Verbeter de prognosenauwkeurigheid door fouten te beheren

De slimme voorspeller

 Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

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 fouten te managen. Deze video is de eerste in onze serie over effectieve methoden om de nauwkeurigheid van prognoses te verbeteren. We beginnen met te kijken naar hoe voorspelfouten pijn veroorzaken en de daaruit voortvloeiende kosten. Vervolgens zullen we de drie meest voorkomende fouten uitleggen die we moeten vermijden en die ons kunnen helpen de omzet te verhogen en overtollige voorraad te voorkomen. Tom besluit met een overzicht van de methoden om de nauwkeurigheid van voorspellingen te verbeteren, het belang van het meten van voorspellingsfouten en de technologische mogelijkheden om deze te verbeteren.

 

Prognosefout kan gevolgen hebben

Overweeg één item uit vele

  • Product X kost $100 om te maken en levert $50 winst op per eenheid.
  • De verkoop van Product X zal de komende 12 maanden 1.000 per maand blijken te zijn.
  • Overweeg één item uit vele

Wat zijn de kosten van een prognosefout?

  • Als de voorspelling 10% hoog is, sluit het jaar dan af met $120.000 overtollige voorraad.
  • 100 extra/maand x 12 maanden x $100/eenheid
  • Als de voorspelling 10% laag is, mis dan $60.000 winst.
  • 100 te weinig/maand x 12 maanden x $50/eenheid

 

Drie fouten om te vermijden

1. Fout negeren.

  • Onprofessioneel, plichtsverzuim.
  • Wensen zal het niet zo maken.
  • Behandel nauwkeurigheidsbeoordeling als datawetenschap, niet als een verwijt.

2. Meer fouten tolereren dan nodig is.

  • Statistische prognosemethoden kunnen de nauwkeurigheid op schaal verbeteren.
  • Het verbeteren van gegevensinvoer kan helpen.
  • Het verzamelen en analyseren van prognosefoutstatistieken kan zwakke plekken identificeren.

3. Tijd en geld verspillen die te ver gaat om fouten te elimineren.

  • Sommige product/marktcombinaties zijn inherent moeilijker te voorspellen. Na een punt, laat ze zijn (maar wees alert op nieuwe gespecialiseerde voorspellingsmethoden).
  • Soms kunnen stappen die bedoeld zijn om fouten te verminderen averechts werken (bijv. aanpassing).
Laat een reactie achter

RECENTE BERICHTEN

Hebben uw statistische prognoses last van het wiggle-effect?

Hebben uw statistische prognoses last van het wiggle-effect?

Wat is het wiggle-effect? Het is wanneer uw statistische prognose de ups en downs die zijn waargenomen in uw vraaggeschiedenis onjuist voorspelt terwijl er echt geen patroon is. Het is belangrijk om ervoor te zorgen dat uw prognoses niet schommelen, tenzij er een echt patroon is. Hier is een transcriptie van een recente klant waar dit probleem werd besproken:

Hoe om te gaan met statistische prognoses van nul

Hoe om te gaan met statistische prognoses van nul

Een statistische voorspelling van nul kan veel verwarring veroorzaken bij voorspellers, vooral wanneer de historische vraag niet nul is. Natuurlijk, het is duidelijk dat de vraag naar beneden neigt, maar moet deze naar nul evolueren?

recente berichten

  • Zakenman en zakenvrouw lezen en analyseren van spreadsheetDe top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelen
    We komen vaak op Excel gebaseerde methoden voor het plannen van bestelpunten tegen. In dit bericht hebben we een benadering beschreven die een klant gebruikte voordat hij verder ging met Smart. We beschrijven hoe hun spreadsheet werkte, de statistische benaderingen waarop het zich baseerde, de stappen die planners doorliepen bij elke planningscyclus en hun aangegeven motivaties om deze intern ontwikkelde spreadsheet te gebruiken (en echt leuk te vinden). […]
  • Stijl zakengroep in klassieke zakenpakken met verrekijkers en telescopen reproduceren verschillende voorspellingsmethodenHoe voorspellingsresultaten te interpreteren en te manipuleren met verschillende voorspellingsmethoden
    Deze blog legt uit hoe elk voorspellingsmodel werkt met behulp van tijdgrafieken van historische en voorspellingsgegevens. Het schetst hoe te kiezen welk model te gebruiken. De onderstaande voorbeelden tonen dezelfde geschiedenis, in rood, voorspeld met elke methode, in donkergroen, vergeleken met de Slim gekozen winnende methode, in lichtgroen. […]
  • Fabrieksarbeider-ingenieur die in de fabriek werkt met behulp van een tabletcomputer om de waterleiding van de onderhoudsketel in de fabriek te controleren.Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanning
    Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
  • Wat te doen als een statistische prognose geen steek houdtWat te doen als een statistische prognose geen steek houdt
    Soms slaat een statistische prognose gewoon nergens op. Elke voorspeller is er geweest. Ze kunnen dubbel controleren of de gegevens correct zijn ingevoerd of de modelinstellingen bekijken, maar ze blijven zich afvragen waarom de prognose er zo anders uitziet dan de vraaggeschiedenis. Wanneer de incidentele voorspelling nergens op slaat, kan dit het vertrouwen in het hele statistische prognoseproces aantasten. […]
  • Portret van fabrieksarbeider vrouw met blauwe veiligheidshelm houdt tablet vast en staat in de werkplaats voor reserveonderdelen. Concept van vertrouwen in het werken met software voor het plannen van reserveonderdelen.Het plannen van reserveonderdelen is niet zo moeilijk als u denkt
    Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]

    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

    • Zakenman en zakenvrouw lezen en analyseren van spreadsheetDe top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelen
      We komen vaak op Excel gebaseerde methoden voor het plannen van bestelpunten tegen. In dit bericht hebben we een benadering beschreven die een klant gebruikte voordat hij verder ging met Smart. We beschrijven hoe hun spreadsheet werkte, de statistische benaderingen waarop het zich baseerde, de stappen die planners doorliepen bij elke planningscyclus en hun aangegeven motivaties om deze intern ontwikkelde spreadsheet te gebruiken (en echt leuk te vinden). […]
    • Fabrieksarbeider-ingenieur die in de fabriek werkt met behulp van een tabletcomputer om de waterleiding van de onderhoudsketel in de fabriek te controleren.Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanning
      Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
    • Portret van fabrieksarbeider vrouw met blauwe veiligheidshelm houdt tablet vast en staat in de werkplaats voor reserveonderdelen. Concept van vertrouwen in het werken met software voor het plannen van reserveonderdelen.Het plannen van reserveonderdelen is niet zo moeilijk als u denkt
      Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
    • Werknemer in een magazijn voor auto-onderdelen met software voor voorraadplanningServicegestuurde planning voor bedrijven met serviceonderdelen
      Planning van serviceonderdelen op basis van serviceniveau is een proces in vier stappen dat verder gaat dan vereenvoudigde prognoses en vuistregels voor veiligheidsvoorraden. Het biedt planners van serviceonderdelen datagestuurde, op risico's afgestemde ondersteuning bij het nemen van beslissingen. […]

      Vier handige manieren om prognosefouten te meten

      De slimme voorspeller

       Het nastreven van best practices op het gebied van vraagplanning,

      prognoses en voorraadoptimalisatie

      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.

       

      Intermittent Demand Planning en Parts Forecasting

       

      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.
      Laat een reactie achter

      RECENTE BERICHTEN

      Hebben uw statistische prognoses last van het wiggle-effect?

      Hebben uw statistische prognoses last van het wiggle-effect?

      Wat is het wiggle-effect? Het is wanneer uw statistische prognose de ups en downs die zijn waargenomen in uw vraaggeschiedenis onjuist voorspelt terwijl er echt geen patroon is. Het is belangrijk om ervoor te zorgen dat uw prognoses niet schommelen, tenzij er een echt patroon is. Hier is een transcriptie van een recente klant waar dit probleem werd besproken:

      Hoe om te gaan met statistische prognoses van nul

      Hoe om te gaan met statistische prognoses van nul

      Een statistische voorspelling van nul kan veel verwarring veroorzaken bij voorspellers, vooral wanneer de historische vraag niet nul is. Natuurlijk, het is duidelijk dat de vraag naar beneden neigt, maar moet deze naar nul evolueren?

      recente berichten

      • Zakenman en zakenvrouw lezen en analyseren van spreadsheetDe top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelen
        We komen vaak op Excel gebaseerde methoden voor het plannen van bestelpunten tegen. In dit bericht hebben we een benadering beschreven die een klant gebruikte voordat hij verder ging met Smart. We beschrijven hoe hun spreadsheet werkte, de statistische benaderingen waarop het zich baseerde, de stappen die planners doorliepen bij elke planningscyclus en hun aangegeven motivaties om deze intern ontwikkelde spreadsheet te gebruiken (en echt leuk te vinden). […]
      • Stijl zakengroep in klassieke zakenpakken met verrekijkers en telescopen reproduceren verschillende voorspellingsmethodenHoe voorspellingsresultaten te interpreteren en te manipuleren met verschillende voorspellingsmethoden
        Deze blog legt uit hoe elk voorspellingsmodel werkt met behulp van tijdgrafieken van historische en voorspellingsgegevens. Het schetst hoe te kiezen welk model te gebruiken. De onderstaande voorbeelden tonen dezelfde geschiedenis, in rood, voorspeld met elke methode, in donkergroen, vergeleken met de Slim gekozen winnende methode, in lichtgroen. […]
      • Fabrieksarbeider-ingenieur die in de fabriek werkt met behulp van een tabletcomputer om de waterleiding van de onderhoudsketel in de fabriek te controleren.Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanning
        Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
      • Wat te doen als een statistische prognose geen steek houdtWat te doen als een statistische prognose geen steek houdt
        Soms slaat een statistische prognose gewoon nergens op. Elke voorspeller is er geweest. Ze kunnen dubbel controleren of de gegevens correct zijn ingevoerd of de modelinstellingen bekijken, maar ze blijven zich afvragen waarom de prognose er zo anders uitziet dan de vraaggeschiedenis. Wanneer de incidentele voorspelling nergens op slaat, kan dit het vertrouwen in het hele statistische prognoseproces aantasten. […]
      • Portret van fabrieksarbeider vrouw met blauwe veiligheidshelm houdt tablet vast en staat in de werkplaats voor reserveonderdelen. Concept van vertrouwen in het werken met software voor het plannen van reserveonderdelen.Het plannen van reserveonderdelen is niet zo moeilijk als u denkt
        Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]

        Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

        • Zakenman en zakenvrouw lezen en analyseren van spreadsheetDe top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelen
          We komen vaak op Excel gebaseerde methoden voor het plannen van bestelpunten tegen. In dit bericht hebben we een benadering beschreven die een klant gebruikte voordat hij verder ging met Smart. We beschrijven hoe hun spreadsheet werkte, de statistische benaderingen waarop het zich baseerde, de stappen die planners doorliepen bij elke planningscyclus en hun aangegeven motivaties om deze intern ontwikkelde spreadsheet te gebruiken (en echt leuk te vinden). […]
        • Fabrieksarbeider-ingenieur die in de fabriek werkt met behulp van een tabletcomputer om de waterleiding van de onderhoudsketel in de fabriek te controleren.Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanning
          Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
        • Portret van fabrieksarbeider vrouw met blauwe veiligheidshelm houdt tablet vast en staat in de werkplaats voor reserveonderdelen. Concept van vertrouwen in het werken met software voor het plannen van reserveonderdelen.Het plannen van reserveonderdelen is niet zo moeilijk als u denkt
          Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
        • Werknemer in een magazijn voor auto-onderdelen met software voor voorraadplanningServicegestuurde planning voor bedrijven met serviceonderdelen
          Planning van serviceonderdelen op basis van serviceniveau is een proces in vier stappen dat verder gaat dan vereenvoudigde prognoses en vuistregels voor veiligheidsvoorraden. Het biedt planners van serviceonderdelen datagestuurde, op risico's afgestemde ondersteuning bij het nemen van beslissingen. […]