Вікіпедія визначає похибку вимірювання як різниця між вимірюваною величиною та справжньою величиною. Якщо ми переносимо це в ділове середовище, у наших прогнозах попиту та в найзагальнішому розумінні ми можемо визначити помилку прогнозу як порівняння між передбачуваною величиною та фактичною величиною.

вимірювання

Що ти знайдеш?

Похибка прогнозу, що це таке, як вона обчислюється і з якими заходами вона проводиться; - це сьогоднішня тема в Прогнози попиту.

З огляду на це, похибка прогнозу буде даватися:

Помилка прогнозу = Фактичний попит - значення прогнозу

Навіщо обчислювати похибку прогнозу

Яка користь від обчислення помилка прогнозу попиту? Його розрахунок дозволяє приймати рішення проти який метод прогнозування є найкращим і їм вдається виявити, коли щось у нашому прогнозі попиту не йде добре, за допомогою чого нам вдається змінити хід наших рішень, щоб зробити найкращий вибір.

У чому причина помилки прогнозу

Є два джерела помилок у прогнозах: упереджені та випадкові.

Перший, який також називають систематичним, спричинений постійною помилкою, наприклад, неправильним тлумаченням попиту, використанням неправильних змінних або неправильними відносинами. Цей тип помилок буде мінімізований відповідно до досвіду керівника операцій.

Випадкова помилка - це помилка, яка не має пояснення, тобто помилка, спричинена непередбачуваними факторами, і тому невідомо, що її спричиняє.

Сукупна сума помилок прогнозу (CFE)

Це найосновніший показник усіх, і саме той породжує інші. Це накопичена сума помилок прогнозу. Дозволяє нам оцінити упередженість прогнозу. Наприклад, якщо через періоди реальна вартість попиту завжди перевищує прогнозовану, CFE буде більшою, що свідчить про існування систематична помилка в розрахунку Попиту.

Середнє абсолютне відхилення (MAD)

Виміряйте поширення помилок прогнозу або по-іншому, вимірювання величини похибки в одиницях. Це абсолютне значення різниці між фактичним попитом та прогнозом, поділене на кількість періодів.

Середньоквадратична помилка (MSE)

Як і DAM, MSE - це показник поширення похибки прогнозу, Однак цей показник максимізує помилку при квадратуванні, караючи ті періоди, коли різниця була вищою порівняно з іншими. Отже, використання МСЕ рекомендується застосовувати в періоди з невеликими відхиленнями.

Абсолютна середня відсоткова помилка (MAPE)

MAPE дає нам відхилення у відсотках а не в одиницях, як попередні вимірювання. Це середнє значення абсолютної похибки або різниці між фактичним попитом та прогнозом, виражене у відсотках від фактичних значень.

Його називають інші автори Відсоток абсолютної середньої похибки (PEMA) або вони обробляють це як EPAM.

Помилка прогнозу MAD/MEAN, GMRAE та SMAPE

Існують і інші менш поширені показники помилок прогнозу, як правило, варіації MAPE та MAD. MAD/MEAN діє на переривчасті та невеликі обсяги даних, тоді як GMRAE використовується для оцінки ступеня помилки прогнозу поза вибіркою.

Як розрахувати заходи прогнозування помилок

У цьому прикладі помилки прогнозу ми беремо компанію IngE що продає телевізори та його попит протягом року був наступним:

Також протягом року компанія прогнозувала попит за допомогою простого методу ковзного середнього. Ось такі результати:

Для обчислення кожного з показників помилок, показаних на даний момент:

  • У колонці для кожного періоду ми обчислюємо похибку прогнозу, знаходячи віднімання між фактичним попитом та прогнозом.
  • В іншому стовпці ми віднімаємо в абсолютному значенні реальний попит з прогнозом на кожен період. Іншими словами, що було б абсолютним значенням помилки прогнозу. Ми робимо це для обчислення MAD.
  • В іншому стовпці ми формуємо помилку прогнозу для кожного періоду. Ми робимо це для розрахунку MSE.
  • В іншій колонці ми ділимо фактичний/шалений попит.
  • У кожній колонці складаємо суму результатів, отриманих за кожен період.

Те, що було описано раніше в нашій вправі, було б приблизно таким:

Розрахунки зроблені з періоду 4, оскільки наше просте ковзне середнє має n = 3, тому в перші три періоди ми не маємо прогнозу попиту.

Після цього ми залишаємось на крок від отримання наших вимірювань похибок.

Беручи до уваги, що кількість періодів, які ми прогнозуємо, становить 12:

  • Сукупна сума помилок прогнозу - 27. Ми вже розрахували його, коли додали стовпець помилок прогнозу.
  • Ми обчислюємо середнє абсолютне відхилення (MAD), поділивши 97 на 12.
  • Середньоквадратична помилка (MSE) обчислюється діленням 1081 на 12.
  • Ми ділимо 182% на 12 для обчислення середньої абсолютної похибки у відсотках (MAPE)

Ось що ми отримуємо:

Приклади результатів помилок прогнозу

Як інтерпретувати вимірювання помилок прогнозу

Вимірювання похибок прогнозу, розраховані для одного методу за один проміжок часу, безглузді. Його корисність полягає в тому, коли ми порівнюємо міри помилок з вимірами інших методи прогнозування або з іншими періодами часу.

Як це може бути в нашому прикладі? У наступному прикладі ми розглянемо лише методи кількісного прогнозування: проста ковзна середня, середнє зважене, просте експоненціальне згладжування Y подвійне експоненціальне згладжування. Ми обчислюємо попит від періоду 4 до періоду 15.

Значення n, яке буде використано у простому середньому, дорівнює 3. У середньозваженому середньому ми використовуватимемо ваги 40%, 30% та 30% для останнього, проміжного та найдальшого періоду відповідно. Постійна альфа-згладжування в експоненціальному згладжуванні дорівнюватиме 0,4. Постійна згладжування альфа та дельта при подвійному експоненційному згладжуванні становитиме 0,3.

Варто сказати, що я не дуже грав з цими даними і поставив перші значення, які мені спали на думку. Ну, прогнози, розраховані для кожного методу, будуть такими:

За цими даними ми вже маємо визначити за допомогою вимірювань похибок, що є найкращим методом протягом 12 періодів вимірювання:

Порівняння методів прогнозування попиту з використанням заходів з прогнозування помилок

Давайте спочатку проаналізуємо попит.

Попит являє собою зростаючу, зменшувальну і зростаючу тенденцію, щоб нарешті трохи знизитися в кінці. Слід також зазначити, що тренд згладжений, тобто він не йде вгору і вниз в одному напрямку.

Це відображається у простих середніх, зважених середніх та експоненціальних методах згладжування, які краще реагують на заходи MAD, MSE та MAPE порівняно з подвійним експоненціальним згладжуванням, користь яких полягає у передбаченні тенденції заздалегідь, але при цьому поведінка цього попиту зростає та зменшується так позначено, чи потрібно це? Очевидно, ні.

Ось чому, хоча подвійне експоненціальне згладжування дає найкращий результат у ЗЗСЄ, його в кінцевому підсумку відкидають інші заходи.

У період 6, 9 і 14 - це коли поведінка попиту змінюється. Це тоді, коли просте середнє має бути відкинуто, а середньозважене та експоненціальне згладжування виграють, оскільки їм вдається передбачити цю зміну напрямку.

Можливо, якби середньозваженому середньому було присвоєно більшу вагу для останніх даних, можна було б отримати кращі показники ASM, MSE та MAD, навіть незважаючи на це, його виміри дуже хороші.

Що залишилось тоді? Просте експоненціальне згладжування показує найкращі результати у 3 з 4 вимірювань. Звичайно, згладжування - це методи, які можна вдосконалити. Визначення згладжувальних констант методом спроб і помилок, безсумнівно, дало б нам кращі показники.

Спостерігаючи за CFE, ми робимо висновок про те, що при простому згладжуванні існує певна похибка систематизації, і необхідно змінити константи згладжування. Через це середні показники виглядають краще за цим показником (за винятком подвійного згладжування).

Зробивши це та враховуючи характер даних, що мають тенденції до зростання та зменшення, які тривають кілька періодів, я б дотримувався простого експоненціального методу згладжування.