Berechnung der Prognosegenauigkeit und des Prognosefehlers
Was ist die Prognosegenauigkeit?
Die Prognosegenauigkeit misst, wie dicht Ihre Bedarfsprognose an den tatsächlichen Bedarfswerten liegt. Sie können sie zusammen mit dem Prognosefehler verwenden, um die Genauigkeit Ihrer Prognoseverfahren für den Bedarf zu ermitteln. Der Prognosefehler ist die Differenz zwischen dem tatsächlichen Bedarf und dem prognostizierten Bedarf.
Eine Möglichkeit, die Qualität Ihrer Bedarfsprognose zu überprüfen, ist die Berechnung der Prognosegenauigkeit, auch Prognosefehler genannt. Die Berechnung der Prognosegenauigkeit zeigt die Abweichung der tatsächlichen Nachfrage von der prognostizierten Nachfrage. Wenn Sie die Fehlerquoten Ihrer früheren Bedarfsprognosen kennen, können Sie künftige Prognosen verbessern und die Planung bei Bedarf anpassen.
Warum ist die Prognosegenauigkeit so wichtig?
Genaue Prognosen sind wichtig, um die Lagerbestände in Einklang zu bringen, damit Sie nicht zu viel oder zu wenig auf Lager haben. Ein zu hoher Lagerbestand bedeutet, dass Kapital in Beständen gebunden ist, die nicht benötigt werden. Diese Bestände müssen dann mit einem hohen Preisnachlass verkauft oder ganz abgeschrieben werden.
Ein zu geringer Lagerbestand ist ebenfalls riskant. Sie riskieren Lieferengpässe, Umsatzeinbußen und eine schlechte Kundenzufriedenheit, die dazu führt, dass die Kunden zu Wettbewerbern wechseln, die über Lagerbestände verfügen.
Nachfrageprognosen sind ohnehin schon schwierig, aber angesichts der komplexen globalen Wirtschaftslage ist es noch kniffliger. In unserem Blog finden Sie einige Ratschläge zur Gestaltung von Prognosen in Zeiten schwankender Nachfrage.
Was ist ein guter Genauigkeitsgrad für eine zuverlässige Prognose?
In einer idealen Welt würden wir alle gerne durchgehend eine 100%ige Genauigkeit erreichen, aber das ist unrealistisch. Es gibt nicht die eine richtige Größe, die für alle Unternehmen und Branchen gilt, und die Zahlen können im Laufe des Jahres schwanken, also konzentrieren Sie sich darauf, sie so genau wie möglich zu machen. Bei der Prognosegenauigkeit sind vier Dinge zu beachten. Genauere Prognosen erhalten Sie, wenn Sie:
- ein hohes Verkaufsvolumen haben
- einen hohen Aggregationsgrad aufweisen
- Prognosen für kurze Zeiträume, da sich ändernde Marktbedingungen auf langfristige Prognosen auswirken können
- ein stabiles Gewerbe haben.
Wie wird der Prognosefehler berechnet? – Welche drei Messgrößen gibt es für die Prognosegenauigkeit?
Wenn Sie sich fragen, wie Sie die Genauigkeit eines Prognosemodells messen können, sind Sie hier genau richtig. In diesem Beitrag zeigen wir Ihnen, wie Sie die Genauigkeit Ihrer Prognosen mithilfe von Berechnungsformeln zur Ermittlung des Prognosefehlers messen können.
Berechnungen der Vorhersagegenauigkeit/Vorhersagefehler
Bei der Berechnung der Prognosegenauigkeit und des Prognosefehlers können Bestandsplaner verschiedene Maße für die Prognosegenauigkeit und Formeln für die Prognosegenauigkeit verwenden. Diese reichen von relativ einfach bis hin zu recht komplex. Die drei gebräuchlichsten Methoden der Prognosegenauigkeit sind die Prognoseabweichung, die mittlere absolute Standardabweichung (MAD) und der mittlere absolute Fehler in Prozent (MAPE).
Schauen wir uns jede einzelne genauer an:
1. Prognoseverzerrung
Die Prognoseverzerrung ist im Grunde die Differenz zwischen Prognose und Absatz. Wenn Ihre Prognose die Abverkäufe überschätzt, wird dies als positive Verzerrung betrachtet. Wenn die Prognose die Verkäufe unterschätzt, gilt die Prognoseverzerrung als negativ.
Die Vorhersageverzerrung zeigt zwar, ob Ihre Vorhersagegenauigkeit insgesamt gut war, gibt aber keinen Aufschluss darüber, wie groß der Fehler war, wenn mehrere Positionen oder lange Zeiträume betrachtet werden.
2. Mittlere absolute Abweichung MAD-Prognoseberechnung
Eine gängige Methode zur Ermittlung des Prognosefehlers ist die Berechnung der mittleren absoluten Abweichung (MAD). Dies zeigt die mengenmäßige Abweichung der prognostizierten Nachfrage von der tatsächlichen Nachfrage.
Bei der MAD-Berechnung wird der absolute Wert der Prognosefehler (die Differenz zwischen der tatsächlichen Nachfrage und der Prognose) errechnet und über die Prognosezeiträume gemittelt. Der absolute Wert bedeutet, dass die Differenz zwischen dem tatsächlichen Bedarf und dem prognostizierten Bedarf auch dann positiv ist, wenn sie negativ ist. 25 geteilt durch 4 ist also 6,25.
Die MAD-Berechnung funktioniert am besten, wenn sie auf ein Produkt angewendet wird, da der Nachfragefehler nicht proportional ist. Bei der Verwendung für Artikel mit unterschiedlichem Volumen wird das Ergebnis auf Grund von Artikeln mit einem stärkeren Volumen verzerrt.
3. MAPE-Prognoseberechnung
Eine weitere recht einfache Methode zur Berechnung des Prognosefehlers ist die Ermittlung des mittleren absoluten prozentualen Fehlers (MAPE) Ihrer Prognose. Statistisch gesehen ist MAPE definiert als der Durchschnitt der prozentualen Fehler. Die MAPE-Formel setzt sich zusammen aus dem Mittelwert – M – und dem absoluten prozentualen Fehler – APE. Die Formel für APE ist die Differenz zwischen dem tatsächlichen und dem prognostizierten Bedarf in Prozent:
Sobald Sie den APE für jeden Zeitraum berechnet haben, berechnen Sie den Mittelwert aller prozentualen Fehler.
Da MAPE ein Fehlermaß ist, sind hohe Werte als schlecht und niedrige Werte als gut anzusehen.
Es gibt noch weitere Berechnungen zur Prognosegenauigkeit, die Sie verwenden können. Finden Sie die für Ihre Bedürfnisse am besten geeignete Methode, um die Genauigkeit Ihrer Bedarfsprognose zu verbessern.
Nutzung von Prognosefehlern für bessere Nachfragevorhersagen
Sobald Sie Ihre Prognosefehlerberechnungen aufgestellt haben, müssen Sie Ihre Statistiken zu den Prognosefehlern nutzen, um Ihre Prognoseprozesse zu verfeinern und die Prognosegenauigkeit zu verbessern. Dabei sollten Sie auch interne Geschäftsentscheidungen berücksichtigen, die sich direkt auf die Nachfrage auswirken, z. B. Verkaufsaktionen und Preisänderungen.
Genauere Prognosen helfen Ihnen dann, Ihren Einkauf und Ihre Planung zu verbessern, um sicherzustellen, dass Sie die richtigen Lagerbestände führen.
Dies kann auf verschiedene Weise geschehen:
1. Minimierung des Risikos der zukünftigen Prognosegenauigkeit: Die Berechnung des Prognosefehlers liefert eine quantitative Einschätzung der Qualität Ihrer bisherigen Prognosen. Wenn Sie die Fehlerrate früherer Bedarfsprognosen berechnen können, können Sie dieses Risiko bei künftigen Prognosen berücksichtigen.
Indem Sie die Unsicherheit einer Prognose für einen bestimmten zukünftigen Geschäftszeitraum bestimmen, können Sie Ihre Lagerhaltungsregeln anpassen, z. B. die Sicherheitsbestände erhöhen und die Wiederbestellungspunkte ändern. Auf diese Weise können Sie Zeiten mit unsicherer Nachfrage abdecken.
2. Fragwürdige Prognosen vorrangig behandeln: Die Identifizierung und Priorisierung von Artikeln mit einem hohen Prognosefehler ermöglicht es Ihnen, sich auf diese zu konzentrieren. Diese Fokussierung erlaubt es Ihnen, den künftigen Bedarf genau zu überwachen und die Lagerbestände entsprechend anzupassen.
3. Verfeinerung und Verbesserung der Prognosegenauigkeit: Wenn Sie immer wieder hohe Prognosefehler feststellen, müssen Sie Ihre Bedarfsprognoseverfahren und Prognosemodelle überprüfen und verbessern. Mehr dazu erfahren Sie in unserem Blog, in dem wir acht Techniken zur Bedarfsprognose für ein besseres Bestandsmanagement vorstellen.
Messung der Vorhersagegenauigkeit/Vorhersagefehler durch Automatisierung
Anstatt die Formel für die Prognosegenauigkeit mühsam manuell in Excel zu berechnen, verfügen einige Warenwirtschaftssysteme (ERP) und Lagerverwaltungssysteme ( WMS) über die Funktion, Prognosefehler automatisch zu berechnen. Jedes System hat einen anderen Grad an Komplexität. Stellen Sie also sicher, dass Sie Ihr System verstehen und seine Grenzen berücksichtigen. Fragt Ihr System zum Beispiel jede einzelne Artikelposition ab? Welche Berechnungen verwendet es zur Fehlerprognose? Passt es die Bestandsparameter auf der Grundlage der Ergebnisse an?
Wenn Ihr derzeitiges Bestandsverwaltungssystem Einschränkungen aufweist, sollten Sie die Investition in ein zusätzliches Bestandsoptimierungsmodul in Betracht ziehen. Bestandsoptimierungssoftware arbeitet mit einem ERP-, WMS- oder Bestandsverwaltungssystem zusammen, um statistische Bedarfsprognosen zu erstellen. Dies erspart Ihnen komplexe Berechnungen und verschafft Ihnen mehr Zeit, um genaue Prognosedaten zu prüfen und fundierte Entscheidungen zur Bestandsverwaltung zu treffen.
Wenn Ihre derzeitigen Systeme und Prozesse genaue Prognosen zu einer Herausforderung machen, wenden Sie sich noch heute an das EazyStock-Team.
Unsere Software für die Bedarfsprognose bietet fortschrittliche Funktionen für die Bestandsführung, die das Tagesgeschäft Ihres Unternehmens schnell verbessern werden.
