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

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