A Wikipedia a mérési hibát úgy definiálja különbség a mért érték és a valós érték között. Ha ezt az üzleti környezetbe szállítjuk, a kereslet-előrejelzéseinkben és a legáltalánosabb értelemben meghatározhatjuk az előrejelzési hibát az előrejelzett és a tényleges érték összehasonlításaként.

hiba

Mit fog találni?

Az előrejelzési hiba, mi ez, hogyan számítják ki és milyen intézkedésekkel hajtják végre; a mai téma Igény-előrejelzések.

Ezt szem előtt tartva az előrejelzési hibát a következők adnák:

Előrejelzési hiba = Tényleges igény - előrejelzési érték

Miért kell kiszámítani az előrejelzési hibát

Mi haszna a számításnak a kereslet-előrejelzési hiba? Számítása lehetővé teszi számunkra, hogy ellene döntsünk melyik előrejelzési módszer a legjobb és sikerül észlelniük, ha a kereslet-előrejelzésünkben valami nem megy jól, amellyel sikerül megváltoztatni döntéseink menetét a legjobb választás érdekében.

Mi az előrejelzési hiba oka

Van két az előrejelzések hibaforrásai: Elfogult és véletlenszerű.

Az elsőt, amelyet szisztematikusnak is neveznek, állandó hiba okozza, például a kereslet téves értelmezése, rossz változók használatával vagy rossz kapcsolatokkal. Az ilyen típusú hibákat az üzemeltetési menedzser szakértelmének megfelelően minimalizálni fogják.

A véletlenszerű hiba az, amelyre nincs magyarázat, vagyis a kiszámíthatatlan tényezők által okozott hiba, és ezért nem ismert, hogy mi okozza azt.

Az előrejelzési hibák összesített összege (CFE)

Ez a legalapvetőbb mérték az összes közül, és ez adja a többieket. Ez az előrejelzési hibák összesített összege. Lehetővé teszi számunkra értékelje az előrejelzés torzítását. Például, ha az időszakokon keresztül a kereslet valós értéke mindig magasabb, mint az előrejelzett érték, akkor a CFE nagyobb lesz, jelezve a szisztematikus hiba a számításban Igény szerint.

Átlagos abszolút eltérés (MAD)

Mérje meg a előrejelzési hiba terjedése vagy másképp fogalmazva, a hiba nagyságának mértékét egységekben. Ez a tényleges kereslet és az előrejelzés közötti különbség abszolút értéke, elosztva az időszakok számával.

Négyzet alapértelmezett hibája (MSE)

Mint a DAM, a Az MSE az előrejelzési hibák terjedésének mértéke, Ez az intézkedés azonban maximalizálja a négyzetre osztás hibáját, megbünteti azokat az időszakokat, ahol a különbség magasabb volt a többiekhez képest. Következésképpen az MSE használata ajánlott kis eltérésekkel járó időszakokra.

Abszolút átlagos százalékos hiba (MAPE)

A MAPE megadja nekünk a százalékos eltérés és nem olyan egységekben, mint az előző mérések. Ez a tényleges kereslet és az előrejelzés közötti abszolút hiba vagy különbség átlaga, a tényleges értékek százalékában kifejezve.

Más szerzők hívják Az abszolút átlagos hiba (PEMA) százaléka vagy úgy kezelik, mint az EPAM-ot.

MAD/MEAN, GMRAE és SMAPE előrejelzési hiba

Vannak más kevésbé gyakori előrejelzési hibamértékek, általában a MAPE és a MAD variációk. A MAD/MEAN szakaszos és kis mennyiségű adatokra hat, míg a GMRAE-t használják a mintán kívüli előrejelzés hibájának mértékének értékelésére.

Az előrejelzési hibamértékek kiszámítása

Ebben az előrejelzési hibapéldában a vállalatot vesszük IngE televíziókat értékesít, és az egész évre szóló kereslete a következő volt:

Szintén az év folyamán a vállalat megjósolta a kereslet az egyszerű mozgóátlagos módszerrel. Ezek voltak az eredmények:

Az eddig bemutatott hibamértékek kiszámításához:

  • Az egyes periódusok oszlopában kiszámoljuk az előrejelzési hibát azáltal, hogy megtaláljuk a kivonást a tényleges igény és az előrejelzés között.
  • Egy másik oszlopban abszolút értékben kivonjuk a valós keresletet az egyes időszakok előrejelzésével. Más szóval mi lenne az előrejelzési hiba abszolút értéke. Ezt a MAD kiszámításához tesszük.
  • Egy másik oszlopban négyzetre emeljük az egyes periódusok előrejelzési hibáját. Ezt az MSE kiszámításához tesszük.
  • Egy másik oszlopban felosztjuk a tényleges/őrült igényt.
  • Minden oszlopban elkészítjük az egyes időszakokra elért eredmények összegét.

Amit a gyakorlatunk során korábban leírtak, valami ilyesmi lenne:

A számítások a 4. periódusból származnak, mert egyszerű mozgó átlagunk n = 3, ezért az első három periódusban nincs keresleti előrejelzésünk.

Miután ez megtörtént, egy lépésre vagyunk a hibamérések megszerzésétől.

Figyelembe véve, hogy az előrejelzett időszakok száma 12:

  • Az előrejelzési hibák összesített összege 27. Az előrejelzési hiba oszlop hozzáadásakor már kiszámítottuk.
  • Kiszámoljuk az átlagos abszolút eltérést (MAD) úgy, hogy elosztjuk a 97-et 12-vel.
  • Az átlagos négyzethibát (MSE) úgy számoljuk ki, hogy elosztjuk az 1081-et 12-vel.
  • 182% -ot elosztunk 12-vel az átlagos abszolút százalékos hiba (MAPE) kiszámításához

Ezt kapjuk:

Előrejelzési hibapéldák eredményei

Hogyan értelmezzük az előrejelzési hibamértékeket

Az előrejelzési hibamértékek, amelyek egyetlen módszerhez, egyetlen időtartamra számítanak, értelmetlenek. Hasznossága abban rejlik, amikor összehasonlítjuk a hibamértékeket mások méréseivel előrejelzési módszerek vagy más időszakokkal.

Hogy lenne ez a példánkban? Következő példánkban csak a kvantitatív előrejelzési módszereket vesszük figyelembe: egyszerű mozgóátlag, súlyozott átlag, egyszerű exponenciális simítás Y kettős exponenciális simítás. Kiszámoljuk a keresletet a 4. és a 15. periódus között.

Az egyszerű átlagban használandó n értéke 3. A súlyozott átlagban a legutóbbi, a köztes és a legtávolabbi időszakban 40, 30 és 30 százalékos súlyokat fogunk használni. Az alfa simítási állandó az exponenciális simításban 0,4 lesz. A simítás állandó alfa és delta kettős exponenciális simításban egyaránt 0,3 lesz.

Érdemes elmondani, hogy nem sokat játszottam ezekkel az adatokkal, és az első eszembe jutott értékeket tettem fel. Nos, az egyes módszerekkel kiszámított előrejelzések a következők lennének:

Ezekkel az adatokkal már meg kell határoznunk a hibaméréseket, melyik a legjobb módszer a 12 mérési periódus alatt:

Igény előrejelzési módszerek összehasonlítva az előrejelzési hibamérésekkel

Először elemezzük a keresletet.

A kereslet növekvő, csökkenő és növekvő tendenciát mutat, hogy végül a végén kissé csökkenjen. Azt is meg kell jegyezni, hogy a trend simul, vagyis nem megy felfelé és lefelé egy irányba.

Ez tükröződik az egyszerű átlagos, súlyozott átlag és az exponenciális simítási módszerekben, amelyek jobban reagálnak a MAD, az MSE és a MAPE intézkedésekre a kettős exponenciális simításhoz képest, amelyek jósága előre jelezni a trendet, de ennek az igénynek a magatartása növekszik és csökken annyira megjelölt, szükség van-e rá? Nyilván nem.

Éppen ezért, bár a kettős exponenciális simítással a legjobb eredmény érhető el a CFE-ben, a többi intézkedés végül elveti.

A 6., 9. és 14. időszakban változik a kereslet viselkedése. Ekkor esedékes (elvetjük) az egyszerű átlagot, és a súlyozott átlag és az exponenciális simítás győzedelmeskedik, mivel sikerül előre látniuk ezt az irányváltást.

Talán, ha a legfrissebb adatokhoz nagyobb súlyt rendelne a súlyozott átlaghoz, jobb ASM, MSE és MAD méréseket lehetne elérni, még akkor is, ha intézkedései nagyon jók.

Mi marad akkor? Az egyszerű exponenciális simítás a 4 mérésből 3-ban mutatja a legjobb eredményt. Természetesen a simítás javítható módszer. Az állandók simításának próbával és hibával történő meghatározása bizonyára jobb mutatókat adott volna számunkra.

A CFE megfigyelésével arra következtetünk, hogy az egyszerű simításban bizonyos fokú rendszerezési hiba van, és meg kell változtatni a simítási állandókat. Emiatt az átlag jobban néz ki ezen az intézkedésen (a kettős simítás kivételével).

Ha ezt megteszem, és figyelembe véve az adatok jellegét, hogy növekvő és csökkenő tendenciák vannak, amelyek több időszakon át tartanak, ragaszkodnék az egyszerű exponenciális simítási módszerhez.