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).

RECENTE BERICHTEN

Dus hoe kun je een real-world plan voor JIT-inventarisatie uitvoeren te midden van al deze risico's en onzekerheden? De basis van uw reactie zijn uw bedrijfsgegevens. Onzekerheid heeft twee bronnen: vraag en aanbod. Voor beide heb je de feiten nodig.

Maak aan de aanbodzijde gebruik van de gegevens die u heeft over recente doorlooptijden van leveranciers, die de huidige turbulentie weerspiegelen. Gebruik geen gemiddelde waarden als u kansverdelingen kunt gebruiken die het volledige bereik van onvoorziene gebeurtenissen weergeven. Overweeg deze vergelijking. Leverancier A voert nu op betrouwbare wijze bestellingen uit in precies 10 dagen. Leverancier B is ook gemiddeld 10 dagen maar doet het met een 78%/22% mix van 7 en 21 dagen. Zowel A als B hebben een gemiddelde aanvullingsvertraging van 10 dagen, maar de operationele resultaten die ze opleveren zullen heel verschillend zijn. U kunt dit alleen herkennen als u waarschijnlijkheidsmodellen van voorraadprestaties gebruikt.

Aan de vraagzijde gelden soortgelijke overwegingen. Ten eerste, erken dat er mogelijk een grote verschuiving heeft plaatsgevonden in de aard van de vraag naar artikelen (statistici noemen dit een "regimeverandering"), dus verwijder uit uw analyse alle gegevens die de "goede oude tijd" vertegenwoordigen. Stop dan weer met denken in termen van gemiddelden. Hoewel de gemiddelde vraag belangrijk is, is deze geen voldoende beschrijving van het probleem waarmee u wordt geconfronteerd. Even belangrijk is de volatiliteit van de vraag. Volatiliteit is de reden dat u in de eerste plaats voorraad aanhoudt. Als de vraag volledig voorspelbaar zou zijn, zou u geen stockouts of overtollige voorraad hebben. Net zoals u de volledige waarschijnlijkheidsverdeling van doorlooptijden voor bevoorrading moet schatten, hebt u de volledige verdeling van vraagwaarden nodig.

Zodra u het bereik van variabiliteit in zowel vraag als aanbod begrijpt, kunt u met probabilistische prognoses rekening houden met verstoringen en ongebruikelijke gebeurtenissen. Software zet uw gegevens on demand en doorlooptijden om in een groot aantal scenario's die aangeven hoe uw volgende planningsperiode eruit zou kunnen zien. Op basis van die scenario's kan de software bepalen hoe uw doelen het beste kunnen worden bereikt voor statistieken als voorraadkosten en voorraadpercentages. Met behulp van oplossingen zoals Smart Inventory Optimization plant u vol vertrouwen op basis van uw beoogde voorraadrisico met minimale voorraadkosten. U kunt ook overwegen om de oplossing optimale serviceniveaudoelen te laten voorschrijven door de kosten van extra voorraad versus voorraadkosten te beoordelen.

Bij voorraadplanning kunnen we, net als in de wetenschap, niet ontsnappen aan de realiteit van onzekerheid en de impact van ongewone gebeurtenissen. We moeten dienovereenkomstig plannen: met software voor voorraadoptimalisatie kunt u het serviceniveau met de laagste kosten bepalen. Dit creëert een coherente, bedrijfsbrede inspanning die inzicht in de huidige activiteiten combineert met wiskundig correcte beoordelingen van toekomstige risico's en omstandigheden.

Voorraadplanning is "interessanter" geworden en vereist een grotere mate van risicobewustzijn en wendbaarheid. De juiste software kan daarbij helpen.

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

Tot slot moeten we, zoals ik al heb opgemerkt, accepteren dat we nooit alle onzekerheid kunnen wegnemen. Als natuurkundige ben ik altijd geïntrigeerd geweest door het feit dat er, zelfs op de meest basale niveaus van de werkelijkheid zoals we die vandaag kennen, nog steeds onzekerheid bestaat. Albert Einstein geloofde in zekerheid (determinisme) in de natuurkundige wet. Als hij voorraadbeheerder was geweest, had hij misschien voor JIT gepleit omdat hij vond dat natuurkundige wetten perfecte voorspelbaarheid mogelijk zouden moeten maken. Hij zei beroemd: "God speelt niet met dobbelstenen." Of zou het mogelijk kunnen zijn dat het universum waarin we bestaan een "zwarte zwaan" -gebeurtenis was in een eerder "multiversum" dat een bepaald soort universum voortbracht waardoor we konden bestaan.

Bij voorraadplanning kunnen we, net als in de wetenschap, niet ontsnappen aan de realiteit van onzekerheid en de impact van ongewone gebeurtenissen. We moeten dienovereenkomstig plannen.

[1] https://www.bbc.com/news/business-56559073#:~:text=Looking%20at%20the%20bigger%20picture,0.2%20to%200.4%20percentage%20points.

Tip #3: Doe meer wat-als-planning

In turbulente tijden verwacht je misschien nog meer turbulentie in de toekomst. Door uw software te gebruiken voor wat-als-planning kunt u zich voorbereiden op veranderingen die mogelijk komen. Stel dat u contact heeft gehad met een belangrijke leverancier die erop wijst dat ze mogelijk de prijzen verhogen of hun leveringsschema's moeten verschuiven. Door de software verschillende inputs te geven, kunt u noodplannen maken. Als de prijzen stijgen, kunt u zien hoe reageren door het wijzigen van bestelhoeveelheden van invloed zou zijn op uw voorraadkosten en voorraadinvesteringen. Als de doorlooptijden oplopen, kunt u zien wat de impact zou zijn op de artikelbeschikbaarheid. Deze voorkennis helpt u erachter te komen wat uw tegenbewegingen zouden zijn voordat de crisis toeslaat.

Als er ooit een tijd is geweest dat we op de automatische piloot konden cruisen, dan is het wel in de achteruitkijkspiegel. Uw organisatie, die een explosieve groei doormaakt, heeft veel uitdagingen. Oude antwoorden zijn achterhaald; nieuwe antwoorden moeten ergens vandaan komen, snel. Geavanceerde software die gebruikmaakt van probabilistische voorspelling kan helpen, samen met veranderingen in planningsprocessen.