El Blog de Smart

 Siguiendo las mejores prácticas en la planificación de la demanda,

previsión y optimización de inventario

Mejore la precisión del pronóstico, optimice el inventario y maximice los niveles de servicio

In this video, Dr. Thomas Willemain, co-Founder and SVP Research, talks about improving forecast accuracy by measuring forecast error. We begin by overviewing the various types of error metrics: scale-dependent error, percentage error, relative error, and scale-free error metrics. While some error is inevitable, there are ways to reduce it, and forecast metrics are necessary aids for monitoring and improving forecast accuracy. Then we will explain the special problem of intermittent demand and divide-by-zero problems. Tom concludes by explaining how to assess forecasts of multiple items and how it often makes sense to use weighted averages, weighting items differently by volume or revenue.

 

Four general types of error metrics 

1. Scale-dependent error
2. Percentage error
3. Relative error
4 .Scale-free error

Remark: Scale-dependent metrics are expressed in the units of the forecasted variable. The other three are expresses as percentages.

 

1. Scale-dependent error metrics

  • Mean Absolute Error (MAE) aka Mean Absolute Deviation (MAD)
  • Median Absolute Error (MdAE)
  • Root Mean Square Error (RMSE)
  • These metrics express the error in the original units of the data.
    • Ex: units, cases, barrels, kilograms, dollars, liters, etc.
  • Since forecasts can be too high or too low, the signs of the errors will be either positive or negative, allowing for unwanted cancellations.
    • Ex: You don’t want errors of +50 and -50 to cancel and show “no error”.
  • To deal with the cancellation problem, these metrics take away negative signs by either squaring or using absolute value.

 

2. Percentage error metric

  • Mean Absolute Percentage Error (MAPE)
  • This metric expresses the size of the error as a percentage of the actual value of the forecasted variable.
  • The advantage of this approach is that it immediately makes clear whether the error is a big deal or not.
  • Ex: Suppose the MAE is 100 units. Is a typical error of 100 units horrible? ok? great?
  • The answer depends on the size of the variable being forecasted. If the actual value is 100, then a MAE = 100 is as big as the thing being forecasted. But if the actual value is 10,000, then a MAE = 100 shows great accuracy, since the MAPE is only 1% of the actual.

 

3. Relative error metric

  • Median Relative Absolute Error (MdRAE)
  • Relative to what? To a benchmark forecast.
  • What benchmark? Usually, the “naïve” forecast.
  • What is the naïve forecast? Next forecast value = last actual value.
  • Why use the naïve forecast? Because if you can’t beat that, you are in tough shape.

 

4. Scale-Free error metric

  • Median Relative Scaled Error (MdRSE)
  • This metric expresses the absolute forecast error as a percentage of the natural level of randomness (volatility) in the data.
  • The volatility is measured by the average size of the change in the forecasted variable from one time period to the next.
    • (This is the same as the error made by the naïve forecast.)
  • How does this metric differ from the MdRAE above?
    • They do both use the naïve forecast, but this metric uses errors in forecasting the demand history, while the MdRAE uses errors in forecasting future values.
    • This matters because there are usually many more history values than there are forecasts.
    • In turn, that matters because this metric would “blow up” if all the data were zero, which is less likely when using the demand history.

 

Planificación de demanda intermitente y previsión de piezas

 

The special problem of intermittent demand

  • “Intermittent” demand has many zero demands mixed in with random non-zero demands.
  • MAPE gets ruined when errors are divided by zero.
  • MdRAE can also get ruined.
  • MdSAE is less likely to get ruined.

 

Recap and remarks

  • Forecast metrics are necessary aids for monitoring and improving forecast accuracy.
  • There are two major classes of metrics: absolute and relative.
  • Absolute measures (MAE, MdAE, RMSE) are natural choices when assessing forecasts of one item.
  • Relative measures (MAPE, MdRAE, MdSAE) are useful when comparing accuracy across items or between alternative forecasts of the same item or assessing accuracy relative to the natural variability of an item.
  • Intermittent demand presents divide-by-zero problems which favor MdSAE over MAPE.
  • When assessing forecasts of multiple items, it often makes sense to use weighted averages, weighting items differently by volume or revenue.
Deja un comentario

MENSAJES RECIENTES

El juego de la culpa de la cadena de suministro: las 3 principales excusas para la escasez y el exceso de inventario

El juego de la culpa de la cadena de suministro: las 3 principales excusas para la escasez y el exceso de inventario

La cadena de suministro se ha convertido en el juego de la culpa de casi cualquier problema industrial o minorista. La escasez en la variabilidad del tiempo de entrega, los malos pronósticos y los problemas con datos incorrectos son hechos de la vida, sin embargo, las organizaciones que manejan inventarios a menudo se sorprenden cuando surge cualquiera de estas dificultades. Entonces, de nuevo, ¿quién tiene la culpa del caos de la cadena de suministro? Siga leyendo este blog e intentaremos mostrarle cómo evitar la escasez y el exceso de productos.

Mensajes recientes

  • Supply Chain Math large-scale decision-making analyticsSupply Chain Math: Don’t Bring a Knife to a Gunfight
    Math and the supply chain go hand and hand. As supply chains grow, increasing complexity will drive companies to look for ways to manage large-scale decision-making. Math is a fact of life for anyone in inventory management and demand forecasting who is hoping to remain competitive in the modern world. Read our article to learn more. […]
  • Mecánico barbudo maduro en uniforme examinando la máquina y reparándola en fábricaPlanificación de consumibles frente a piezas reparables
    Al decidir los parámetros correctos de almacenamiento de repuestos y piezas de repuesto, es importante distinguir entre piezas consumibles y reparables. Estas diferencias a menudo se pasan por alto por el software de planificación de inventario y pueden dar lugar a estimaciones incorrectas de lo que hay que almacenar. Se requieren diferentes enfoques al planificar consumibles frente a reparables. […]
  • Cuatro errores comunes al planificar los objetivos de reposiciónCuatro errores comunes al planificar los objetivos de reposición
    ¿Con qué frecuencia recalibra sus políticas de almacenamiento? ¿Por qué? Aprenda a evitar errores clave al planificar objetivos de reabastecimiento mediante la automatización del proceso, la recalibración de piezas, el uso de métodos de previsión de objetivos y la revisión de excepciones. […]
  • Smart Software se complace en presentar nuestra serie de seminarios web, ofrecidos exclusivamente para usuarios de Epicor.Amplíe el pronóstico y la planificación mínima/máxima de Epicor Kinetic con Smart IP&O
    Epicor Kinetic puede administrar el reabastecimiento al sugerir qué ordenar y cuándo a través de políticas de inventario basadas en puntos de reorden. El problema es que el sistema ERP requiere que el usuario especifique manualmente estos puntos de pedido o use un enfoque rudimentario de "regla general" basado en promedios diarios. En este artículo, revisaremos la funcionalidad de pedido de inventario en Epicor Kinetic, explicaremos sus limitaciones y resumiremos cómo reducir el inventario y minimizar los desabastecimientos al proporcionar la sólida funcionalidad predictiva que falta en Epicor. […]
  • Pronóstico basado en escenarios vs EcuacionesPronóstico basado en escenarios versus ecuaciones
    Tradicionalmente, el software ha servido como vehículo de entrega de ecuaciones. Esto está bien, hasta donde llega. Pero en Smart Software creemos que le iría mejor cambiando sus ecuaciones por escenarios. Descubra por qué la planificación basada en escenarios ayuda a los planificadores a gestionar mejor el riesgo y crear mejores resultados. […]

    Optimización de inventario para fabricantes, distribuidores y MRO

    • Pedidos generales Software inteligente Demanda y planificación de inventario HDÓrdenes generales
      Nuestros clientes son grandes maestros que siempre nos han ayudado a cerrar la brecha entre la teoría de los libros de texto y la aplicación práctica. Un excelente ejemplo sucedió hace más de veinte años, cuando nos presentaron el fenómeno de la demanda intermitente, que es común entre las piezas de repuesto pero poco común entre los productos terminados administrados por nuestros clientes originales que trabajan en ventas y marketing. Esta revelación pronto llevó a nuestra posición preeminente como proveedores de software para la gestión de inventarios de piezas de repuesto. Nuestra última parte de la educación se refiere a las "órdenes generales". […]
    • Mano colocando piezas para construir una flechaPronóstico Probabilístico para Demanda Intermitente
      La nueva tecnología de pronóstico se deriva del pronóstico probabilístico, un método estadístico que pronostica con precisión tanto la demanda promedio de productos por período como los requisitos de inventario del nivel de servicio al cliente. […]
    • Ingeniería bajo pedido en Kratos Space: hacer que la disponibilidad de piezas sea una ventaja estratégica
      El grupo Kratos Space dentro del innovador en tecnología de seguridad nacional Kratos Defense & Security Solutions, Inc., produce el software COTS y los productos de componentes para las comunicaciones espaciales: hacer de la disponibilidad de piezas una ventaja estratégica […]
    • figuras-de-madera-de-personas-y-un-iman-equipo-gestion-almacen inventarioGestión del inventario de artículos promocionados
      En una publicación anterior, analicé uno de los problemas más espinosos que a veces enfrentan los planificadores de demanda: trabajar con datos de demanda de productos caracterizados por lo que los estadísticos llaman asimetría, una situación que puede requerir costosas inversiones en inventario. Este tipo de datos problemáticos se encuentran en varios escenarios diferentes. En al menos uno, la combinación de demanda intermitente y promociones de ventas muy efectivas, el problema se presta a una solución efectiva. […]