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
![Op prognoses gebaseerd voorraadbeheer voor een betere planning](https://smartcorp.com/wp-content/uploads/2024/07/Forecast-Based-Inventory-Management-for-Better-Planning-1080x675.jpg)
Op prognoses gebaseerd voorraadbeheer voor een betere planning
Forecast-based inventory management, or MRP (Material Requirements Planning) logic, is a forward-planning method that helps businesses meet demand without overstocking or understocking. By anticipating demand and adjusting inventory levels, it maintains a balance between meeting customer needs and minimizing excess inventory costs. This approach optimizes operations, reduces waste, and enhances customer satisfaction.
![Maak van AI-gestuurde voorraadoptimalisatie een bondgenoot voor uw organisatie](https://smartcorp.com/wp-content/uploads/2024/07/Make-AI-Driven-Inventory-Optimization-an-Ally-for-Your-Organization-1-1080x675.jpg)
Maak van AI-gestuurde voorraadoptimalisatie een bondgenoot voor uw organisatie
In deze blog onderzoeken we hoe organisaties uitzonderlijke efficiëntie en nauwkeurigheid kunnen bereiken met AI-gestuurde voorraadoptimalisatie. Traditionele methoden voor voorraadbeheer schieten vaak tekort vanwege hun reactieve karakter en hun afhankelijkheid van handmatige processen. Het handhaven van optimale voorraadniveaus is van fundamenteel belang om aan de vraag van de klant te voldoen en tegelijkertijd de kosten te minimaliseren. De introductie van AI-gestuurde voorraadoptimalisatie kan de last van handmatige processen aanzienlijk verminderen, waardoor supply chain-managers worden ontlast van vervelende taken.
![Het belang van duidelijke definities van serviceniveaus bij voorraadbeheer](https://smartcorp.com/wp-content/uploads/2024/07/The-Importance-of-Clear-Service-Level-Definitions-in-Inventory-Management-FHD-1080x675.jpg)
Het belang van duidelijke definities van serviceniveaus bij voorraadbeheer
Voorraadoptimalisatiesoftware die 'wat als'-analyse ondersteunt, legt de afweging tussen voorraadtekorten en extra kosten van verschillende serviceniveaudoelen bloot. Maar eerst is het belangrijk om te identificeren hoe ‘serviceniveaus’ worden geïnterpreteerd, gemeten en gerapporteerd. Dit voorkomt miscommunicatie en het valse gevoel van veiligheid dat kan ontstaan als er minder strenge definities worden gebruikt. Als u duidelijk definieert hoe het serviceniveau wordt berekend, staan alle belanghebbenden op één lijn. Dit vergemakkelijkt een betere besluitvorming.