Forecast Accuracy: Tedarik Zincirinde Mükemmellik için Tahmin Doğruluğundan Yararlanma 

Zor bir istatistikle başlayalım: İşletmelerin %77’si daha iyi tedarik zinciri görünürlüğü sağlamak için teknolojiye yatırım yapıyor. Ancak işin ilginç kısmı şu: Bu yatırımları yapanların tedarik zinciri sorunlarından kaçınma olasılığının diğerlerine göre iki kat daha fazla olduğu bildiriliyor.

Bu nedenle tedarik zinciri görünürlüğü, tedarik zinciri liderleri için en önemli önceliktir. Ancak, yapay zeka ve makine öğrenimi destekli araçların tahmin ortamını dönüştürdüğü bir çağda, göz ardı edemeyeceğimiz çok önemli bir planlama paradoksu var ve bu da hiçbir tahminin hatadan muaf olmadığıdır.

Neyse ki, öngörülen ve gerçek talep arasındaki boşluğu kapatmanıza yardımcı olabilecek istatistiksel araçlar ve teknikler var.

Bu nedenle, bugünkü blogumuzda tahmin doğruluğu konusunu ve bu güçlü istatistiksel analiz tekniğini daha sağlam tahminler oluşturmak ve tüm tedarik zinciriniz boyunca daha iyi görünürlük sağlamak için nasıl kullanabileceğinizi inceleyeceğiz.

Temel bilgilerle başlayalım.

Forecast accuracy (tahmin doğruluğu) ne anlama geliyor?

Tahmin doğruluğu, tahminlerinizin kalitesini değerlendirmek için kullanabileceğiniz bir yöntemdir. Tedarik zinciri planlaması bağlamında tahmin doğruluğu, ürün veya hizmetler için öngörülen talebin gerçek taleple ne kadar yakından eşleştiğini ifade eder.

Bu analizin sonucu, daha etkili karar alma süreçleri sağlamaya yardımcı olabilir. Ancak hata yapmayın; bu, tahmin eksikliklerinizi gidermek için hızlı bir çözüm olarak kullanabileceğiniz sihirli bir değnek değildir.

Hangi hata payına izin verileceğini belirlemek bile zahmetli olabilir. Sonuçta, ‘doğru’nun neye benzediğini nasıl tanımlayabilirsiniz?

100 doğruluk bir rüya olabilir, ancak bu genellikle gerçekçi bir sonuçtan ziyade idealize edilmiş bir ölçüttür. Aynı şekilde, %75 kulağa makul gelse de, bunun ulaşılabilir olup olmadığı, hatta bir hedef olarak yararlı olup olmadığı sorusuna yanıt vermek neredeyse imkansızdır.

Bu tamamen şirketinizin hedeflerine, müşterilerinizin satın alma davranışlarının niteliğine ve elinizdeki verilere bağlıdır.

Tahmin doğruluğu (forecast accuracy) nasıl ölçülür?

Beklenen satış başarınızı tahmin etmek değerli olsa da, gerçek içgörü genellikle bu tahminin doğruluğunu değerlendirmekte yatar. Bunu başarmak için, bir performans puanı atamanın bir yolunu belirlemek çok önemlidir. Çoğu durumda, bu puan tek başına tahminden daha anlamlı bir perspektif sağlar.

Tahmin doğruluğunu ölçmenin temelleri

Devam etmeden önce, temel konuları ele almak önemlidir.

Tüm ölçümler tahmin hatasına dayanır, e. Bu hata, tahmin, f, yani öngörülen talep ile belirli bir zaman dilimi içindeki gerçek talep, d, arasındaki farktır:

Hata ölçüsü küçük olduğunda bir tahmin iyidir.

Ancak bazen performans, hata derecesinden ziyade doğruluğa odaklanır. Bu durumda, doğruluk %100’e yakın olduğunda bir tahmin iyidir.

Tahmin doğruluğunu değerlendirmek için çeşitli yöntemler vardır. Ve her birinin olumlu ve olumsuz yönleri vardır. Aşağıda, elinizin altında en yaygın olanlara ilişkin bir kılavuz bulunmaktadır.

Önyargı veya ortalama hata (ME)

Yanlılık veya ortalama hata (ME) olarak adlandırılan ilk tahmin doğruluğu ölçüsü, tahmin hatasının ortalamasıdır: 

Bu ölçütün anlaşılması kolaydır. İyi bir tahmin için, tahminler ve gerçek talep arasındaki fark küçüktür, bu nedenle yanlılığı sıfıra yakındır.

Pozitif önyargı çok fazla talep tahmin ettiğinizi gösterirken, negatif önyargı talebi olduğundan az tahmin ettiğiniz anlamına gelir.

Ancak bu modelin bir dezavantajı, pozitif ve negatif hataların birbirini iptal etmesidir. Büyük hatalar içeren bir tahminin yine de küçük bir yanlılığı olabilir. Bu nedenle, önyargıyı asla tek başına dikkate almamalı, aynı zamanda tahmin doğruluğu için diğer önlemlere de bakmalısınız.

Ortalama mutlak hata (MAE) 

Hataların büyüklüğünün doğrudan bir göstergesi olan bir model, ortalama mutlak hatadır (MAE):

Bu modelin avantajı, mutlak tahmin hatalarını kullanmasıdır, bu nedenle küçük bir MAE, tüm tahmin hatalarının sıfıra yakın olduğu anlamına gelir.

Ayrıca yorumlaması da kolay bir ölçüttür.

Ancak, bu ortalama hatanın gerçek talebe kıyasla ne kadar büyük olduğunu göstermez. Ortalama 10 adet satan bir ürün için 5 adetlik bir tahmin çok kötüdür, ancak ortalama 1.000 satış gerçekleştiren bir ürün için iyidir.

Ortalama mutlak yüzde hata (MAPE)

Ortalama mutlak yüzde hata (MAPE), hataların gerçek talebe kıyasla ne kadar büyük olduğunu yansıtır.

Tahmin hatası ile gerçek talep arasındaki ortalama oran olarak tanımlanır:

Bu nedenle yorumlanması da kolaydır.

MAPE, yüzde olarak tahminin ortalama olarak ne kadar uzakta olduğunu gösterir.

Ancak, bu tahmin doğruluğu yönteminin de sınırlamaları vardır. Talebi olduğundan fazla tahmin etmek, olduğundan az tahmin etmekten daha fazla cezalandırılmaktadır. Gerçek talep yalnızca 10 adet iken 30 adet tahmin etmek %200’lük bir MAPE verirken, düşük tahminler yalnızca %100’lük bir maksimum MAPE verir.

Bu, küçük bir MAPE elde etmenin daha zor olduğu, az talep gören ürünler için bir sorundur. Ancak sıfıra böleceğiniz için talebin olmadığı zaman dilimlerinde bu daha da büyük bir sorundur.

Kök ortalama karesel hata (RMSE)

Bahsedilmesi gereken son tahmin doğruluğu modeli, kök ortalama karesel hatadır (RSME).

Adından da anlaşılacağı üzere, bu ölçü tahmin hatalarının kareköküne dayanmaktadır:

Bu model MAE’ye benzer ve bu nedenle MAE ile karşılaştırılabilir, ancak daha büyük hataları daha küçük olanlardan çok daha fazla cezalandırır.

Tahmin edilen ve gerçekleşen satışların her zaman birbirine yakın olup olmadığını görmek için iyi bir ölçüdür. Ancak ne yazık ki bu, söz konusu modelin yorumlanmasını daha da zorlaştırmaktadır.

Talep verileriniz, bir tahminin yakalamasını beklemediğiniz, ara sıra aykırı bir satış içeriyorsa, aykırı değerlere karşı çok daha sağlam olduğu için bunun yerine MAE yöntemini kullanmalısınız.

Ortalama karesel hata (MSE) RMSE ile hemen hemen aynıdır, ancak ek karekök kullanmaz. Bu nedenle, hatayı karesel birimlerle ifade eder ve MSE’nin yorumlanmasını daha zor hale getirir.

Başka birçok tahmin doğruluğu ölçütü mevcuttur. Hangisini kullanmanız gerektiği, elinizdeki verilere bağlı olacaktır ve daha iyi bir uyum olup olmadığını görmek için daha nadir alternatiflerden bazılarına göz atmaya değer olabilir.

‘İyi’ tahmin doğruluğu (forecast accuracy) neye benzer?

Tahmin doğruluğu modellerinin çokluğu, “Hangi tahmin doğruluğu ölçüsünü kullanmalıyım?” ve “Tahmin doğruluğu hedefim ne olmalı?” gibi sorulara yol açmaktadır.

Ne yazık ki bunların hiçbirine cevap vermek kolay değil.

Diyelim ki ürünleriniz için tahminleri yönetiyorsunuz ve ortalama olarak MAE’nin %60 olduğunu tespit ettiniz.

Bu iyi bir puan mı yoksa kötü bir puan mı?

Tahmin doğruluk puanı tek başına pek bir şey ifade etmez. Bir ürüne yönelik gelecekteki talep Bir tahminin kalitesini değerlendirmek için, talebin ne kadar öngörülebilir olduğuna dair bir fikre ihtiyacınız vardır. Bu da birçok faktöre bağlıdır.

Büyük hacimli ürünlere olan talebi tahmin etmek genellikle yavaş hareket eden ürünlere göre daha kolaydır. Ayrıca bir grup mağazadaki bir ürüne yönelik talebi tahmin etmek, her bir mağazadaki talebi ayrı ayrı doğru bir şekilde yakalamaktan daha kolaydır.

Ayrıca, uzun vadeli tahminler kısa vadeli talep tahminlerinden çok daha zordur. Ulaşılabilir tahmin doğruluğu, elinizdeki ilgili verilerin miktarına da bağlıdır.

Önemli bilgiler eksikse, tahmin modelleriniz iyi performans göstermeyecektir. Sonuçta, yalnızca bildiklerinize dayanarak tahminlerde bulunabilirsiniz.