Измерване на грешка в прогнозата Какво е това и как се изчислява
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.
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: