Beräkning av prognosprecision (MAPE) och avvikelser

2 min läsning

Tags: Prognostisering, Tips & Tricks

Daniel Fritsch   7 april 2015


inventory planner analyzing monthly parameters

Innehåll

  1. Att analysera prognosprecision - MAPE har flera fördelar:

När man talar om försörjningskedjor mäts precisionen av en prognos vanligtvis med “Mean Absolute Percent Error”, även kallat MAPE. Statistiskt sett representerar MAPE en procentsats av genomsnittligt fel. De flesta lagerplanerarna definierar däremot MAPE som “Mean Absolute Deviation” delat med genomsnittliga försäljningen.

Genom bättre prognoser ökar er effektivitet och förmåga att möta kundens efterfråga, samtidigt som ni sänker de operativa kostnaderna. Precisionsberäkningar av en prognos består av en kvantitativ uppskattning av den förväntade kvaliteten av prognosen.

För att göra detta måste ni beräkna det exponentiellt utjämnade prognosfelet för att skapa er en god uppfattning gällande er precision.

Att analysera prognosprecision – MAPE har flera fördelar:

  1. Ni kan upptäcka att er produkt bytt mönster i sin efterfrågan. I det här fallet måste ni då byta prognosmetod för att bättre matcha den verkliga efterfrågan.
  2. Support att identifiera produkter som kräver mer manuell hantering då den statistiska prognosen inte är tillräckligt god.
  3. Högre precision i indata till beräkningar av säkerhetslager bidrar till mer optimerat resultat.

Beräkna MAPE, prognosprecision och prognosfel

Vissa affärssystem (ERP) och lagerstyrningssystem beräknar prognosfel, men inte alla. Den stora frågan är vad som händer efter ni fått reda på prognosfelet? Vanligtvis fortsätter systemet att köra vidare i processen av beräkning av order eller så stannar systemet upp och en planerare inkallas för att byta prognosteknik manuellt.

Ett bättre och mer effektivt sätt, som tillämpas i EazyStock, är att låta systemet automatiskt sköta löpande klassificering av efterfrågemönster vilket leder till prognoser med högre precision.




7 steg till högre progronsnoggrannhet