محاسبه انواع خطای پیش بینی

در این پست قصد دارم انواع خطاهای پیش بینی (Forecast errors)

1- Forecast Accuracy

2- MAD

3- MSE

4- MAPE

را در قالب مثال 5 ماه از فروش یک محصول فرضی توضیح دهم.

اولین چیزی که باید محاسبه شود Error هست که قدر مطلق اختلاف فروش واقعی به پیش بینی است و پایه تمام محاسبات ما خواهد بود.

اولین خطای پیش بینی Forecast Accuracy است که از تقسیم Error بر مقدار واقعی فروش بدست می آید. و از مهمترین KPI های هر Demand Planner است و هرچقدر دقت پیش بینی بالا باشد، هم هزینه عملیاتی شرکت پایین خواهد امد و هم مقدار سودی که نصیب شرکت میشود متعاقبا بیشتر خواهد شد.

Mean Absolute Deviation (MAD)

در این روش دقت پیش بینی با میانگین خطاهای دوره مورد نظر محاسبه می شود. و هرچقدر مقدار MAD پایین باشه، نشان از دقت بالای پیش بینی دارد.

Mean Square Error (MSE)

روش دیگری بنام MSE وجود داره که میانگین توان دو خطاهای دوره مورد نظر را بررسی میکنه. این روش هم مثل MAD بنچمارک مشخصی برای خطا نیست اما هرچقدر کمتر بهتر :)

Mean Absolute Percentage Error (MAPE)

حاصل تقسیم خطا بر مقدار فروش واقعی *100 MAPE بدست خواهد آمد و درصد انحراف را نشان میدهد و بدلیل نمایش درصدی هم راحتتر خوانده می شود و هم درک یکسانی را برای همه از میزان خطای پیش بینی بوجود میاره. در مقایسه با MAD و MSE میزان خطا را بهتر نشان میدهد.

حالا که تمام خطاهای پیش بینی رو با هم مرور کردیم لازمه که یک یادآوری کنم که علاوه بر track ماهیانه این اعداد و برگزاری جلسات برای بررسی فاکتورهای برنامه ریزی تقاضا و جلوگیری از بروز خطاهای مجدد، گاهی فاکتورهای خارجی بر پیش بینی تاثیر میگذارند مثل افزایش قیمت محصول یا تاثیر سیاست های دولتی و تحریم که ممکنه تقاضای یک محصول در یک دوره خاص بالاتر یا کمتر از مقدار پیش بینی باشه، جمع آوری و آنالیز این خطاها باعث افزایش دقت و کارایی شما خواهد شد.