Уикипедия определя грешката при измерване като разлика между измерена стойност и истинска стойност. Ако транспортираме това в бизнес средата, в нашите прогнози за търсенето и в най-общия смисъл, можем да определим грешката в прогнозата като сравнение между прогнозната стойност и действителната стойност.

прогнозата

Какво ще намерите?

Прогнозната грешка, какво представлява, как се изчислява и с какви мерки се прави; е днешната тема в Прогнози за търсенето.

Имайки това предвид, грешката в прогнозата ще бъде дадена от:

Грешка в прогнозата = Действително търсене - прогнозна стойност

Защо да изчисляваме грешката в прогнозата

Каква е ползата от изчисляването грешка в прогнозата за търсене? Изчисляването му ни позволява да вземаме решения срещу кой метод за прогнозиране е най-добрият и те успяват да открият, когато нещо в прогнозата ни за търсене не върви, с което успяваме да променим хода на нашите решения, за да направим най-добрия избор.

Каква е причината за грешката в прогнозата

Има два източници на грешки в прогнозите: предубедени и случайни.

Първият, наричан още систематичен, се причинява от постоянна грешка, например погрешно тълкуване на търсенето, използване на грешни променливи или с грешни взаимоотношения. Този тип грешка ще бъде сведена до минимум според експертния опит на операционния мениджър.

Случайната грешка е тази, която няма обяснение, т.е. грешката е причинена от непредсказуеми фактори и следователно не е известно какво я причинява.

Кумулативна сума на грешките в прогнозата (CFE)

Това е най-основната мярка от всички и тя е тази, която поражда останалите. Това е натрупаната сума от грешките в прогнозата. Позволи ни оценява пристрастие към прогнозата. Например, ако през периодите реалната стойност на търсенето винаги е по-висока от прогнозната стойност, CFE ще бъде по-голяма, което показва съществуването на систематична грешка в изчислението На търсенето.

Средно абсолютно отклонение (MAD)

Измерете разпространение на грешка в прогнозата или казано по друг начин, измерването на размера на грешката в единици. Това е абсолютната стойност на разликата между действителното търсене и прогнозата, разделена на броя периоди.

Грешка в средния квадратен корен (MSE)

Подобно на DAM, на MSE е мярка за разпространение на прогнозната грешка, Тази мярка обаче максимизира грешката при квадратиране, като наказва онези периоди, при които разликата е по-висока в сравнение с другите. Следователно използването на MSE се препоръчва за периоди с малки отклонения.

Абсолютна средна процентна грешка (MAPE)

MAPE ни дава отклонение в процентно изражение а не в единици като предишните измервания. Това е средната стойност на абсолютната грешка или разлика между действителното търсене и прогнозата, изразена като процент от действителните стойности.

Други автори го наричат Процент на абсолютна средна грешка (PEMA) или се справят с това като EPAM.

Грешка в прогнозата MAD/MEAN, GMRAE и SMAPE

Има и други по-рядко срещани мерки за грешка в прогнозата, обикновено вариации на MAPE и MAD. MAD/MEAN действа върху периодични данни и данни с малък обем, докато GMRAE се използва за оценка на степента на грешка на прогнозата извън извадката.

Как да изчислим мерките за грешка при прогноза

В този пример за грешка в прогнозата вземаме компанията IngE който продава телевизори и търсенето му през годината беше следното:

Също така през цялата година компанията прогнозира търсене с простия метод на плъзгаща се средна стойност. Това бяха резултатите:

За да изчислите всяка от показаните до момента мерки за грешка:

  • В колона за всеки период изчисляваме грешката на прогнозата, като намираме изваждането между действителното търсене и прогнозата.
  • В друга колона изваждаме в абсолютна стойност реалното търсене с прогнозата за всеки период. С други думи би било абсолютната стойност на прогнозната грешка. Правим това, за да изчислим MAD.
  • В друга колона квадратираме прогнозната грешка за всеки период. Правим това, за да изчислим MSE.
  • В друга колона разделяме действителното/лудото търсене.
  • Във всяка колона правим сумата от резултатите, които сме получили за всеки период.

Това, което беше описано по-рано в нашето упражнение, би било нещо подобно:

Изчисленията са направени от период 4, тъй като нашата проста плъзгаща се средна има n = 3, следователно през първите три периода нямаме прогноза за търсенето.

След като това бъде направено, ние сме на крачка от получаването на нашите измервания на грешките.

Като се има предвид, че броят на периодите, които прогнозираме, е 12:

  • Натрупаният сбор от грешки в прогнозата е 27. Вече го изчислихме, когато добавихме колоната за грешка в прогнозата.
  • Изчисляваме средното абсолютно отклонение (MAD), като делим 97 на 12.
  • Изчисляваме средната квадратна грешка (MSE), като разделяме 1081 на 12.
  • Разделяме 182% на 12, за да изчислим средната абсолютна процентна грешка (MAPE)

Ето какво получаваме:

Примерни резултати от грешка при прогноза

Как да тълкуваме мерките за грешка в прогнозата

Мерките за грешка в прогнозата, изчислени за един метод за един период от време, са безсмислени. Полезността му се крие, когато сравняваме мерките за грешка с измерванията на други методи за прогнозиране или с други периоди от време.

Как би било това в нашия пример? За следващия ни пример ще разгледаме само методите за количествено прогнозиране: проста пълзяща средна, среднопретеглена, просто експоненциално изглаждане Y. двойно експоненциално изглаждане. Изчисляваме търсенето от период 4 до период 15.

N, което ще се използва в обикновената средна стойност, е 3. В среднопретеглената средна стойност ще използваме тегла от 40%, 30% и 30% съответно за най-новия, междинен и най-отдалечен период. Алфа константата на изглаждане при експоненциално изглаждане ще бъде 0,4. Константата на изглаждане алфа и делта при двойно експоненциално изглаждане и двете ще бъдат 0,3.

Струва си да се каже, че не играех много с тези данни и поставих първите стойности, които ми дойдоха на ум. Е, прогнозите, изчислени с всеки метод, ще бъдат:

С тези данни вече трябва да определим чрез измерванията на грешките, което е най-добрият метод през 12-те периода на измерване:

Методи за прогнозиране на търсенето в сравнение с използване на мерки за прогнозиране на грешки

Нека първо да анализираме търсенето.

Търсенето представлява нарастваща, намаляваща и нарастваща тенденция, за да се намали най-накрая малко в края. Трябва също да се отбележи, че тенденцията е изгладена, тоест тя не върви нагоре и надолу в една посока.

Това се отразява в простите средни, претеглени средни и експоненциални изглаждащи методи, които реагират по-добре на мерките MAD, MSE и MAPE в сравнение с двойното експоненциално изглаждане, чиято полза е да се предвиди тенденцията предварително, но това поведение на търсенето да се увеличава и намалява така маркирани, необходимо ли е? Очевидно не.

Ето защо, въпреки че двойното експоненциално изглаждане постига най-добрия резултат в CFE, в крайна сметка се изхвърля от другите мерки.

В период 6, 9 и 14 е, когато поведението на търсенето се променя. Това е, когато обикновената средна стойност се дължи (отхвърля) и претеглената средна стойност и експоненциалното изглаждане са победители, тъй като те успяват да предвидят тази промяна в посоката.

Може би, ако той беше присвоил по-голяма тежест на среднопретеглената стойност за най-новите данни, би било възможно да се получат по-добри мерки за ASM, MSE и MAD, въпреки че мерките му са много добри.

Какво остава тогава? Простото експоненциално изглаждане показва най-добрите резултати в 3 от 4-те измервания. Разбира се, изглаждането е метод, който може да се подобри. Определянето на изглаждащите константи чрез проби и грешки със сигурност би ни дало по-добри показатели.

Наблюдавайки CFE, ние заключаваме, че има степен на системна грешка при простото изглаждане и е необходимо да се променят константите на изглаждане. Поради това средните стойности изглеждат по-добре за тази мярка (с изключение на двойното изглаждане).

Направих това и предвид естеството на данните да има нарастващи и намаляващи тенденции, които продължават няколко периода, бих се придържал към простия експоненциален метод на изглаждане.