Zo bereken je de prognosenauwkeurigheid en prognosefout
Wat is prognosenauwkeurigheid?
De prognosenauwkeurigheid meet hoe dicht de voorspelde vraag bij de werkelijke vraag ligt. Je kunt dit samen met de prognosefout gebruiken om de nauwkeurigheid van je vraagprognosemodel te bepalen. De prognosefout is het verschil tussen de werkelijke vraag en de voorspelde vraag.
Een manier om de kwaliteit van vraagprognoses te controleren is door de prognosenauwkeurigheid te berekenen, ook wel de prognosefout genoemd. De berekende prognosenauwkeurigheid toont de afwijking van de werkelijke vraag ten opzichte van de voorspelde vraag. Door te meten hoe ver je vorige vraagprognoses afweken van de werkelijke vraag, kun je toekomstige prognoses verbeteren en plannen waar nodig aanpassen.
Waarom is het belangrijk om de prognosenauwkeurigheid te meten?
Nauwkeurige prognoses zijn essentieel om je voorraadniveaus in balans te houden, zodat je niet te veel of te weinig voorraad aanhoudt. Te veel voorraad aanhouden betekent dat er geld vastzit in overbodige voorraad. Deze voorraad moet vervolgens met flinke korting worden verkocht of helemaal worden afgeschreven.
Te weinig voorraad aanhouden is ook riskant. Je riskeert stockouts, omzetverlies en ontevreden klanten die mogelijk naar concurrenten overstappen die wél voorraad hebben.
Het voorspellen van de vraag is sowieso al lastig, maar in de complexe wereldwijde economische situatie van vandaag is dit een nog grotere uitdaging. Lees voor meer informatie over dit onderwerp onze blog met advies over het beheren van prognoses bij fluctuerende vraag.
Wat is een goede prognosenauwkeurigheid?
In een ideale wereld zou elke prognose 100% nauwkeurig zijn, maar dat is onrealistisch. Er is niet één cijfer dat voor alle bedrijven en bedrijfssectoren opgaat. Bovendien kunnen cijfers gedurende het jaar variëren, en daarom is het belangrijk om prognoses zo nauwkeurig mogelijk te maken. Er zijn vier punten die je moet onthouden als het gaat om het meten van de prognosenauwkeurigheid. Je prognoses worden nauwkeuriger bij:
- Hoge verkoopvolumes
- Hoge aggregatieniveaus
- Kortere prognoseperioden, omdat veranderende marktomstandigheden aanzienlijke gevolgen kunnen hebben op lange termijn
- Stabiele bedrijfsactiviteiten.
Prognosenauwkeurigheid berekenen: wat zijn de drie componenten van prognosenauwkeurigheid?
In dit artikel leggen we uit hoe je de prognosenauwkeurigheid kunt berekenen met behulp van specifieke formules.
Voorraadplanners gebruiken verschillende indicatoren en formules om de prognosenauwkeurigheid en prognosefout te berekenen. Deze variëren van relatief eenvoudig tot complex.
De drie meest gebruikte methoden voor het berekenen van de prognosenauwkeurigheid zijn:
- Prognosevertekening
- Gemiddelde absolute standaardafwijking (MAD)
- Gemiddelde absolute procentuele fout (MAPE)
Hieronder bespreken we deze in meer detail:
1. Prognosevertekening
De prognosevertekening is kortgezegd het verschil tussen de prognose en de werkelijke verkoop. Als de prognose hoger was dan de werkelijke verkoop, noemen we dit een positieve vertekening. Omgekeerd: als de prognose lager was dan de verkoop, dan is dit een negatieve vertekening.
Hoewel de prognosevertekening aangeeft of de algehele prognose wel of niet nauwkeurig was, laat het niet zien hoe groot de afwijking was bij het evalueren van meerdere artikelen of langere perioden.
2. Gemiddelde absolute standaardafwijking (MAD) berekenen
Een veelgebruikte manier om de prognosefout te bepalen, is door de gemiddelde absolute standaardafwijking (Mean Absolute Deviation of MAD) te berekenen. De MAD toont in hoeverre de vraagprognose af kan wijken van de daadwerkelijke vraag.
De MAD-berekening neemt de absolute waarde van de prognosefout (het verschil tussen de werkelijke vraag en de prognose) en berekent het gemiddelde hiervan over de prognoseperioden. ‘Absolute waarde’ betekent dat zelfs als het verschil tussen de werkelijke vraag en de voorspelde vraag negatief is, de waarde als een positief getal wordt geschreven. Als voorbeeld: 25 gedeeld door 4 is 6,25.
De MAD-berekening werkt het beste als deze voor één product wordt gebruikt, omdat de vraagfout niet proportioneel is. Gebruik je de MAD voor artikelen met verschillende volumes (en grotere volumes in het bijzonder), dan zal dit het resultaat vertekenen.
3. Gemiddelde absolute procentuele fout (MAPE) berekenen
Een andere relatief eenvoudige manier om de prognosefout te berekenen is door de gemiddelde absolute procentuele fout (Mean Absolute Percent Error of MAPE) van je prognose te bepalen. Statistisch gezien definiëren we de MAPE als het gemiddelde van de procentuele fouten. De MAPE-formule bestaat uit het gemiddelde (M) en de absolute procentuele fout (APE). De formule voor APE is het verschil tussen de werkelijke en de voorspelde vraag als een percentage:
Zodra je de APE hebt berekend voor elke periode, bereken je het gemiddelde van alle procentuele fouten.
Omdat de MAPE een foutmeting is, betekent dit dat hoge cijfers slechts zijn en lage cijfers goed.
Hoewel dit de drie belangrijkste manieren zijn om de prognosenauwkeurigheid te meten, kun je de prognosenauwkeurigheid ook op andere manieren berekenen. Het is cruciaal dat je de methode vindt die het beste past bij de behoeften van jouw bedrijf om je vraagprognose zo nauwkeurig mogelijk te maken.
Prognosefouten gebruiken om vraagprognoses te verbeteren
Als je eenmaal de prognosefout hebt berekend, moet je deze gegevens gebruiken om je prognoseprocessen te verfijnen en de nauwkeurigheid van je prognoses te verbeteren. Belangrijk is dat je hierbij ook interne bedrijfsbeslissingen meeneemt die direct van invloed zijn op de vraag, zoals aanbiedingen en prijswijzigingen.
Nauwkeurigere prognoses helpen bij het verbeteren van je voorraadinkoop en -planning, zodat je optimale voorraadniveaus kunt handhaven.
Je kunt dit op verschillende manieren doen:
1. Het risico van onnauwkeurige prognoses beperken: de prognosefoutberekening geeft een kwantitatieve schatting van de kwaliteit van je eerdere prognoses. Als je de afwijking van eerdere vraagprognoses kunt berekenen, kun je dit risico meenemen in je toekomstige prognoses.
Door de onzekerheid van een prognose voor een bepaalde toekomstige bedrijfsperiode te bepalen, kun je de regels die je gebruikt voor voorraadbeheer aanpassen, zoals het verhogen van de veiligheidsvoorraad en het aanpassen van nabestelpunten. Dit helpt om perioden met onzekere vraag op te vangen.
2. Geef prioriteit aan twijfelachtige prognoses: door artikelen met een hoge prognosefout te identificeren en te prioriteren, kun je je daarop richten. Dit betekent dat je de toekomstige vraag naar deze artikelen goed in de gaten houdt en de voorraadniveaus hierop kunt afstemmen.
Automatisch prognosenauwkeurigheid en prognosefout meten
In plaats van te worstelen met het handmatig bepalen van de prognosenauwkeurigheid in Excel, kunnen bepaalde Enterprise Resource Planning- (ERP) en Warehouse Management-systemen (WMS) ook automatisch de prognosefout berekenen. Elk systeem is anders qua complexiteit, dus zorg ervoor dat je weet hoe het werkt en houd rekening met de beperkingen ervan. Kan je systeem bijvoorbeeld elke SKU analyseren? Op welke manier berekent het de prognosefout? Past het voorraadparameters aan op basis van de resultaten?
Als je huidige voorraadbeheersysteem bepaalde beperkingen heeft, dan is het de moeite waard om te investeren in een plug-in voor voorraadoptimalisatie. Software voor coorraadoptimalisatie werkt samen met een ERP, WMS of voorraadbeheerprogramma om functies voor statistische vraagvoorspelling te bieden. Zo hoef je geen ingewikkelde berekeningen uit te voeren en houd je tijd over om nauwkeurige prognosegegevens te analyseren en weloverwogen beslissingen te nemen op het gebied van voorraadbeheer.
Als je huidige systemen en processen het lastig maken om de vraag nauwkeurig te voorspellen, neem dan vandaag nog contact op met EazyStock.
Onze vraagprognosesoftware biedt geavanceerde mogelijkheden voor voorraadbeheer, waarmee je de dagelijkse werkzaamheden in je bedrijf vrijwel direct kunt verbeteren.
