Verbeter de forecasting nauwkeurigheid, elimineer overtollige voorraad en maximaliseer service levels
In deze video vertelt Dr. Thomas Willemain, mede-oprichter en SVP Research, over het verbeteren van de nauwkeurigheid van prognoses door prognosefouten te meten. We beginnen met een overzicht van de verschillende soorten foutstatistieken: schaalafhankelijke fout, procentuele fout, relatieve fout en schaalvrije foutstatistieken. Hoewel sommige fouten onvermijdelijk zijn, zijn er manieren om deze te verminderen, en prognosestatistieken zijn noodzakelijke hulpmiddelen voor het bewaken en verbeteren van de prognosenauwkeurigheid. Vervolgens zullen we het speciale probleem van de intermitterende vraag en de deel-door-nul-problemen uitleggen. Tom besluit door uit te leggen hoe je prognoses van meerdere items kunt beoordelen en hoe het vaak zinvol is om gewogen gemiddelden te gebruiken, waarbij items verschillend worden gewogen op basis van volume of omzet.
Vier algemene typen foutstatistieken
1. Schaalafhankelijke fout
2. Percentage fout
3. Relatieve fout
4. Schaalvrije fout
Opmerking: Schaalafhankelijke metrieken worden uitgedrukt in de eenheden van de voorspelde variabele. De andere drie worden uitgedrukt als percentages.
1. Schaalafhankelijke foutstatistieken
- Mean Absolute Error (MAE) ook wel Mean Absolute Deviation (MAD) genoemd
- Mediane absolute fout (MdAE)
- Root Mean Square-fout (RMSE)
- Deze statistieken drukken de fout uit in de oorspronkelijke eenheden van de gegevens.
- Bijv: eenheden, kisten, vaten, kilogrammen, dollars, liters, enz.
- Aangezien prognoses te hoog of te laag kunnen zijn, zullen de tekenen van de fouten zowel positief als negatief zijn, waardoor ongewenste annuleringen mogelijk zijn.
- Bijv.: u wilt niet dat fouten van +50 en -50 worden geannuleerd en "geen fout" weergeven.
- Om het annuleringsprobleem aan te pakken, nemen deze statistieken negatieve tekens weg door kwadratuur of absolute waarde te gebruiken.
2. Percentage foutmetriek
- Gemiddelde absolute procentuele fout (MAPE)
- Deze metriek drukt de grootte van de fout uit als een percentage van de werkelijke waarde van de voorspelde variabele.
- Het voordeel van deze aanpak is dat het meteen duidelijk maakt of de fout een groot probleem is of niet.
- Bijv.: stel dat de MAE 100 eenheden is. Is een typische fout van 100 eenheden verschrikkelijk? OK? groot?
- Het antwoord hangt af van de grootte van de variabele die wordt voorspeld. Als de werkelijke waarde 100 is, dan is een MAE = 100 zo groot als het ding dat wordt voorspeld. Maar als de werkelijke waarde 10.000 is, dan toont een MAE = 100 een grote nauwkeurigheid, aangezien de MAPE slechts 1% is van de werkelijke waarde.
3. Relatieve foutmetriek
- Mediane relatieve absolute fout (MdRAE)
- Ten opzichte van wat? Naar een benchmarkprognose.
- Welke maatstaf? Meestal de "naïeve" voorspelling.
- Wat is de naïeve voorspelling? Volgende prognosewaarde = laatste werkelijke waarde.
- Waarom de naïeve voorspelling gebruiken? Want als je daar niet tegen kunt, zit je in een zware vorm.
4. Schaalvrije foutmetriek
- Mediane relatief geschaalde fout (MdRSE)
- Deze statistiek drukt de absolute voorspellingsfout uit als een percentage van het natuurlijke niveau van willekeur (volatiliteit) in de gegevens.
- De volatiliteit wordt gemeten door de gemiddelde grootte van de verandering in de voorspelde variabele van de ene tijdsperiode naar de volgende.
- (Dit is dezelfde als de fout gemaakt door de naïeve voorspelling.)
- Hoe verschilt deze statistiek van de bovenstaande MdRAE?
- Ze gebruiken allebei de naïeve prognose, maar deze statistiek gebruikt fouten bij het voorspellen van de vraaggeschiedenis, terwijl de MdRAE fouten gebruikt bij het voorspellen van toekomstige waarden.
- Dit is van belang omdat er meestal veel meer historische waarden zijn dan er voorspellingen zijn.
- Dat is op zijn beurt weer van belang omdat deze statistiek zou "ontploffen" als alle gegevens nul waren, wat minder waarschijnlijk is bij gebruik van de vraaggeschiedenis.
Het speciale probleem van intermitterende vraag
- "Intermitterende" vraag heeft veel nul-eisen vermengd met willekeurige niet-nul-eisen.
- MAPE wordt geruïneerd wanneer fouten worden gedeeld door nul.
- MdRAE kan ook kapot gaan.
- MdSAE zal minder snel kapot gaan.
Samenvatting en opmerkingen
- Prognosestatistieken zijn noodzakelijke hulpmiddelen voor het bewaken en verbeteren van de prognosenauwkeurigheid.
- Er zijn twee hoofdklassen van statistieken: absoluut en relatief.
- Absolute metingen (MAE, MdAE, RMSE) zijn natuurlijke keuzes bij het beoordelen van prognoses van één item.
- Relatieve metingen (MAPE, MdRAE, MdSAE) zijn nuttig bij het vergelijken van de nauwkeurigheid tussen items of tussen alternatieve prognoses van hetzelfde item of bij het beoordelen van de nauwkeurigheid ten opzichte van de natuurlijke variabiliteit van een item.
- Intermitterende vraag levert problemen met delen door nul op die MdSAE verkiezen boven MAPE.
- Bij het beoordelen van prognoses van meerdere items is het vaak zinvol om gewogen gemiddelden te gebruiken, waarbij items anders worden gewogen op basis van volume of omzet.
RECENTE BERICHTEN

Why Inventory Planning Shouldn’t Rely Exclusively on Simple Rules of Thumb
For too many companies, a critical piece of data fact-finding ― the measurement of demand uncertainty ― is handled by simple but inaccurate rules of thumb. For example, demand planners will often compute safety stock by a user-defined multiple of the forecast or historical average. Or they may configure their ERP to order more when on hand inventory gets to 2 x the average demand over the lead time for important items and 1.5 x for less important ones. This is a huge mistake with costly consequences.

Rechtstreeks naar het brein van de baas – voorraadanalyse en rapportage
In this blog, the spotlight is cast on the software that creates reports for management, the silent hero that translates the beauty of furious calculations into actionable reports. Watch as the calculations, intricately guided by planners utilizing our software, seamlessly converge into Smart Operational Analytics (SOA) reports, dividing five key areas: inventory analysis, inventory performance, inventory trending, supplier performance, and demand anomalies.

Je moet samenwerken met de algoritmen
This article is about the real power that comes from the collaboration between you and our software that happens at your fingertips. We often write about the software itself and what goes on “under the hood”. This time, the subject is how you should best team up with the software.