedan.

 

Forecast Accuracy Graph 3

Diagram 3: Bra förutsägelser av förutsägbar efterfrågan

Diagrammen ovan visar alla en av de största nackdelarna med att försöka mäta prognosprecisionen, nämligen att man bara kan bedöma att precisionen är bra när den sätts i rätt sammanhang. Därför är det mycket bättre att jämföra en modells prognosförmåga med andra modeller än att fokusera på poängvärdena för prognoserna.

Det är här baseline models kommer in i bilden.

En baseline model ger en prognos baserad på enkel logik och kan beräkna en konstant prognos baserat på din genomsnittliga historiska efterfrågan.

Den kan ge dig en nedre gräns för din prestation som du kan jämföra dina prognoser med, tillsammans med en uppfattning om hur förutsägbar efterfrågan är. Genom att jämföra prognosprecisionen i våra prognosmodeller med de i basmodellerna kan vi se hur mycket bättre vi presterar.

Vilken modell för prognosprecision ska du använda?

Som vi redan har nämnt finns det fallgropar och fördelar med samtliga modeller du kan använda för prognosprecision. Här är en kortfattad översikt över dem.

Tabell 1 Fördelar och nackdelar med de olika måtten på prognosprecision.

lätt att tolka anger över- eller underskattning små när felen är små Relativt fel känslig för stora fel
 Bias/ME
 MAE
 MAPE
RMSE

Det är viktigt att förstå att modellerna för prognosprecision mäter olika saker. Därför kommer den bästa prognosen att skilja sig åt beroende på vilken modell du väljer.

Diagrammet nedan visar detta kortfattat. Även för en konstant prognos är olika mått på prognosprecision inte överens om vad den optimala prognosen är. Så vilket prognosmått som är bäst för dig beror på vad du är intresserad av.

 

Forecast Accuracy Graph 4

Diagram 4: För olika mått på prognosnoggrannhet är olika förutsägelser optimala.

 

Vad ska jag använda prognosprecision till?

Prognosprecisioner är otroligt värdefulla för ditt företag när de används korrekt. För att minska risken för misstag bör du undvika att endast titta på en prognosprecisionsmodell. Genom att istället titta på flera modeller kan du undvika några av fallgroparna vid prognostisering av precision för olika produkter och produktgrupper.

1) De kan förbättra dina affärsprocesser.

Om det görs på rätt sätt kan en utvärdering av prognoskvaliteten vara mycket användbar för att förbättra dina affärsprocesser. Genom att titta på hur prognoserna påverkar ditt lager och din verksamhet som helhet kan du hitta förbättringsområden.

Det är här Business Intelligence (BI) kommer in i bilden.

Först och främst bör du titta på all tillgänglig data. Med hjälp av BI kan din data analyseras och omvandlas till användbara insikter med hjälp av verktyg för datavisualisering. Du kan då bedöma en rad olika prestationsindikatorer samtidigt och zooma in på specifika produktgrupper. Om prognoserna är mindre relevanta kan BI dessutom visa på andra områden som kan förbättras i affärsprocesserna.

För produkter med korta ledtider och stora satsstorlekar är det dock inte så relevant hur exakt en prognos är. Du gör nya beställningar när lagret är lågt och väntar bara så länge det än tar att sälja dessa artiklar.

Målet med BI är att få fram användbara insikter från data så att du kan använda dem i datadrivet beslutsfattande. Rapportering om prognosprecision på artikelnivå kanske inte ger några användbara insikter. Däremot kan korrekta prognoser om avvikelser generera användbara insikter på artikelnivå och fungera som utlösare för att omedelbart utvärdera prognosen för specifika artiklar.

Det finns även ett annat skäl till varför det är viktigt att övervaka prognosernas träffsäkerhet.

2) Du kan mäta för ovisshet.

En högkvalitativ prognos kan förutse mönster i din data kring efterfrågan, men en prognos är aldrig perfekt och det kommer alltid att finnas en ovisshet kring din framtida efterfrågan.

För en bra planering av leveranskedjan är det viktigt att veta hur ovissa dina efterfrågeprognoser är. Då kan du ta hänsyn till osäkerheter och överväga risken för lagerbrist.

Om du vill garantera en viss servicenivå till dina kunder, vilket alla företag vill, måste du ha ett säkerhetslager för att täcka ovisshet. Ju mindre exakt prognosen är desto mer säkerhetslager behöver du.

Titta på skillnaderna mellan prognostiserad och faktisk efterfrågan, dvs. prognosfelet, för de två hypotetiska produkterna nedan. Om vi antar att vi har kunnat formulera bra prognosmodeller för dessa produkter, dvs. att de fångar upp den förutsägbara delen av efterfrågan, ger prognosprecisionen oss information om de förväntade skillnaderna mellan efterfrågeprognosen och den faktiska efterfrågan.

Forecast Accuracy Graph5

Diagram 5: För olika mått på prognosnoggrannhet är olika förutsägelser optimala.

 

Forecast Accuracy Graph6

Diagram 6: Feldistribution för en produkt med låg förväntad osäkerhet med täckningstid.

 

Ovan visas felfördelningarna för dessa två prognoser.

Produkten med högre förväntad ovisshet kräver mer säkerhetslager för att täcka, i detta fall, 99% av efterfrågan.

Grafen visar också en symmetrisk felfördelning. Detta kan vara fallet för bra prognoser för produkter med hög efterfrågan, men för produkter med låg eller oregelbunden efterfrågan är felfördelningen inte symmetrisk eftersom efterfrågan inte kan vara negativ.

För att besluta om en lämplig säkerhetslagernivå måste du ta hänsyn till formen på felfördelningen. Genom att övervaka fördelningen av prognosfel kan du få en bra uppfattning om vilka typer av fel du kan förvänta dig i framtiden och anpassa din supply chain-process därefter.

 

Forecast Accuracy Graph5

Diagram 7: Symmetrisk prognosfel för en snabbt rörlig produkt.

 

Forecast Accuracy Graph7

Diagram 8: Asymmetriskt prognosfel för en produkt med låg eller oregelbunden efterfrågan

 

Slutliga tankar om prognosprecision

För en bra planering av leveranskedjan är det väsentligt att ha en god uppfattning om framtida efterfrågan och dess volatilitet. Därför är det viktigt att övervaka prognosprecisionen.

När du undersöker din egen prognosprecision bör du ha följande punkter i åtanke:

  1. Det är omöjligt att sätta upp allmänna mål för prognosprecisionen eftersom man inte i förväg vet hur förutsägbar efterfrågan är (med den tillgängliga datan).
  2. Istället måste du jämföra prognosmodellernas prestanda med andra (baseline-) modeller.
  3. På samma sätt finns det ingen “bästa” modell för prognosprecision.
  4. För att få en bra utvärdering av prognosförmågan måste du titta på ett urval av mått som är relaterade till ditt mål.
  5. När du bedömer prognosförmågan måste du se till att du tittar på all relevant information.
  6. Du bör också fokusera på andra områden i din supply chain, särskilt när dessa är flaskhalsarna för prestandan i leveranskedjan.
  7. Bra prognoser kan förutse mönster i din efterfrågan, men det kommer alltid att finnas en viss osäkerhet inblandad. För det är ju framtiden och det har faktiskt inte hänt än.
  8. Prognosprecision är ett sätt att mäta denna ovisshet genom att man förlitar sig på prognosförutsägelser.
  9. Du bör använda denna information för att justera dina påfyllningsprocesser och täcka för eventuella förväntade prognosfel.

Blog authors

 

nico van dijk

Nico Van Dijk

Connect via LinkedIn

nico van dijk

Kevin Overbeek

Connect via LinkedIn

Forecast accuracy FAQs

Vad är prognosprecision?

Prognosprecision är en metod som används för att bedöma kvaliteten på prognoser. Inom leveranskedjeplanering mäter den hur nära den förutsagda efterfrågan överensstämmer med den faktiska efterfrågan.

Hur kan jag mäta prognosprecision?

Prognosprecision kan mätas med olika metoder, inklusive Bias eller medelfel (ME), Medelabsolut fel (MAE), Medelabsolut procentuellt fel (MAPE), Rotmedelkvadratfel (RMSE), och mer. Varje metod har sina fördelar och nackdelar.

Vad är betydelsen av prognosprecision?

Prognosnoggrannhet är avgörande för att förbättra affärsprocesser och lagerhantering. Det hjälper till att utvärdera prognosens påverkan på lagret, identifiera områden för förbättring och fatta beslut baserade på data.

Hur bör en “bra” prognosprecision se ut?

Definitionen av en “bra” prognosprecision varierar beroende på faktorer som produktens efterfrågemönster, ledtider och tillgänglig data. Det är viktigt att jämföra prognosprecisionen med baslinjemodeller och beakta sammanhanget.

Varför övervakar man prognosprecision?

Att övervaka prognosprecision hjälper till att förstå efterfrågeosäkerhet, fastställa nivåer för säkerhetslager och säkerställa en viss servicenivå till kunder. Det gör det möjligt för företag att anpassa sina leveranskedjeprocesser för att ta hänsyn till prognosfel.

vänligen välj din plats för att se innehåll som är specifikt för ditt land

x