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.

Talep Planlama E-Book

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:

 

Tahmin Doğruluğu (forecast accuracy) Formülü

 

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: 

 

Ortalama hata (ME) veya yanlılık formülü

 

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):

 

Tahmin doğruluğu Ortalama mutlak hata

 

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:

 

Ortalama mutlak yüzde hata (MAPE) formülü

 

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:

 

kök ortalama kare hata formülü (RMSE)

 

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.

Öngörülebilir talebe ilişkin zayıf tahminleri açıklayan grafik

Şekil 1: Öngörülebilir talebe ilişkin kötü tahminler

Öngörülemeyen talebin iyi tahminlerine ilişkin grafik

Grafik 2: Öngörülemeyen talep için iyi tahminler

Yukarıdaki iki grafik, iki varsayımsal ürünün basit bir tahminini ve gerçek satışlarını göstermektedir.

İlk ürüne yönelik talep belirgin bir aylık model göstermektedir, bu nedenle sabit bir tahmin açıkça optimal değildir.

İkinci ürün için aynı veriler kullanılmış, ancak talep zaman içinde karıştırılmıştır. Bu da verilerde artık aylık bir model olmadığı anlamına gelmektedir.

Herhangi bir ek bilgi olmadan, yapabileceğimizin en iyisi sabit bir tahmindir.

Daha önce tartışılan tüm ölçümler, bu iki ürün için bu sabit tahminin performansının tamamen aynı olduğunu göstermektedir. Elbette bu yanıltıcıdır.

Haftalık ve aylık kalıpları tespit edebilen bir model kullanırsanız, aşağıdaki grafikte gösterildiği gibi ilk ürün için çok daha iyi bir tahmin elde edersiniz.

 

Öngörülebilir talebe ilişkin iyi tahminler hakkında grafik

Grafik 3: Öngörülebilir talebe ilişkin iyi tahminler

Yukarıdaki grafiklerin tümü, tahmin doğruluğunu ölçmeye çalışmanın ana dezavantajlarından birini göstermektedir; bu, doğruluğun yalnızca doğru bağlama yerleştirildiğinde iyi olduğunu söyleyebileceğinizdir.

Bir modelin tahmin performansını diğer modellerle karşılaştırmak, puanların değerlerine odaklanmaktan çok daha iyidir.

Temel modeller bu noktada devreye girer.  

Temel model, basit mantığa dayalı bir tahmin sağlar. Ortalama geçmiş talebinize dayalı olarak sabit bir tahmin hesaplayabilir.

Talebin ne kadar öngörülebilir olduğuna dair bir fikir vermenin yanı sıra, tahminlerinizi karşılaştırmak için performansınıza ilişkin bir alt sınır verebilir.

Tahmin modellerimizin tahmin doğruluğunu temel modellerle karşılaştırdığımızda ne kadar iyi durumda olduğumuzu görebiliriz.

Hangi tahmin doğruluğu modelini kullanmalısınız?

Daha önce de belirttiğimiz gibi, tahmin doğruluğu için kullanabileceğiniz her modelin tuzakları ve olumlu yönleri vardır. İşte bunlara kısa bir genel bakış.

Tablo 1 Tahmin doğruluğu ölçütlerinin avantajları ve dezavantajları.

Yorumlaması kolay Fazla veya eksik tahmin yapıldığını gösterir Hatalar küçük olduğunda küçük Göreli hata Büyük hatalara karşı hassas
Önyargı//ME
 MAE
 MAPE
RMSE

Her tahmin doğruluğu modelinin farklı bir şeyi ölçtüğünün farkına varmak çok önemlidir. Bu nedenle, en iyi tahmin model seçiminize bağlı olarak farklılık gösterecektir.

Aşağıdaki grafik bunu daha özlü bir şekilde göstermektedir. Sabit bir tahmin için bile, farklı tahmin doğruluğu ölçütleri optimum tahminin ne olduğu konusunda hemfikir değildir.

Peki hangi tahmin ölçütü sizin için en iyisidir? Bu, neyle ilgilendiğinize bağlıdır.

 

Farklı tahmin doğruluğu ölçütleri için açıklayıcı grafik, tahminler optimaldir

Şekil 4: Farklı tahmin doğruluğu ölçütleri için tahminler optimaldir.

 

Tahmin doğruluğunu ne için kullanmalıyım?

Sadece tek bir tahmin doğruluğu modeline bakmaktan kaçınmalısınız.

Bu şekilde, farklı ürün ve ürün gruplarının tahmin doğruluklarını belirlerken bazı tuzaklardan kaçınmanız daha olasıdır. Bununla birlikte, etkili bir şekilde kullanıldığında tahmin doğrulukları işletmeniz için inanılmaz derecede değerlidir.

1. İş süreçlerinizi iyileştirebilirler.

Doğru şekilde yapılırsa, tahmin kalitesini değerlendirmek iş süreçlerinizi iyileştirmek için çok faydalı olabilir.

İyileştirme alanları bulmak için, tahminlerin envanteriniz ve bir bütün olarak işiniz üzerindeki etkisine bakmanız gerekir.

İşte bu noktada İş Zekası (BI) kilit rol oynuyor.

İlk olarak, mevcut tüm verilere bakın. İş zekası kullanılarak verileriniz analiz edilebilir ve veri görselleştirme araçları yardımıyla eyleme geçirilebilir içgörülere dönüştürülebilir.

Böylece bir dizi performans göstergesini aynı anda değerlendirebilir ve çok özel ürün gruplarına yakınlaştırabilirsiniz.

Ayrıca, tahminlerinizin daha az ilgili olduğu durumlarda iş zekası, iş süreçlerinizdeki diğer iyileştirme alanlarını ortaya çıkarabilir.

Kısa teslim süreleri ve büyük parti boyutları olan ürünler için, bir tahminin ne kadar doğru olduğu o kadar önemli değildir. Stok azaldığında yeniden sipariş verirsiniz ve bu ürünleri satmak için ne kadar zaman gerekiyorsa o kadar beklersiniz.

İş zekasının amacı, veriye dayalı karar verme sürecinde kullanabilmeniz için verilerden eyleme dönüştürülebilir içgörüler elde etmektir.

Kalem düzeyinde tahmin doğruluğuna ilişkin raporlama, eyleme geçirilebilir içgörüler sağlamayabilir. Bununla birlikte, iyi tahmin istisnaları kalem düzeyinde eyleme geçirilebilir içgörüler oluşturur ve belirli kalemlerin tahminini hemen değerlendirmek için tetikleyicidir.

Tahmin doğruluğunun izlenmesinin gerekli olmasının bir başka nedeni daha vardır.

Belirsizlik için ölçüm yapabilirsiniz.

Yüksek kaliteli bir tahmin, talep verilerinizdeki kalıpları öngörebilir. Ancak bir tahmin asla mükemmel değildir. Gelecekteki talebiniz hakkında her zaman belirsizlik olacaktır.

İyi bir E2E tedarik zinciri planlaması için talep tahminlerinizin ne kadar belirsiz olduğunu bilmek çok önemlidir. O zaman belirsizlikleri hesaba katabilir ve stok kesintisi riskini göz önünde bulundurabilirsiniz.

Müşterilerinize belirli bir düzeyde hizmet sunmak istiyorsanız – ki kim istemez ki? – Belirsizlikleri karşılamak için emniyet stoğu tutmanız gerekir.

Tahmin ne kadar az doğruysa, o kadar fazla güvenlik stoğuna ihtiyacınız olacaktır.

Aşağıdaki iki varsayımsal ürün için tahmin edilen ve gerçekleşen talep arasındaki farklara, yani tahmin hatasına bakın.

Bu ürünler için iyi tahmin modelleri formüle edebildiğimizi, yani talebin öngörülebilir kısmını yakaladıklarını varsayarsak, tahmin doğruluğu bize talep tahmini ile gerçek talep arasındaki beklenen farklar hakkında bilgi verir.

New call-to-action

Farklı tahmin doğruluğu ölçütleri için tahminlerin optimal olduğunu gösteren grafik.

Şekil 5: Farklı tahmin doğruluğu ölçütleri için, farkli tahminler optimaldir.

 

Kapsama süresi boyunca beklenen belirsizliği düşük olan bir ürün için hataların dağılımını gösteren grafik.

Şekil 6: Kapak süresi içinde beklenen belirsizliği düşük olan bir ürün için hata dağılımı

 

Yukarıda bu iki tahmin için hata dağılımları gösterilmektedir.

Beklenen belirsizliği daha yüksek olan ürün, örneğin talebin %99’unu karşılamak için daha fazla emniyet stoğu gerektirir.

Grafik ayrıca simetrik bir hata dağılımı göstermektedir.

Bu durum, talebi yüksek olan ürünlerin iyi tahminleri için geçerli olabilir. Ancak düşük veya düzensiz talebe sahip ürünler için hata dağılımı simetrik değildir, çünkü talep negatif olamaz.

Uygun bir güvenlik stoku seviyesine karar vermek için hata dağılımının şeklini dikkate almanız gerekir.

Tahmin hatalarının dağılımını izleyerek, gelecekte bekleyebileceğiniz hata türleri hakkında iyi bir fikir edinebilir ve tedarik zinciri sürecinizi buna göre ayarlayabilirsiniz.

 

Hızlı hareket eden bir ürün için Simetrik Tahmin Hatasını gösteren grafik

Şekil 7: Hızlı hareket eden bir ürün için simetrik tahmin hatası

 

Düşük veya düzensiz talebe sahip bir ürün için Asimetrik Tahmin Hatasını gösteren grafik

Şekil 8: Düşük veya düzensiz talebe sahip bir ürün için asimetrik tahmin hatası

 

Kendi tahmin doğruluğunuzu araştırırken aşağıdaki noktaları aklınızda bulundurun:

  1. Genel tahmin doğruluğu hedefleri belirlemek mümkün değildir, çünkü talebin ne kadar öngörülebilir olduğunu (mevcut verilerle) önceden bilemezsiniz.
  2. Bunun yerine, tahmin modellerinin performansını diğer (temel) modellerle karşılaştırmanız gerekir.
  3. Aynı şekilde, ‘en iyi’ tahmin doğruluğu modeli de yoktur.
  4. Tahmin performansının iyi bir değerlendirmesi için, hedefinizle ilgili bir dizi ölçüme bakmanız gerekir.
  5. Tahmin performansını değerlendirirken, ilgili tüm bilgilere baktığınızdan emin olmanız gerekir.
  6. Tedarik zinciri sürecindeki diğer alanlara da odaklanmalısınız, özellikle de bunlar performans darboğazları olduğunda.
  7. İyi tahminler talebinizdeki kalıpları öngörebilir, ancak her zaman bir miktar belirsizlik söz konusu olacaktır. Çünkü bu gelecek ve henüz gerçekleşmedi.
  8. Tahmin doğruluğu, tahmin tahminlerine güvenirken bu belirsizliği ölçmenin bir yoludur.
  9. Bu bilgileri ikmal süreçlerinizi ayarlamak ve beklenen tahmin hatalarını karşılamak için kullanmalısınız.

Blog yazarları

 

nico van dijk

Nico Van Dijk

Connect via LinkedIn

nico van dijk

Kevin Overbeek

Connect via LinkedIn

Tahmin doğruluğu SSS

Tahmin doğruluğu nedir?

Tahmin doğruluğu, tahminlerin kalitesini değerlendirmek için kullanılan bir yöntemdir. Tedarik zinciri planlamasında, tahmin edilen talebin gerçek taleple ne kadar yakından eşleştiğini ölçer.

Tahmin doğruluğunu nasıl ölçebilirim?

Tahmin doğruluğu, Bias veya ortalama hata (ME), Ortalama mutlak hata (MAE), Ortalama mutlak yüzde hata (MAPE), Ortalama karesel hata kökü (RMSE) ve daha fazlası dahil olmak üzere çeşitli yöntemler kullanılarak ölçülebilir. Her yöntemin avantajları ve dezavantajları vardır.

Tahmin doğruluğunun önemi nedir?

Tahmin doğruluğu, iş süreçlerini ve envanter yönetimini iyileştirmek için çok önemlidir. Tahminlerin envanter üzerindeki etkisinin değerlendirilmesine, iyileştirme alanlarının belirlenmesine ve veriye dayalı kararlar alınmasına yardımcı olur.

‘İyi’ tahmin doğruluğu neye benzemelidir?

Tahmin doğruluğu takibi, talep belirsizliğini anlamaya, güvenlik stok seviyelerini belirlemeye ve müşterilere belirli bir hizmet seviyesi sağlamaya yardımcı olur. Şirketlerin tedarik zinciri süreçlerini tahmin hatalarını hesaba katacak şekilde uyarlamalarına olanak tanır.

Tahmin doğruluğu neden izlenmeli?

Tahmin doğruluğunun izlenmesi, talep belirsizliğinin anlaşılmasına, güvenlik stok seviyelerinin belirlenmesine ve müşterilere belirli bir hizmet seviyesinin sağlanmasına yardımcı olur. İşletmelerin tedarik zinciri süreçlerini tahmin hatalarını hesaba katacak şekilde uyarlamalarına olanak tanır.