1-800-SMART-99
Selecteer een pagina

# prognoses en voorraadoptimalisatie

### Verbeter de forecasting nauwkeurigheid, elimineer overtollige voorraad en maximaliseer service levels

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

##### 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.

### 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.
Laat een reactie achter

## Smart Software presenteert op Community Summit Noord-Amerika

Channel Sales Director en Enterprise Solution Engineer van Smart Software, presenteert dit jaar drie sessies op het Microsoft Dynamics Community Summit North America-evenement in Orlando, FL.
.

## Smart Software leidt een webinar als onderdeel van het WERC Solutions Partner Program

Smart Software, zal een webinar van 30 minuten leiden als onderdeel van het WERC Solutions Partner Program. De presentatie zal zich richten op hoe een toonaangevend elektriciteitsbedrijf Smart Inventory Planning and Optimization (Smart IP&O) implementeerde als onderdeel van het strategische supply chain-optimalisatie-initiatief (SCO) van het bedrijf.

## Het Supply Chain Blame-spel: Top 3 excuses voor voorraadtekorten en -overschotten

De toeleveringsketen is de schuld geworden van bijna elk industrieel of kleinhandelsprobleem. Tekorten aan doorlooptijdvariabiliteit, slechte prognoses en problemen met slechte gegevens zijn levensfeiten, maar voorraadhoudende organisaties worden vaak verrast wanneer een van deze problemen zich voordoet. Dus nogmaals, wie is verantwoordelijk voor de chaos in de toeleveringsketen? Blijf deze blog lezen en we zullen proberen u te laten zien hoe u producttekorten en overstocking kunt voorkomen.

#### recente berichten

• Supply 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. […]
• Planning voor verbruiksgoederen vs. herstelbare onderdelen
Bij het bepalen van de juiste opslagparameters voor reserve- en vervangingsonderdelen, is het belangrijk om onderscheid te maken tussen verbruiks- en repareerbare onderdelen. Deze verschillen worden vaak over het hoofd gezien door software voor voorraadplanning en kunnen resulteren in onjuiste schattingen van wat er op voorraad moet worden gehouden. Er zijn verschillende benaderingen vereist bij het plannen van verbruiksartikelen versus herstelbare artikelen. […]
• Vier veelgemaakte fouten bij het plannen van aanvullingsdoelen
Hoe vaak herkalibreert u uw voorraadbeleid? Waarom? Leer hoe u belangrijke fouten kunt vermijden bij het plannen van aanvullingsdoelen door het proces te automatiseren, onderdelen opnieuw te kalibreren, targeting-prognosemethoden te gebruiken en uitzonderingen te bekijken. […]
• Breid de prognoses en min/max-planning van Epicor Kinetic uit met Smart IP&O
Epicor Kinetic kan de aanvulling beheren door te suggereren wat te bestellen en wanneer via op bestelpunten gebaseerd voorraadbeleid. Het probleem is dat het ERP-systeem vereist dat de gebruiker deze bestelpunten handmatig specificeert, of een rudimentaire "vuistregel"-aanpak gebruikt op basis van dagelijkse gemiddelden. In dit artikel zullen we de functionaliteit voor het bestellen van voorraad in Epicor Kinetic bespreken, de beperkingen ervan uitleggen en samenvatten hoe de voorraad kan worden verminderd en de voorraad kan worden geminimaliseerd door de robuuste voorspellende functionaliteit te bieden die ontbreekt in Epicor. […]
• Op scenario's gebaseerde prognoses versus vergelijkingen
Van oudsher heeft software gediend als een leveringsvehikel voor vergelijkingen. Dit is prima, voor zover het gaat. Maar wij bij Smart Software denken dat u er beter aan doet door uw vergelijkingen in te ruilen voor scenario's. Ontdek waarom op scenario's gebaseerde planning planners helpt om risico's beter te beheren en betere resultaten te behalen. […]

#### Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

• Algemene bestellingen
Onze klanten zijn geweldige docenten die ons altijd hebben geholpen de kloof tussen leerboektheorie en praktische toepassing te overbruggen. Een goed voorbeeld gebeurde meer dan twintig jaar geleden, toen we kennismaakten met het fenomeen van intermitterende vraag, dat veel voorkomt bij reserveonderdelen, maar zeldzaam is bij de afgewerkte producten die worden beheerd door onze oorspronkelijke klanten die werkzaam zijn in verkoop en marketing. Deze onthulling leidde al snel tot onze vooraanstaande positie als leveranciers van software voor het beheren van voorraden reserveonderdelen. Ons laatste stukje scholing betreft 'algemene bestellingen'. […]
• Probabilistische prognoses voor intermitterende vraag
De nieuwe prognosetechnologie is afgeleid van probabilistische prognoses, een statistische methode die zowel de gemiddelde productvraag per periode als de voorraadbehoeften op het niveau van de klantenservice nauwkeurig voorspelt. […]
• Engineering op bestelling bij Kratos Space - beschikbaarheid van onderdelen een strategisch voordeel maken
De Kratos Space-groep binnen National Security-technologie-innovator Kratos Defense & Security Solutions, Inc., produceert COTS-software en componentproducten voor ruimtecommunicatie - waardoor de beschikbaarheid van onderdelen een strategisch voordeel wordt […]
• Beheer van de inventaris van gepromote artikelen
In een eerder bericht besprak ik een van de neteligere problemen waarmee vraagplanners soms worden geconfronteerd: het werken met gegevens over productvraag die worden gekenmerkt door wat statistici scheefheid noemen - een situatie die kostbare voorraadinvesteringen kan vergen. Dit soort problematische gegevens is te vinden in verschillende scenario's. In ten minste één geval, de combinatie van intermitterende vraag en zeer effectieve verkoopacties, leent het probleem zich voor een effectieve oplossing. […]

English
English
Spanish
Dutch