De anatomie van een voorspelling

Wat is de anatomie van een voorspelling? In dit artikel van Forecast Software wordt er het een stuk duidelijker!

Wanneer u een statistisch model gebruikt om een prognose voor twaalf maanden te genereren, krijgt u meer dan alleen twaalf cijfers. U krijgt ook veel informatie over de manier waarop de voorspelling is gegenereerd, de aansluiting van het model op de historische gegevens en verschillende metingen van de verwachte nauwkeurigheid van de voorspelling. In dit artikel ontleden en catalogiseren we de verschillende componenten van een statistische voorspelling.

De bovenstaande grafiek bevat drie componenten: de vraaggeschiedenis, de puntvoorspellingen en de vertrouwensgrenzen. Laten we ze allemaal een voor een bekijken.

Anatomie van voorspelling: Vraaggeschiedenis

De groene lijn vertegenwoordigt de historische vraag naar instantcamera’s op maandbasis. Dit type dataset, bestaande uit op gelijke afstanden gelegen waarnemingen in de tijd, wordt een tijdreeks genoemd. Een prognosetechniek die een prognose genereert die uitsluitend is gebaseerd op de vraaggeschiedenis van een artikel in het verleden, wordt een tijdreeksmethode genoemd. Doorgaans zullen tijdreeksmethoden structuren vastleggen, zoals huidige verkoopniveaus, trends en seizoenspatronen, en deze naar voren extrapoleren.

Anatomie van voorspelling: Puntvoorspellingen

De rode lijn vertegenwoordigt de puntvoorspellingen en de blauwe lijnen vertegenwoordigen de bijbehorende betrouwbaarheidsgrenzen. De toekomst is onzeker en een statistisch voorspellingsmodel vertegenwoordigt onzekerheid als een waarschijnlijkheidsverdeling. De puntvoorspelling is het gemiddelde van de verdeling en de betrouwbaarheidsgrenzen beschrijven de spreiding van de verdeling boven en onder de puntvoorspelling.

De puntvoorspelling kan worden gezien als de beste schatting van de toekomst. Het is het punt waarop het (volgens het model) even waarschijnlijk is dat de werkelijke waarde erboven of eronder zal vallen. Als we de verwachte inkomsten voor onze instantcamera’s proberen in te schatten, is dit precies wat we willen. We kunnen onze puntvoorspellingen nemen en vermenigvuldigen met onze gemiddelde verkoopprijs om onze verwachte inkomsten te berekenen.

Anatomie van voorspelling: Vertrouwensgrenzen

Aan de andere kant, stel dat we willen weten hoeveel instantcamera’s we op voorraad moeten hebben. Er zijn kosten verbonden aan het aanhouden van te veel voorraad (bijvoorbeeld opslag, veroudering, enz.) en er zijn kosten verbonden aan het niet voldoende voorraad hebben (bijvoorbeeld verloren verkopen, spoedbestellingen, enz.). Dit is waar de vertrouwensgrenzen een rol gaan spelen.

De betrouwbaarheidsgrenzen zijn gekalibreerd op percentielen. In het bovenstaande voorbeeld is de bovenste betrouwbaarheidslimiet ingesteld op 97,5% en de onderste betrouwbaarheidslimiet op 2,5%. Dit betekent dat (volgens het model) de waarschijnlijkheid dat toekomstige verkopen zich op of onder de bovenste betrouwbaarheidsgrens bevinden 97,5% is en de waarschijnlijkheid dat toekomstige verkopen zich op of onder de onderste betrouwbaarheidsgrens bevinden 2,5%. Als het dus onze wens is om een serviceniveau van 97,5% te handhaven, zouden we tot de hoogste betrouwbaarheidslimiet aanhouden. Natuurlijk kunt u met Forecast Pro de percentielen voor de betrouwbaarheidslimieten instellen op welke waarden u maar wilt.

Het gebruik van de waarden 2,5 en 97,5 voor de onder- en boven betrouwbaarheidsgrenzen is niet ongebruikelijk. Als u even over deze instellingen nadenkt, zult u zich realiseren dat de kans dat de toekomstige verkopen tussen deze boven- en ondergrenzen vallen 95% is. Sommige mensen noemen deze symmetrische combinatie van instellingen voor de bovenste en onderste betrouwbaarheidslimiet het 95%-betrouwbaarheidsinterval.

Grafieken

Beschouw de twee bovenstaande grafieken. De grafiek aan de linkerkant is hetzelfde als Figuur 1, behalve dat we de aangepaste waarden hebben toegevoegd. De aangepaste waarden laten zien hoe het voorspellingsmodel de geschiedenis ‘volgt’ en kunnen inzicht geven in hoe goed het model de structuur in de gegevens vastlegt.

Beschouw de grafiek aan de rechterkant. Hier gebruiken we een best passende lijn om de directe cameraverkoop te voorspellen. Zoals u zich wellicht nog herinnert uit uw kindertijd, is de vergelijking voor een rechte lijn Y = mX + b, waarbij m de helling van de lijn is, X de tijd is en b het snijpunt is. Zodra we m en b hebben geselecteerd, kan deze vergelijking niet alleen worden gebruikt om de voorspellingen te genereren, maar ook om de historische gegevens aan te passen.

e grafiek aan de linkerkant maakt gebruik van een exponentieel afvlakkingsmodel om de aangepaste waarden en voorspellingen te genereren. Hoewel de vergelijkingen voor het exponentiële afvlakkingsmodel complexer zijn dan voor een rechte lijn, wordt de berekening van de aangepaste waarden en voorspellingen op een vergelijkbare manier uitgevoerd.

Als we ons afvragen welke van de twee voorspellingsmodellen in figuur 2 waarschijnlijk de verkoop van instantcamera’s nauwkeuriger zal voorspellen, is het antwoord duidelijk het exponentiële afvlakkingsmodel. Waarom? Omdat het beter aansluit bij de historische gegevens.

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/