De Box-Jenkins methode (ARIMA) is een belangrijke voorspellingsmethode die zeer nauwkeurige voorspellingen kan opleveren voor bepaalde soorten gegevens. In deze aflevering van Forecasting 101 onderzoeken we de voor- en nadelen van Box-Jenkins-modellering, geven we een conceptueel overzicht van hoe de techniek werkt en bespreken we hoe we deze het beste kunnen toepassen op bedrijfsgegevens.

Een beetje geschiedenis

In 1970 populariseerden George Box en Gwilym Jenkins ARIMA-modellen (Autoregressive Integrated Moving Average) in hun baanbrekende leerboek Time Series Analysis: Forecasting and Control1. Technisch gezien is de voorspellingstechniek die in de tekst wordt beschreven een ARIMA-model, hoewel veel voorspellers (inclusief de auteur) de uitdrukkingen “ARIMA-modellen” en “Box-Jenkins-modellen” door elkaar gebruiken.

ARIMA-modellen zorgden aanvankelijk voor veel opwinding in de academische gemeenschap, vooral vanwege hun theoretische onderbouwing, waaruit bleek dat als aan bepaalde aannames werd voldaan, de modellen optimale voorspellingen zouden opleveren.

In het begin werd de techniek niet op grote schaal gebruikt door het bedrijfsleven. Dit was vooral te wijten aan de moeilijke, tijdrovende en zeer subjectieve procedure beschreven door Box en Jenkins om de juiste vorm van het model voor een bepaalde dataset te identificeren. Tot overmaat van ramp hebben empirische onderzoeken aangetoond dat, ondanks de theoretische superioriteit van het ARIMA-model ten opzichte van andere voorspellingsmethoden, de modellen in de praktijk NIET routinematig beter presteerden dan andere tijdreeksmethoden.

Afvlakkingsmodellen

Uit een bijzonder belangrijk empirisch onderzoek bleek dat exponentiële afvlakkingsmodellen 55% van de tijd beter presteerden dan Box-Jenkins op een steekproef van 1.001 datasets2. Dit is nog steeds een goed resultaat voor Box-Jenkins (het presteerde in 45% van de gevallen beter dan exponentiële afvlakking), dus de les hier is dat je idealiter zou wisselen tussen verschillende benaderingen, in plaats van een one-size-fits-all benadering te kiezen. .

De uitdaging voor een bedrijfsvoorspeller is om te bepalen welke datasets het meest geschikt zijn voor Box-Jenkins en vervolgens de juiste vorm van het model te identificeren.

De bovenstaande schermafbeelding toont de prognose die is gegenereerd op basis van een ARIMA-model, samen met de expertselectielogica en modeldetails.

Tegenwoordig gebruiken softwarepakketten zoals Forecast Pro automatische algoritmen om te beslissen wanneer Box-Jenkins-modellen moeten worden gebruikt en om automatisch de juiste vorm van het model te identificeren. Het is aangetoond dat deze automatische benaderingen beter presteren dan de handmatige identificatieprocedures en Box-Jenkins-modellen toegankelijk en bruikbaar hebben gemaakt voor de zakelijke voorspellingsgemeenschap.

Conceptueel overzicht

Hoewel er multivariabele vormen van ARIMA-modellen bestaan, wordt de methode in het bedrijfsleven vooral gebruikt als techniek voor het voorspellen van tijdreeksen. (Tijdreeksmethoden zijn prognosetechnieken waarbij de prognose uitsluitend wordt gebaseerd op de geschiedenis van het item dat u voorspelt.)

Als tijdreekstechniek zijn ARIMA-modellen geschikt als u kunt uitgaan van een redelijke mate van continuïteit tussen het verleden en de toekomst. De modellen zijn het meest geschikt voor voorspellingen op de kortere termijn – bijvoorbeeld 18 maanden of minder – vanwege hun veronderstelling dat toekomstige patronen en trends op de huidige patronen en trends zullen lijken. Dit is een redelijke veronderstelling op de korte termijn, maar wordt zwakker naarmate u verder van de voorspelling uitgaat.

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 seizoensinvloeden. Box-Jenkins heeft de neiging beter te slagen dan exponentiële afvlakking voor langere, stabielere datasets en niet zo goed voor luidruchtigere, meer vluchtige data.

Box-Jenkins-modellen zijn wiskundig complex. In dit artikel zullen we een heel basaal conceptueel overzicht geven van hoe een ARIMA-model werkt en enkele notaties introduceren die bij het model horen. Als u meer wilt weten over Box-Jenkins-modellen: deze worden gedetailleerd besproken in de Forecast Pro Statistical Reference Manual en in vrijwel elk academisch leerboek over tijdreeksvoorspellingen.

ARIMA-model

Een ARIMA-model bestaat uit 3 componenten, die elk helpen bij het modelleren van verschillende soorten patronen. De “AR” staat voor autoregressief. De ‘ik’ staat voor geïntegreerd. De “MA” staat voor voortschrijdend gemiddelde. Elke component heeft een bijbehorende modelvolgorde die aangeeft hoe groot de component is.

In het algemeen wordt een niet-seizoensgebonden Box-Jenkins-model gesymboliseerd als ARIMA(p,d,q) waarbij “p” het aantal AR-termen aangeeft, “d” de volgorde van differentiatie aangeeft en “q” het aantal MA-termen aangeeft. voorwaarden. Een seizoensgebonden Box-Jenkins-model wordt gesymboliseerd als ARIMA(p,d,q)*(P,D,Q), waarbij de p,d,q de modelorders aangeeft voor de kortetermijncomponenten van het model en P,D ,Q geeft de modelorders aan voor de seizoenscomponenten van het model.

Om de juiste Box-Jenkins-modellen te identificeren, moeten de modelorders worden bepaald. Theoretisch zouden de modelorders alle gehele waarden kunnen aannemen; in de praktijk zijn ze meestal 0, 1, 2 of 3. Dit levert nog steeds honderden verschillende modellen op om te overwegen – een van de redenen waarom het handmatig identificeren van de modellen zo moeilijk is.

Samenvatting Box-Jenkins methode

Box-Jenkins is een belangrijke voorspellingsmethode die voor bepaalde soorten gegevens nauwkeurigere voorspellingen kan genereren dan andere tijdreeksmethoden. Zoals oorspronkelijk geformuleerd, berustte de identificatie van modellen op een moeilijke, tijdrovende en zeer subjectieve procedure.

Tegenwoordig gebruiken softwarepakketten zoals Forecast Pro automatische algoritmen om zowel te beslissen wanneer Box-Jenkins-modellen moeten worden gebruikt als om automatisch de juiste vorm van het model te identificeren. Deze automatische benaderingen hebben Box-Jenkins-modellen toegankelijk en nuttig gemaakt voor de gemeenschap van zakelijke prognoses.

OVER DE AUTEUR

Eric Stellwagen is de mede-oprichter van Business Forecast Systems, Inc. en de co-auteur van de Forecast Pro-softwareproductlijn. Met meer dan 29 jaar ervaring wordt hij algemeen erkend als een leider op het gebied van business forecasting. Hij heeft uitgebreid overlegd met veel toonaangevende bedrijven. Waaronder Coca-Cola, Procter & Gamble, Merck, Blue Cross Blue Shield, Nabisco, Owens-Corning en Verizon. Dit om hen te helpen hun prognose-uitdagingen aan te pakken. Eric heeft workshops gegeven voor verschillende organisaties, waaronder APICS, het International Institute of Forecasters (IIF), het Institute of Business Forecasting (IBF), het Institute for Operations Research and the Management Sciences (INFORMS) en de University of Tennessee. Hij is momenteel lid van de raad van bestuur van het IIF en de praktijkadviesraad van Foresight: The International Journal of Applied Forecasting.

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

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: 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

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/

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.

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.

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:

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:

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/

Forecasting software implementation ensures optimization, cost efficiency and increased revenue at Medline. ATIM Solutions has been able to support the implementation of Forecast Pro TRAC in recent years, with excellent results.

Medline is a manufacturer and distributor of a comprehensive range of medical and surgical products for healthcare facilities and retail worldwide. In Europe they have 2 factories and 8 distribution centers. Medline has 28,000 demand forecasting units in total. In order to answer this demand in a structured way, Medline has been using an overarching forecasting software, Forecast Pro TRAC, since 2015.

The forecasting process is aimed at the business in Europe and supports the supply chain. The forecasting software looks at the historical data of the past 3 years. Based on this historical data, the system makes a forecast for the next 18 months. With the help of this forecasting software, Medline can improve its forecasting accuracy to increase the likelihood of having the right product at the right time, in the right quantity, in the right place.

In 2018, the transformation of stand-alone PC environments to a server environment with an automatic link to the ERP system started. Additional data was also imported and SKU’s were prioritized using calculated fields.

The challenge

In 2018 the demand for a link between Forecast Pro TRAC and the CRM system that Medline has in place arose. This link would provide a better evaluation of the current market situation. With such a link, not only historical data is looked at, but also the outstanding quotations, new businesses and existing businesses at risk. All key inputs for demand planning are displayed in one screen, enabling planners to make better decisions. As a result, the adjusted sales forecast better fits the market situation.

The demand for such a link grew during the COVID period. However, during this period, Medline experienced tremendous business growth, with its challenges. The supply and demand for pandemic items has been highly unpredictable, dramatically reducing the accuracy of forecasts at Medline. As a result, the implementation of the CRM link was postponed for more than a year before being picked up again.

Forecasting software implementation

The forecasting software used at Medline is Forecast Pro TRAC. With this system you can make a sales forecast with the click of a button.

Forecast Pro TRAC uses a large amount of forecasting models. For example, it is possible to use specialized methodologies for new products, promotional items and one-off promotions. In addition, there is the possibility to choose the “best choice” option. By using various forecasting models, a sales forecast can be made quickly and easily.

Medline uses this forecasting software very effectively throughout Europe. It enables them to optimize their demand-driven planning process and thus work cost-efficiently. A link to Medline’s CRM system ensures smoother communication with the sales team.

Consultancy

ATIM Solutions provided consultancy to Medline. A consultant from ATIM Solutions was closely involved in the implementation of the CRM/Forecast Pro Trac link. From the start of the process, our consultant has been in close contact with Medline. The wishes were mapped out and applied in the software. Training and support was then provided and is still in place. ATIM Solutions provides a first-line helpdesk to Medline.

One customer-specific consultant from ATIM Solutions was involved throughout the entire process. Due to the temporary stop during the COVID period it ultimately took four years, from the first design phase to the hypercare after GoLive. Medline said: “It brings confidence to the project team, and also it saves time when we can rely on one single point of contact for Forecast Pro TRAC, having the full history and knowledge of Medline process.”

The implementation implied a lot of change management at Medline. The ATIM Solutions consultant supported this with great flexibility. There were some weekends when important updates were made to the system. Also at these times there was always support from ATIM Solutions.

“We’ve experienced a great flexibility in working with ATIM Solutions for the implementation of a connection between our CRM system and Forecast Pro TRAC” – Alexis Basson, Medline.

Forecasting software implementation by ATIM Solutions

ATIM Solutions has been working with Forecast Pro TRAC for over 25 years. We offer you a structural solution to improve your forecast. Forecast Pro TRAC creates accurate demand forecasts for your items. Our forecast tool is the ideal forecast, demand planning and S&OP supplementary system you could wish for. Forecast Pro TRAC always automatically creates the best forecast method at every level in the chain.

Our forecast software works together with your ERP system, such as Oracle, SAP, Exact or any other software that you use within your company. With Forecast Pro TRAC you can anticipate your sales process much better through insightful forecasting. It also gives you a good insight into future turnover. You can look ahead and make adjustments if the budgeted turnover threatens to not be achieved.

ATIM is an expert in the field of forecasting and demand management and offers companies worldwide advice and support in the field of forecasting, demand planning and sales and operations planning (S&OP). In addition, we always guide our customers when purchasing forecast software.

The affordable and easy-to-use business solution empowers your team to make accurate and credible demand forecasts. Forecast Pro TRAC analyzes and validates several proven forecasting methods. Research has shown that no other method works better for all your data than Forecast Pro TRAC offers you.

Inventory optimization can bring many benefits. You can reduce inventory levels and improve service performance. The result? Better profitability!

Do you want to know what Forecast Pro TRAC can do for your organization? Contact us!

Info@atim.nl
T: +31(0)85 782 06 88

Would you like to know more about Medline and its activities? Take a look at the website!
Dutch: https://bit.ly/3MVuhis
English : https://bit.ly/3AcEi3t