Hoe gebruik ik statistische modellen om verkoop te voorspellen?

/0 Reacties/in /door

Statistische modellen gebruiken om de verkoop te voorspellen? Weet waar jij als organisatie aan toe bent, wees voorbereid op de toekomst!

Verkoop- en vraagvoorspellers hebben verschillende technieken tot hun beschikking om de toekomst te voorspellen. De meeste analisten gebruiken historische verkoopgegevens of andere soorten gegevens als leidraad. Maar er zijn ook veel planners die sterk op hun beoordelingsvermogen vertrouwen. Het lijdt geen twijfel dat beoordelingsvermogen een belangrijke rol kan (en zou moeten!) spelen bij het komen tot uw definitieve, consensusprognose. Maar statistische prognoses kunnen een mate van automatisering en inzicht bieden die uw prognosenauwkeurigheid aanzienlijk kan verbeteren, vooral wanneer u grote hoeveelheden produceert op voortschrijdende basis.

Dit artikel behandelt twee gebruikelijke benaderingen voor het voorspellen van verkopen met behulp van statistische methoden: tijdreeksmodellen en regressiemodellen. Het voordeel van deze benaderingen is dat ze veel waar voor je geld bieden. Aan de ene kant zijn het robuuste methoden die patronen in uw gegevens kunnen detecteren en extrapoleren. Zoals seizoensinvloeden, verkoopcycli, trends, reacties op promoties, enzovoort. Aan de andere kant zijn het laagdrempelige benaderingen, vooral met de juiste tools.

Statische modellen: tijdsreeks methoden

Tijdreeksmethoden zijn prognosetechnieken die de prognose uitsluitend baseren op de vraaggeschiedenis van het artikel dat u aan het voorspellen bent. Ze werken door patronen in de historische gegevens vast te leggen en die patronen naar de toekomst te extrapoleren. Tijdreeksmethoden zijn geschikt wanneer u kunt uitgaan van een redelijke mate van continuïteit tussen het verleden en de toekomst. Ze zijn het meest geschikt voor prognoses op kortere termijn (bijvoorbeeld voor 18 maanden of minder). Dit komt door hun aanname dat toekomstige patronen en trends zullen lijken op huidige patronen en trends. Dit is een redelijke veronderstelling op de korte termijn, maar wordt zwakker naarmate u verder uitgaat.

Statische modellen : tijdsreeks methoden in Forecast Pro Trac

Statische modellen: veelvoorkomende tijdsreeks methoden

Zeer eenvoudige modellen.

Voortschrijdende gemiddelden, “hetzelfde als vorig jaar”, procentuele groei en best passende lijn (d.w.z. regressie tegen de tijd) zijn allemaal zeer eenvoudige tijdreeksmodellen. Deze kunnen worden gebruikt om prognoses te genereren. Ze kunnen binnen enkele seconden in een spreadsheet worden geïmplementeerd en vereisen geen statistische expertise van de kant van de voorspeller; voor de meeste zakelijke toepassingen zijn deze methoden echter te eenvoudig en kunnen bijna altijd nauwkeurigere voorspellingen worden gegenereerd met behulp van alternatieve tijdreeksmethoden.

Exponentiële afvlakkingsmodellen.

Exponentiële afvlakking is de methode bij uitstek voor veel zakelijke voorspellers. De modellen presteren goed qua nauwkeurigheid, zijn eenvoudig toe te passen en kunnen worden geautomatiseerd, waardoor ze kunnen worden gebruikt voor grootschalige prognoses. Exponentiële afvlakkingsmodellen vangen en voorspellen het niveau van de gegevens samen met verschillende soorten trends en seizoenspatronen. De modellen zijn adaptief en de prognoses leggen meer nadruk op de recente geschiedenis dan op het verder weg gelegen verleden.

Box-Jenkins (ARIMA) modellen.

Box-Jenkins-modellen lijken op exponentiële afvlakkingsmodellen in die zin dat ze adaptief zijn, trends en seizoenspatronen kunnen modelleren en kunnen worden geautomatiseerd. Ze verschillen doordat ze gebaseerd zijn op autocorrelaties (patronen in de tijd) in plaats van op een structureel beeld van niveau, trend en seizoensgebondenheid. Box-Jenkins-modellen presteren over het algemeen beter dan exponentiële afvlakkingsmodellen voor langere, stabielere datasets en minder goed voor luidruchtigere, meer vluchtige data.

Het intermitterende vraagmodel van Croston.

Het model van Croston is specifiek ontworpen voor datasets waarbij de vraag voor een bepaalde periode vaak nul is en de exacte timing van de volgende bestelling niet bekend is. Gegevens op laag niveau (bijv. SKU per klant) of reserveonderdelen vertonen vaak dit soort vraagpatroon. Deze methode werkt door een afgevlakte schatting van de gemiddelde vraag voor perioden met vraag te combineren met een afgevlakte schatting van het gemiddelde vraaginterval. De prognoses zijn geen magie (ze vertellen je niet wanneer de volgende bestelling wordt geplaatst); ze leveren echter vaak een betere voorspelling op voor de verwachte vraag dan andere tijdreeksbenaderingen.

Opbouwen van tijdsreeks methode

Veel van deze modellen kunnen in spreadsheets worden gebouwd. Maar het feit dat ze gebaseerd zijn op historische gegevens, maakt ze eenvoudig te automatiseren. Softwarepakketten kunnen grote hoeveelheden van deze modellen automatisch bouwen over grote datasets. Gegevens kunnen met name sterk variëren, en de implementatie van deze modellen varieert ook, dus geautomatiseerde statistische software kan helpen bij het bepalen van de beste pasvorm per geval.

Statistische modellen: Regressie modellen

Regressie modellen forecast pro trac

Met dynamische regressiemodellen kunt u oorzakelijke factoren zoals prijzen, promoties en economische indicatoren opnemen in uw prognoses. De modellen combineren standaard OLS (“Ordinary Least Squares”) regressie (zoals aangeboden in Excel) met de mogelijkheid om dynamische termen te gebruiken om trend, seizoensinvloeden en tijdgebonden relaties tussen variabelen vast te leggen. Het resultaat is een model dat nauwkeuriger zal voorspellen dan gewone tijdreeksbenaderingen wanneer verklarende variabelen de vraag naar uw producten of diensten aandrijven en aan bepaalde andere voorwaarden wordt voldaan.

Een goed gespecificeerd dynamisch regressiemodel geeft veel inzicht in relaties tussen variabelen en maakt ‘wat als’-scenario’s mogelijk. Stel dat uw dynamische regressiemodel prijs als verklarende variabele bevat. Door de relatie tussen verkoop en prijs te kwantificeren, kunt u met het model prognoses maken onder verschillende prijsscenario’s. “Wat als we de prijs verhogen?” “Wat als we het verlagen?” Het genereren van deze alternatieve prognoses kan u helpen bij het bepalen van een effectieve prijsstrategie.

De hierboven beschreven “wat als”-analyse verwijst naar het grootste nadeel van het gebruik van dynamische regressie. Een goed gespecificeerd dynamisch regressiemodel legt de relatie vast tussen de afhankelijke variabele (degene die u wilt voorspellen) en een of meer onafhankelijke variabelen. Om een prognose te genereren, moet u prognoses aanleveren voor uw onafhankelijke variabelen. Als u controle heeft over deze onafhankelijke variabelen (bijv. prijzen, promoties, enz.) of als het leidende indicatoren zijn, hoeft dit geen groot probleem te zijn. Als u echter geen controle heeft over uw onafhankelijke variabelen (bijvoorbeeld het weer, rentetarieven, prijs van materialen, concurrerende aanbiedingen, enz.), moet u er rekening mee houden dat slechte prognoses voor de onafhankelijke variabelen zullen leiden tot slechte prognoses voor de afhankelijke variabele.

Regressiemodellen bouwen

Hoewel er softwaretools zijn die tijdreeksprognoses zeer effectief kunnen automatiseren, is regressie meestal een beetje anders. Het is een methode waarbij kennis van de techniek en ervaring met het bouwen van de modellen goed van pas komt. Het bouwen van een dynamisch regressiemodel is over het algemeen een iteratieve procedure, waarbij u begint met een initieel model en experimenteert met het toevoegen of verwijderen van onafhankelijke variabelen en dynamische termen totdat u tot een acceptabel model komt. Tools zoals Forecast Pro bieden een complete reeks zelf interpreterende hypothesetests en andere diagnostische gegevens om u door het proces te helpen.

Conclusie statistische modellen

Statistische methoden kunnen een mate van automatisering en nauwkeurigheid bieden die puur veroordelende methoden alleen niet kunnen bieden. Deze modellen kunnen u niet alleen helpen bij het identificeren van terugkerende patronen en trends in uw gegevens, ze kunnen u ook veel tijd en moeite besparen door automatisch grote datasets te voorspellen, en als gevolg daarvan kunt u uw aandacht richten op waar uw oordeel het meest telt.

Prognose pro

De bovenstaande schermafbeeldingen tonen statistische verkoopprognoses met behulp van een kant-en-klare tool genaamd Forecast Pro. Forecast Pro is een goedkoop en toch flexibel vraagprognosepakket dat naast vele andere functies zowel tijdreeksen als regressieprognoses implementeert. Als u meer wilt weten, bekijk dan de korte rondleiding of neem direct contact met ons op om Forecast Pro zelf uit te proberen.

Aanvullende bronnen

Business Forecast Systems, Inc. geeft elk kwartaal GRATIS educatieve webinars. We archiveren ook elk webinar dat we presenteren – in het bijzonder, als je dit artikel leuk vond, ben je misschien geïnteresseerd in:

De ins en outs van exponentiële afvlakking

De ins en outs van het gebruik van dynamische regressiemodellen voor prognoses

Originally published at http://www.forecastpro.com/resources/blog/

Hoe kun je uitschieters voorspellen?

/0 Reacties/in /door

Een uitschieter is een datapunt dat buiten het verwachte bereik van de gegevens valt. Dat wil zeggen: het is een ongebruikelijk groot of klein gegevenspunt. Uitschieters kunnen een aanzienlijke negatieve invloed hebben op de prognoses. Het is daarom verstandig om ze nooit te negeren.

Dit artikel onderzoekt drie verschillende benaderingen voor het voorspellen van uitschieters. Tevens worden er de voor- en nadelen van de benaderingen besproken. Tenslotte worden er aanbevelingen gedaan over wanneer het het beste is om elke benadering te gebruiken.

Optie 1. Uitschieter correctie

Een eenvoudige oplossing om de impact van een uitschieter te verminderen is vervanging. Door de uitschieter te vervangen door een meer typische waarde voordat de prognoses worden gegenereerd. Dit proces wordt ook wel “uitschieter correctie” genoemd. Veel prognoseoplossingen, waaronder Forecast Pro, bieden geautomatiseerde procedures voor het detecteren van uitschieters en het “corrigeren” van de historie voorafgaand aan de prognose.

Het corrigeren van de geschiedenis van een ernstige uitschieter zal de voorspelling vaak verbeteren. Als de uitschieter echter niet ernstig is, kunnen correcties meer kwaad als goed doen. Wanneer er een uitschieter gecorrigeerd wordt, herschrijf je al het ware de geschiedenis. Dit met als doelstelling deze vloeiender te laten verlopen dan deze in werkelijkheid was. Dit zal de prognoses veranderen en betrouwbaarheidsgrenzen verkleinen. Als de correctie niet nodig is, kun je eindigen met slechte prognoses en onrealistische betrouwbaarheidslimieten.

uitschieters voorspellen forecast pro

De bovenstaande schermafbeelding toont het vermogen van Forecast Pro TRAC om potentiële uitschieters te “corrigeren”.

Aanbevelingen voor de correctie van uitschieters

  1. Als de oorzaak bekend is, moeten alternatieve benaderingen (zoals optie 2 en optie 3) worden overwogen voordat overgegaan wordt tot correctie;
  2. Uitschieter correctie moet spaarzaam uitgevoerd worden. Het is erg handig om een geautomatiseerd detectie-algoritme te gebruiken om potentiële uitschieters te identificeren. De gedetecteerde uitschieters zouden echter idealiter individueel door de voorspeller moeten worden beoordeeld om te bepalen of een correctie passend is.
  3. Wordt er een geautomatiseerde procedure gebruikt voor het opsporen en corrigeren van uitschieters? Dit kan bijvoorbeeld als het enorme aantal te genereren prognoses menselijke beoordeling onmogelijk maakt. In een dergelijk geval dienen de drempels voor het identificeren en corrigeren van een uitschieter zeer hoog worden vastgesteld. Idealiter zouden de drempels empirisch worden gekalibreerd door te experimenteren met een subset van de gegevens.

Optie 2. Scheid de vraagstromen

Soms, wanneer de oorzaak van een uitschieter bekend is, kan het nuttig zijn om een tijdreeks op te splitsen in twee verschillende vraagstromen en deze afzonderlijk te voorspellen. Onderstaand drie voorbeelden van dergelijke situaties:

Voorbeeld A: De vraag van een farmaceutisch bedrijf naar een bepaald medicijn bestaat uit zowel receptvullingen (verkoop) als gratis goederen. Bijvoorbeeld monsters die gratis aan artsen worden uitgedeeld. De timing van de distributie van gratis goederen introduceert uitschieters in de tijdreeks die de totale vraag vertegenwoordigt. Door de vraagstromen te scheiden, ontstaat een uitschietervrije serie voorschriftvullingen en kunnen voor elke reeks verschillende prognosebenaderingen worden gebruikt, wat geschikt is omdat de factoren die de vraag genereren voor de twee reeksen verschillend zijn.

Voorbeeld B: De vraag van een productiebedrijf bestaat normaal gesproken uit bestellingen van zijn distributeurs. Als reactie op een ongebruikelijke gebeurtenis plaatst de overheid een grote eenmalige order die een significante uitschieter in de vraagreeks introduceert. Deze heeft echter geen invloed op de basisvraag van de distributeurs. Door de vraagstromen te scheiden, ontstaat een vraagreeks zonder uitschieters en kan de prognose voor de vraagreeks van de overheid eenvoudig op nul worden gezet.

Voorbeeld C: Een voedings- en drankenbedrijf verkoopt zijn producten zowel uit de winkelschappen als uit promotionele displays. Het heeft toegang tot gegevens voor de twee afzonderlijke vraagstromen. Hoewel het verleidelijk is om deze twee reeksen afzonderlijk te voorspellen, is dit misschien niet de beste aanpak. Hoewel de promotionele displays de totale vraag zullen doen toenemen, zullen ze ook de basisvraag kannibaliseren. In dit voorbeeld kan het beter zijn om de totale vraag te voorspellen met behulp van een prognosemethode die de promoties kan accommoderen (bijv. gebeurtenismodellen, regressie, enz.).

Aanbevelingen voor het scheiden van vraagstromen

  1. Het scheiden van de vraagstromen moet alleen worden overwogen als u de verschillende vraagbronnen begrijpt die de uitschieters introduceren;
  2. Als de vraagstromen op een “chirurgisch schone” manier kunnen worden gescheiden, kunt u overwegen de vraagstromen te scheiden en afzonderlijk te voorspellen;
  3. In gevallen waarin de vraagstromen niet goed gescheiden kunnen worden, werkt u vaak beter met één tijdreeks.

Optie 3. Gebruik een prognosemethode die de uitschieters kan modelleren

Uitschieters kunnen worden veroorzaakt door gebeurtenissen waarvan je op de hoogte bent. Bijvoorbeeld promoties, eenmalige bestellingen, stakingen, rampen, enz.. Ze kunnen echter ook worden veroorzaakt door gebeurtenissen waarvan u geen kennis heeft (d.w.z. je weet dat het punt ongebruikelijk is , maar je weet niet waarom). Als je kennis hebt van de gebeurtenissen die de uitschieters hebben veroorzaakt, kun je overwegen een prognosemethode te gebruiken die deze gebeurtenissen expliciet modelleert.

Gebeurtenismodellen zijn een uitbreiding van exponentiële afvlakking die bijzonder geschikt zijn voor deze taak. Ze zijn eenvoudig te bouwen en lenen zich goed voor automatisering. Een andere optie is dynamische regressie.

In tegenstelling tot tijdreeksmethoden, die de prognoses uitsluitend baseren op de geschiedenis van het item, zijn gebeurtenismodellen en dynamische regressie causale modellen, waarmee u aanvullende informatie kunt invoeren, zoals promotieschema’s, de timing van bedrijfsonderbrekingen en (in het geval van dynamische regressie) verklarende variabelen.

Door de reactie op de gebeurtenissen vast te leggen als onderdeel van het algehele voorspellingsmodel, verbeteren deze technieken vaak de nauwkeurigheid van de voorspellingen en bieden ze inzicht in de impact van de gebeurtenissen.

Aanbevelingen voor het gebruik van prognosemethoden die in staat zijn om uitschieters te modificeren

In gevallen waarin de oorzaken van de uitschieters bekend zijn, kunt u overwegen een prognosemethode te gebruiken die de gebeurtenissen expliciet modelleert.

Samenvatting

Het negeren van grote uitschieters in data leidt vaak tot slechte prognoses. De beste aanpak voor het voorspellen van gegevens die uitschieters bevatten, hangt af van de aard van de uitschieters en de middelen van de voorspeller.

In dit artikel hebben we drie benaderingen besproken:

  1. Correctie van uitschieters;
  2. Het scheiden van de vraagstromen;
  3. Het modelleren van de uitschieters.

Deze benaderingen kunnen allen gebruikt worden bij het maken van prognoses op basis van gegevens die uitschieters bevatten.

Als je wil zien hoe Forecast Pro TRAC jouw organisatie kan ondersteunen bij het beheren van uitschieters en het aanpakken van andere prognose-uitdagingen, plan dan een gepersonaliseerde demo met een van onze specialisten.

Originally published at http://www.forecastpro.com/resources/blog/

Hoe meet ik de nauwkeurigheid van prognoses?

/0 Reacties/in /door

Het meten van de nauwkeurigheid van prognoses is van cruciaal belang voor benchmarking en het continu verbeteren van uw prognoseproces. Maar waar beginnen we? Dit artikel onderzoekt waarom we nauwkeurigheid moeten meten, wat we moeten bijhouden en de belangrijkste statistieken die we moeten begrijpen om de gegevens te begrijpen.

Waarom zou ik de nauwkeurigheid van prognoses meten?

1. Om uw prognoseproces te verbeteren, moet u de nauwkeurigheid kunnen volgen.

Forecasting moet worden gezien als een continu verbeteringsproces. Uw planners moet voortdurend streven naar verbetering van het prognoseproces en de prognosenauwkeurigheid. Om dit te doen, moet u weten wat werkt en wat niet.

Veel organisaties genereren bijvoorbeeld basisprognoses met behulp van statistische benaderingen en passen deze vervolgens op oordeelsbasis aan om hun kennis van toekomstige gebeurtenissen vast te leggen. Organisaties die de nauwkeurigheid van zowel de statistische als aangepaste prognoses bijhouden, leren waar de aanpassingen de prognoses verbeteren en waar ze deze verslechteren. Met deze kennis kunnen zij hun tijd en aandacht richten op de zaken waar de aanpassingen waarde toevoegen.

2. Trackingnauwkeurigheid geeft inzicht in verwachte prestaties.

Een prognose is meer dan een getal. Om een prognose effectief te gebruiken, moet u inzicht hebben in de verwachte nauwkeurigheid.

Statistieken binnen de steekproef en betrouwbaarheidslimieten geven enig inzicht in de verwachte nauwkeurigheid; ze onderschatten echter bijna altijd de feitelijke (out-of-sample) voorspellingsfout. Dit is te wijten aan het feit dat de parameters van een statistisch model worden geselecteerd om de aangepaste fout over de historische gegevens te minimaliseren. De parameters zijn dus aangepast aan de historische gegevens en weerspiegelen al hun eigenaardigheden. Anders gezegd, het model is geoptimaliseerd voor het verleden, niet voor de toekomst.

Over het algemeen leveren out-of-sample-statistieken (d.w.z. historische voorspellingsfouten) een betere maatstaf voor de verwachte voorspellingsnauwkeurigheid dan inside-sample-statistieken.

3. Met trackingnauwkeurigheid kunt u uw prognoses benchmarken.

Als u het geluk heeft in een branche te zitten met gepubliceerde statistieken over de nauwkeurigheid van prognoses, geeft het vergelijken van uw nauwkeurigheid met deze benchmarks inzicht in de effectiviteit van uw prognoses. Als er geen branchebenchmarks beschikbaar zijn (meestal het geval), kunt u door periodiek uw huidige prognosenauwkeurigheid te vergelijken met uw eerdere prognosenauwkeurigheid uw verbetering meten.

4. Door de nauwkeurigheid van prognoses te bewaken, kunt u problemen vroegtijdig opsporen.

Een abrupte onverwachte verandering in de nauwkeurigheid van de prognose is vaak het resultaat van een onderliggende gebeurtenis. Als een belangrijke klant bijvoorbeeld buiten uw medeweten besluit om een concurrerend product op de markt te brengen, kan uw eerste indicatie een ongewoon grote voorspellingsfout zijn. Door prognosefouten routinematig te monitoren, kunt u deze veranderingen in een vroeg stadium opsporen, onderzoeken en erop reageren, voordat ze grotere problemen worden.

Een prognose archief bouwen

Het bijhouden van de nauwkeurigheid van prognoses vereist dat u een record bijhoudt van eerder gegenereerde prognoses. Dit record van de eerder gegenereerde prognoses wordt het prognosearchief genoemd.

Nauwkeurigheid prognoses van 1 enkel product in een tabel

De bovenstaande tabel toont een zeer eenvoudig prognosearchief voor een enkel product. De eerste rij bevat de prognose die in november 2019 is gegenereerd. De tweede rij bevat de prognose die in december 2019 is gegenereerd, enz.

Als uw prognoseproces meerdere prognoses genereert (bijv. statistische prognose, aangepaste prognose, prognose van de verkoper, enz.), dan moeten alle prognoses worden opgeslagen in het prognosearchief.

Zodra het archief is opgezet, kan het worden gebruikt om rapporten te genereren waarin de gearchiveerde prognoses worden vergeleken met de daadwerkelijke verkopen. Vanwege het volume en de complexiteit van de gegevens kan dit het beste worden bereikt met behulp van een speciale softwareoplossing zoals Forecast Pro TRAC of een intern ontwikkelde oplossing die gebruikmaakt van een relationele database – het is geen taak voor Excel.

Nauwkeurigheid prognoses met Forecast Pro TRAC

De bovenstaande schermafbeelding toont een voorbeeldrapport voor het bijhouden van nauwkeurigheid. Vanwege het trapsgewijze uiterlijk wordt dit stijlrapport vaak een watervalrapport genoemd. De bovenste helft van het numerieke gedeelte (het gedeelte “Prognoserapport”) toont de actuele vraaggeschiedenis en de gearchiveerde prognoses voor de periodes die worden geanalyseerd. De onderste helft toont samenvattende statistieken voor verschillende doorlooptijden.

Een korte handleiding voor prognosenauwkeurigheidsstatistieken en hoe deze te gebruiken

MAPE

De MAPE (Mean Absolute Percent Error) meet de grootte van de fout in procenten. MAPE berekent men als het gemiddelde van de niet-ondertekende procentuele fout, zoals weergegeven in het onderstaande voorbeeld:

Prognose nauwkeurigheid MAPE

Veel organisaties richten zich primair op de MAPE bij het beoordelen van de nauwkeurigheid van prognoses. Aangezien de meeste mensen comfortabel denken in procenten, is de MAPE gemakkelijk te interpreteren. Het kan ook informatie overbrengen als u het vraagvolume van het artikel niet kent. Het is bijvoorbeeld zinvoller om tegen uw manager te zeggen “we zaten er minder dan 4% naast” dan te zeggen “we zaten er 3.000 gevallen naast” als uw manager het typische vraagvolume van een artikel niet kent.

De MAPE is schaalgevoelig en is niet bruikbaar bij het werken met gegevens met een laag volume. Merk op dat omdat “Actual” in de noemer van de vergelijking staat, de MAPE ongedefinieerd is wanneer de werkelijke vraag nul is. Bovendien, wanneer de werkelijke waarde niet nul is, maar vrij klein, zal de MAPE vaak extreme waarden aannemen. Deze schaalgevoeligheid maakt de MAPE ondoeltreffend als foutmaatstaf voor gegevens met een laag volume.

MAD

De MAD (Mean Absolute Deviation) meet de grootte van de fout in eenheden. MAD berekent men als het gemiddelde van de niet-ondertekende fouten, zoals weergegeven in het onderstaande voorbeeld:

Prognose nauwkeurigheid MAD

De MAD is een goede statistiek om te gebruiken bij het analyseren van de fout voor een enkel item; als u echter MAD’s over meerdere items samenvoegt, moet u voorzichtig zijn met producten met een hoog volume die de resultaten domineren – hierover later meer.

De MAPE en de MAD zijn verreweg de meest gebruikte foutenmeetstatistieken. Er is een hele reeks alternatieve statistieken in de prognoseliteratuur, waarvan vele variaties zijn op de MAPE en de MAD. Een paar van de belangrijkste worden hieronder opgesomd:

MAD/gemiddelde verhouding. De MAD/Mean-ratio is een alternatief voor de MAPE dat beter geschikt is voor intermitterende en kleine datavolumes. Zoals eerder vermeld, kunnen procentuele fouten niet worden berekend wanneer de Actual gelijk is aan nul en kunnen ze extreme waarden aannemen bij het omgaan met gegevens met een laag volume. Deze problemen worden nog groter wanneer u het gemiddelde van MAPE’s over meerdere tijdreeksen begint te nemen. De MAD/Mean-ratio probeert dit probleem op te lossen door de MAD te delen door de Mean – in wezen de fout opnieuw te schalen om deze vergelijkbaar te maken over tijdreeksen van verschillende schalen. De statistiek is precies berekend zoals de naam suggereert: het is gewoon de MAD gedeeld door het gemiddelde.

GMRAE

De GMRAE (Geometrische gemiddelde relatieve absolute fout) wordt gebruikt om de voorspellingsprestaties buiten de steekproef te meten. Deze kan men berekenen met behulp van de relatieve fout tussen het naïeve model (d.w.z. de voorspelling voor de volgende periode is de werkelijke waarde voor deze periode) en het momenteel geselecteerde model. Een GMRAE van 0,54 geeft aan dat de grootte van de fout van het huidige model slechts 54% is van de grootte van de fout die wordt gegenereerd met het naïeve model voor dezelfde dataset. Omdat de GMRAE gebaseerd is op een relatieve fout, is deze minder schaalgevoelig dan de MAPE en de MAD.

SMAPE

De SMAPE (Symmetric Mean Absolute Percentage Error) is een variatie op de MAPE die wordt berekend aan de hand van het gemiddelde van de absolute waarde van de werkelijke en de absolute waarde van de voorspelling in de noemer. Deze statistiek heeft door sommigen de voorkeur boven de MAPE en werd gebruikt als nauwkeurigheidsmaatstaf in verschillende voorspellingswedstrijden.

Meetfout voor een enkel item versus meetfouten bij meerdere items

Het meten van de voorspellingsfout voor een enkel item is vrij eenvoudig.

Werkt u met een artikel met een redelijk laag vraagvolume? Dan kan elk van de bovengenoemde foutmetingen worden gebruikt. U moet degene kiezen waar u en uw organisatie zich het prettigst bij voelen. Voor veel organisaties is dit de MAPE of de MAD. Als u met een item met een laag volume werkt, is de MAD een goede keuze. Terwijl de MAPE en andere op percentages gebaseerde statistieken moeten worden vermeden.

Het berekenen van foutmeetstatistieken over meerdere items kan behoorlijk problematisch zijn.

Het berekenen van een geaggregeerde MAPE is een gangbare praktijk. Een mogelijk probleem met deze benadering is dat de items met een lager volume de statistiek kunnen domineren. Deze hebben meestal hogere MAPE’s. Dit is doorgaans niet wenselijk. Een oplossing is om de items eerst te scheiden in verschillende groepen op basis van volume (bijv. ABC-categorisatie). Vervolgens worden er voor elke groep afzonderlijke statistieken berekend. Een andere benadering is om een gewicht vast te stellen voor de MAPE van elk item dat het relatieve belang van het item voor de organisatie weerspiegelt. Dit is een uitstekende praktijk.

Aangezien de MAD een eenheidsfout is, heeft het berekenen van een geaggregeerde MAD over meerdere items alleen zin als vergelijkbare eenheden worden gebruikt. Als u bijvoorbeeld de fout in dollars meet, zal de geaggregeerde MAD u de gemiddelde fout in dollars vertellen.

Samenvatting nauwkeurigheid prognoses

Het volgen van de nauwkeurigheid van prognoses is een essentieel onderdeel van het prognoseproces. Als u de nauwkeurigheid van uw huidige proces niet kunt beoordelen, is het erg moeilijk om het te verbeteren. Bovendien biedt het volgen van de nauwkeurigheid van prognoses inzicht in de verwachte prestaties, kunt u uw prognoses benchmarken en kunt u problemen eerder opsporen, onderzoeken en erop reageren.

Om de nauwkeurigheid bij te houden, moeten we prognoses in de loop van de tijd opslaan, zodat we deze prognoses later kunnen vergelijken met wat er werkelijk is gebeurd. Dit kan worden gedaan in zoiets eenvoudigs als Excel, maar het kan omslachtig zijn voor grote gegevenssets – speciale software wordt aanbevolen.

Wat betreft de metrieken van de voorspellingsnauwkeurigheid, zijn de MAPE en MAD de meest gebruikte foutmetingsstatistieken. Beide kunnen echter onder bepaalde omstandigheden misleidend zijn. De MAPE is schaalgevoelig en voorzichtigheid is geboden bij het gebruik van de MAPE met items met een klein volume. Alle foutmetingsstatistieken kunnen problematisch zijn. Dit is wanneer ze over meerdere items worden geaggregeerd en als voorspeller moet u uw aanpak daarbij goed overdenken.

Forecast Pro is een speciaal softwarepakket. Het is ontworpen om automatisch prognoses voor u te archiveren terwijl de belangrijkste meetstatistieken voor fouten worden berekend. Wil je praten over hoe Forecast Pro jouw prognoseprestaties kan verbeteren? Neem dan contact met ons op.

Originally published at http://www.forecastpro.com/resources/blog/