Från data till beslut: Utnyttja prognosprecision för att förbättra leveranskedjan

Att använda sig av teknik inom supply chain är något som blir allt mer vanligt. Statistik visar att 77 % av företag investerar i teknik för att skapa högre transparens i deras leveranskedja. Intressant med denna statistik var att dessa företag enligt uppgifter löpte hälften så stor risk att stöta på problem i deras leveranskedja, i jämförelse med företag som inte nyttjar tekniken.

Detta tyder på att transparens i leveranskedjan bör vara en topprioritet för ledare inom branchen. Vi lever just nu i en tid då AI och maskininlärningsbaserade verktyg förändrar prognoslandskapet, men vi får inte glömma att ingen prognos är imun mot fel.

Som tur är finns det statistiska verktyg och tekniker som kan hjälpa dig att minska avståndet mellan prognostiserad och faktisk efterfrågan.

I denna artikel kommer vi därför att fördjupa oss i ämnet prognosprecision och hur du kan använda denna analysteknik för att bygga mer robusta prognoser och skapa högre transparens genom hela din leveranskedja.

Vad är prognosprecision?

Prognosprecision är en metod som du kan använda för att bedöma kvaliteten på dina prognoser. När det kommer till planering av leveranskedjan avser prognosprecision hur nära den uppskattade efterfrågan på produkter eller tjänster matchar den faktiska efterfrågan.

Resultatet av denna analys kan bidra till ett mer effektivt beslutsfattande. Det är dock viktigt att ha i åtanke att prognosprecision inte är en “quick fix”-metod som snabbt löser dina brister i prognosen, utan ett långsiktigt arbete. Att fastställa vilken felmarginal som ska tillåtas i prognoserna kan också vara svårt. Hur ska man kunna definiera vad som är “korrekt”? Och hur hög precision ska man sikta mot?

Att ha en precision så hög att den faktiska efterfrågan stämmer överens till 100 % med prognosen är för många företag en dröm, men tyvärr inte realistiskt. En precision på 75 % låter mer rimligt, men om det är möjligt att uppnå eller användbart som mål för just ditt företag är svårt att säga på rak arm. Det beror helt på vilka mål ditt företag har, hur dina kunders köpbeteende ser ut och vilken data du har tillgänglig.

Hur man mäter prognosprecision

Även om det är värdefullt att göra prognoser för förväntad försäljning ligger den viktigaste insikten ofta i att bedöma hur korrekt prognosen är. För att göra detta är det viktigt att skapa en rutin för att tilldela en slags prestationspoäng till prognosen för att avläsa hur väl den presterade. I många fall ger denna poäng ett mer meningsfullt perspektiv än enbart själva prognosen.

Grunderna i att mäta prognosprecision

För att förstå hur du mäter prognosprecision är det viktigt att vi går igenom grunderna.

Alla mått baseras på prognosfelet, e. Detta fel är skillnaden mellan prognosen, f, dvs den förväntade efterfrågan, och den faktiska efterfrågan, d, inom en viss tidsperiod:

En prognos är bra när felmåttet är litet.

I vissa fall baseras prestandan på hur exakt prognosen är snarare än graden av fel. I detta fall är en prognos bra när träffsäkerheten är nära 100%.

Det finns flera metoder för att bedöma prognosprecisionen och alla har positiva och negativa aspekter. Nedan är en guide som täcker de vanligaste metoderna.

Bias eller mean error (ME)

Det första måttet för prognosprecision kallas bias eller mean error (ME) och är genomsnittet av prognosfelet:

Detta mått är lätt att förstå. För en bra prognos är skillnaden mellan prognoserna och den faktiska efterfrågan liten, så dess bias är nära noll.

En positiv bias innebär att du förutspår för stor efterfrågan, medan en negativ bias innebär att du underskattar den.

En nackdel med denna modell är dock att positiva och negativa fel tar ut varandra. En prognos med stora fel kan fortfarande ha en liten bias. Därför bör man aldrig enbart ta hänsyn till bias, utan även titta på andra mått för prognosprecision.

Mean absolute error (MAE)

En modell som ger en direkt indikation på felets storlek är det genomsnittliga absoluta felet “Mean absolute error” (MAE):

Fördelen med denna modell är att den använder absoluta prognosfel, så ett litet MAE innebär att alla prognosfel är nära noll. Måttet är dessutom lätt att tolka.

Nackdelen är dock att det inte visar hur stort detta genomsnittliga fel är jämfört med den faktiska efterfrågan. En prognos som avviker med en försäljning på 5 produkter är dåligt för en produkt med en genomsnittlig försäljning på 10, men bra för en produkt med en genomsnittlig försäljning på 1 000.

Mean absolute percentage error (MAPE)

Det genomsnittliga absoluta procentuella felet (MAPE) återspeglar hur stora felen är jämfört med den faktiska efterfrågan.

Det definieras som den genomsnittliga kvoten mellan prognosfelet och den faktiska efterfrågan:

Därför är den också lätt att tolka.

MAPE anger hur mycket prognosen i genomsnitt är fel, uttryckt i procent.

Denna metod för prognosprecision har dock också sina begränsningar. Överskattningar av efterfrågan bestraffas mer än underskattningar. Att förutse 30 stycken när den faktiska efterfrågan bara var 10 stycken ger en MAPE på 200%, men underskattningar ger en maximal MAPE på bara 100%.

Detta är ett problem för produkter med liten efterfrågan där det är svårare att få en liten MAPE. Det är dessutom ett ännu större problem för tidsperioder utan efterfrågan eftersom man då dividerar med noll.

Root mean squared error (RMSE)

Den sista modellen för prognosprecision som bör nämnas är root mean squared error (RSME).

Som namnet antyder baseras detta mått på kvadratroten av prognosfelen:

Denna modell liknar, och är därför jämförbar med, MAE, men straffar större misstag mycket hårdare än mindre.

Det är ett bra mått för att se om den prognostiserade och faktiska försäljningen alltid ligger nära varandra. Tyvärr är dock denna modell svårtolkad.

Om dina data på efterfrågan innehåller enstaka avvikande försäljningar, som du inte förväntar dig att en prognos ska fånga upp, bör du istället använda MAE-metoden eftersom den är tåligare mot avvikande värden.

Medelkvadratfelet “Mean square error” (MSE) är nästan detsamma som RMSE, men modellen använder inte den extra kvadratroten. Därför uttrycks felet i kvadrerade enheter vilket gör MSE svårare att tolka.

Detta var några mått för att bedöma precisionen för din prognos, men det finns även många andra mått på prognosprecision. Vilket du ska använda beror på vilken data du har tillgänglig. Det kan vara värdefullt att kika på några av de mer sällsynta alternativen för att se om det finns ett mer lämpligt mått för just dig.

Hur ser en “bra” prognosprecision ut?

Eftersom det finns så många olika modeller för prognosprecision är det vanligt att det uppstår frågor som “Vilket mått på prognosprecision ska jag använda?” och “Vad ska mitt mål för prognosprecision vara?”.

Tyvärr finns det inget enkelt och snabbt svar på dessa frågor, utan det beror på hur din situation ser ut. Vi säger att du hanterar prognosen för dina produkter och får reda på att MAE i genomsnitt är 60 %. Då kanske du undrar:

Är det ett bra eller dåligt resultat?

För att bedöma kvaliteten på en prognos behöver du en uppfattning om hur förutsägbar efterfrågan är, vilket beror på många faktorer.

Efterfrågan på produkter med stora volymer är vanligtvis lättare att förutse än produkter med små. Det är också lättare att förutse efterfrågan på en produkt i en grupp av butiker än att exakt uppskatta efterfrågan i varje enskild butik.

Dessutom är långsiktiga prognoser mycket svårare att skapa än prognoser för kortsiktig efterfrågan. Hur exakta prognoser som kan uppnås beror också på hur mycket relevant data du har tillgång till.

Om viktig information saknas kommer dina prognosmodeller inte att prestera bra, detta eftersom man bara kan göra förutsägelser baserade på det vi vet.