Definition der Forecast Accuracy und Formeln (2024)

Beginnen wir mit einer knallharten Statistik: 77 % der Unternehmen investieren in Technologie, um die Transparenz der Lieferkette zu verbessern. Aber jetzt kommt der interessante Teil: Diejenigen, die den Sprung bereits gewagt haben, haben Berichten zufolge eine doppelt so hohe Wahrscheinlichkeit, Probleme in der Lieferkette zu vermeiden.

Transparenz in der Lieferkette ist daher eine der obersten Prioritäten für die Verantwortlichen in der Lieferkette. Doch in einer Zeit, in der KI und maschinelles Lernen die Prognoselandschaft verändern, gibt es ein entscheidendes Planungsparadoxon, das wir nicht ignorieren können: Keine Prognose ist vor Fehlern gefeit.

Zum Glück gibt es statistische Instrumente und Techniken, die Ihnen helfen können, die Lücke zwischen der prognostizierten und der tatsächlichen Nachfrage zu schließen.

Im heutigen Blog werden wir uns daher mit dem Thema Prognosegenauigkeit befassen und erläutern, wie Sie diese leistungsstarke statistische Analysetechnik nutzen können, um zuverlässigere Prognosen zu erstellen und eine bessere Transparenz in Ihrer gesamten Lieferkette zu schaffen.

Beginnen wir mit den Grundlagen…

Was bedeutet Vorhersagegenauigkeit (forecast accuracy)?

Die Vorhersagegenauigkeit ist eine Methode, mit der Sie die Qualität Ihrer Prognosen beurteilen können. Im Zusammenhang mit der Supply-Chain-Planung bezieht sich die Prognosegenauigkeit darauf, wie genau die prognostizierte Nachfrage nach Produkten oder Dienstleistungen mit der tatsächlichen Nachfrage übereinstimmt.

Das Ergebnis dieser Analyse kann zu einer effizienteren Entscheidungsfindung beitragen. Aber täuschen Sie sich nicht: Es ist kein Patentrezept, mit dem Sie Ihre Prognoseschwächen schnell beheben können.

Selbst die Festlegung einer Fehlerspanne kann problematisch sein. Wie kann man schließlich definieren, wie “genau” aussieht?

Eine 100%ige Genauigkeit wäre ein Traum, ist aber oft eher ein idealisierter Maßstab als ein realistisches Ergebnis. Ebenso klingt 75 % vernünftig, aber ob es erreichbar oder sogar als Ziel sinnvoll ist, ist fast unmöglich zu beantworten.

Es hängt ganz von den Zielen Ihres Unternehmens, der Art des Kaufverhaltens Ihrer Kunden und den Ihnen zur Verfügung stehenden Daten ab.

Wie man die Forecast Accuracy misst

Eine Prognose des zu erwartenden Verkaufserfolgs ist zwar wertvoll, aber der wahre Erkenntnisgewinn liegt oft in der Bewertung der Genauigkeit dieser Prognose. Um dies zu erreichen, ist es wichtig, einen Weg zu finden, der es ermöglicht, eine Leistungsbewertung zu erstellen. In vielen Fällen bietet dieser Wert eine aussagekräftigere Perspektive als die Prognose allein.

Die Grundlagen der Messung der Forecast Accuracy

Bevor wir fortfahren, ist es wichtig, dass wir die Grundlagen kennenlernen.

Alle Maßnahmen basieren auf dem Prognosefehler e. Dieser Fehler ist die Differenz zwischen der Prognose f, d. h. dem vorhergesagten Bedarf, und dem tatsächlichen Bedarf d innerhalb eines bestimmten Zeitraums:

Eine Prognose ist gut, wenn das Fehlermaß klein ist.

Manchmal wird die Leistung jedoch auf die Genauigkeit und nicht auf den Grad des Fehlers ausgerichtet. In diesem Fall ist eine Vorhersage gut, wenn die Genauigkeit nahe bei 100 % liegt.

Es gibt verschiedene Methoden zur Bewertung der Prognosegenauigkeit. Und jede Methode hat ihre Vor- und Nachteile. Im Folgenden finden Sie einen Leitfaden zu den gängigsten Methoden, die Ihnen zur Verfügung stehen.

Bias or mean error (ME)

Das erste Maß für die Vorhersagegenauigkeit, die so genannte Verzerrung oder der mittlere Fehler (ME), ist der Durchschnitt der Vorhersagefehler:

Dieses Maß ist leicht zu verstehen. Bei einer guten Prognose ist die Differenz zwischen den Vorhersagen und der tatsächlichen Nachfrage gering, so dass die Verzerrung nahe Null liegt.

Eine positive Verzerrung bedeutet, dass Sie eine zu hohe Nachfrage vorhersagen, während eine negative Verzerrung bedeutet, dass Sie die Nachfrage unterschätzen.

Ein Nachteil dieses Modells ist jedoch, dass sich positive und negative Fehler gegenseitig aufheben. Eine Prognose mit großen Fehlern kann immer noch eine kleine Verzerrung aufweisen. Daher sollten Sie niemals nur die Verzerrung betrachten, sondern auch andere Maßstäbe für die Prognosegenauigkeit heranziehen.

Mean absolute error (MAE)

Ein Modell, das einen direkten Hinweis auf das Ausmaß der Fehler gibt, ist der mittlere absolute Fehler (MAE):

Der Vorteil dieses Modells besteht darin, dass es mit absoluten Prognosefehlern arbeitet, so dass ein kleiner MAE bedeutet, dass alle Prognosefehler nahe bei Null liegen.

Es ist auch eine leicht zu interpretierende Maßnahme.

Sie zeigt jedoch nicht, wie groß dieser durchschnittliche Fehler im Vergleich zur tatsächlichen Nachfrage ist. Eine Prognose, die um 5 Stück abweicht, ist sehr schlecht für ein Produkt, von dem im Durchschnitt 10 Stück verkauft werden, aber gut für ein Produkt, das durchschnittlich 1.000 Verkäufe erzielt.

Mean absolute percentage error (MAPE)

Der mittlere absolute Fehler in Prozent (MAPE) gibt an, wie groß die Fehler im Vergleich zum tatsächlichen Bedarf sind.

Sie ist definiert als das durchschnittliche Verhältnis zwischen dem Prognosefehler und der tatsächlichen Nachfrage:

Aus diesem Grund ist sie auch leicht zu interpretieren.

Der MAPE gibt an, wie weit die Prognose im Durchschnitt abweicht, und zwar in Prozent.

Diese Methode der Prognosegenauigkeit hat jedoch auch ihre Grenzen. Überschätzungen der Nachfrage werden stärker bestraft als Unterschätzungen. Die Vorhersage von 30 Stück, wenn die tatsächliche Nachfrage nur 10 Stück betrug, ergibt einen MAPE von 200 %, aber Unterschätzungen ergeben einen maximalen MAPE von nur 100 %.

Dies ist ein Problem für Produkte mit geringer Nachfrage, bei denen es schwieriger ist, einen kleinen MAPE zu erhalten. Ein noch größeres Problem ist es jedoch für Zeiträume ohne Nachfrage, da man dann durch Null dividieren müsste.

Roter mittlerer quadratischer Fehler (RMSE)

Das letzte Modell für die Prognosegenauigkeit ist der mittlere quadratische Fehler (Root Mean Squared Error, RSME).

Wie der Name schon sagt, basiert dieses Maß auf der Quadratwurzel der Vorhersagefehler:

Dieses Modell ähnelt der MAE und ist daher mit ihr vergleichbar, bestraft aber größere Fehler viel stärker als kleinere.

Es ist eine gute Maßnahme, um zu sehen, ob die prognostizierten und tatsächlichen Verkäufe immer nahe beieinander liegen. Leider wird dadurch die Interpretation dieses speziellen Modells erschwert.

Wenn Ihre Nachfragedaten gelegentliche Ausreißer enthalten, von denen Sie nicht erwarten, dass sie von einer Prognose erfasst werden, sollten Sie stattdessen die MAE-Methode verwenden, da sie wesentlich robuster gegenüber Ausreißern ist.

Der mittlere quadratische Fehler (MSE) ist fast dasselbe wie der RMSE, aber er verwendet nicht die zusätzliche Quadratwurzel. Daher wird der Fehler in quadratischen Einheiten ausgedrückt, was die Interpretation des MSE erschwert.

Es gibt viele andere Maßstäbe für die Prognosegenauigkeit. Welche Sie verwenden sollten, hängt von den Ihnen zur Verfügung stehenden Daten ab, und es kann sich lohnen, einige der selteneren Alternativen zu prüfen, um zu sehen, ob sie besser passen.

Wie sieht eine “gute” Forecast Accuracy aus?

Die schiere Menge an Modellen für die Vorhersagegenauigkeit wirft Fragen auf wie: “Welches Maß für die Vorhersagegenauigkeit sollte ich verwenden?” und “Was sollte mein Ziel für die Vorhersagegenauigkeit sein?”

Leider sind beide Fragen nicht leicht zu beantworten.

Nehmen wir an, Sie verwalten die Prognosen für Ihre Produkte und stellen fest, dass die MAE im Durchschnitt 60 % beträgt.

Ist das ein gutes oder ein schlechtes Ergebnis?

Eine Prognosegenauigkeit allein ist nicht viel wert. Die künftige Nachfrage nach einem Produkt ist Um die Qualität einer Prognose zu beurteilen, muss man wissen, wie vorhersehbar die Nachfrage ist. Und das hängt von vielen Faktoren ab.

Die Nachfrage nach Produkten mit großen Stückzahlen lässt sich in der Regel leichter vorhersagen als die von Ladenhütern. Es ist auch einfacher, die Nachfrage nach einem Produkt in einer Gruppe von Geschäften vorherzusagen, als die Nachfrage in jedem einzelnen Geschäft genau zu erfassen.

Außerdem sind langfristige Vorhersagen viel schwieriger als kurzfristige Nachfrageprognosen. Die erreichbare Prognosegenauigkeit hängt auch davon ab, wie viele relevante Daten Sie zur Verfügung haben.

Wenn wichtige Informationen fehlen, werden Ihre Prognosemodelle nicht gut funktionieren. Schließlich können Sie Vorhersagen nur auf der Grundlage dessen treffen, was Sie wissen.

Die beiden obigen Diagramme zeigen eine einfache Prognose und die tatsächlichen Verkäufe von zwei hypothetischen Produkten.

Die Nachfrage nach dem ersten Produkt weist ein ausgeprägtes monatliches Muster auf, so dass eine konstante Prognose eindeutig suboptimal ist.

Für das zweite Produkt wurden die gleichen Daten verwendet, aber die Nachfrage wurde im Laufe der Zeit umgeschichtet. Das bedeutet, dass es kein monatliches Muster mehr in den Daten gibt.

Ohne zusätzliche Informationen ist eine konstante Prognose das Beste, was wir tun können.

Alle zuvor besprochenen Maßnahmen zeigen, dass die Leistung dieser konstanten Prognose für diese beiden Produkte genau gleich ist. Das ist natürlich irreführend.

Wenn Sie ein Modell verwenden, das wöchentliche und monatliche Muster erkennen kann, erhalten Sie eine viel bessere Prognose für das erste Produkt, wie das nachstehende Diagramm zeigt.

Schaubild 3: Gute Vorhersage der vorhersehbaren Nachfrage

Die obigen Diagramme zeigen einen der größten Nachteile bei dem Versuch, die Vorhersagegenauigkeit zu messen, nämlich dass man nur dann von einer guten Genauigkeit sprechen kann, wenn sie in den richtigen Kontext gestellt wird.

Es ist viel besser, die Vorhersageleistung eines Modells mit anderen Modellen zu vergleichen, als sich auf die Werte der Scores zu konzentrieren.

Hier kommen die Basismodelle ins Spiel.

Ein Basismodell liefert eine Prognose, die auf einer einfachen Logik beruht. Es kann eine konstante Prognose auf der Grundlage Ihrer durchschnittlichen historischen Nachfrage berechnen.

So erhalten Sie eine Untergrenze für Ihre Leistung, mit der Sie Ihre Prognosen vergleichen können, sowie eine Vorstellung davon, wie vorhersehbar die Nachfrage ist.

Vergleicht man die Vorhersagegenauigkeit unserer Prognosemodelle mit der von Basismodellen, so erkennt man, wie viel besser wir abschneiden.

Welches Modell der Prognosegenauigkeit sollten Sie verwenden?

Wie bereits erwähnt, gibt es bei jedem Modell, das Sie für die Prognosegenauigkeit verwenden können, Fallstricke und positive Aspekte. Hier ist also ein kurzer Überblick über sie.

Tabelle 1: Vor- und Nachteile der Maßnahmen zur Prognosegenauigkeit.

Es ist wichtig zu wissen, dass jedes Modell der Prognosegenauigkeit etwas anderes misst. Daher wird die beste Vorhersage je nach dem von Ihnen gewählten Modell unterschiedlich ausfallen.

Das nachstehende Schaubild veranschaulicht dies in aller Kürze. Selbst bei einer konstanten Vorhersage stimmen die verschiedenen Maßstäbe für die Prognosegenauigkeit nicht überein, was die optimale Prognose ist.

Welche Prognosemaßnahme ist also die beste für Sie? Nun, das hängt davon ab, woran Sie interessiert sind.

Schaubild 4: Für verschiedene Maßstäbe der Vorhersagegenauigkeit sind verschiedene Vorhersagen optimal

Wofür sollte ich die Forecast Accuracy nutzen?

Sie sollten es vermeiden, nur ein Modell für die Prognosegenauigkeit zu betrachten.

Auf diese Weise ist es wahrscheinlicher, dass Sie einige der Fallstricke bei der Vorhersagegenauigkeit für verschiedene Produkte und Produktgruppen vermeiden. Die Vorhersagegenauigkeit ist, wenn sie effektiv genutzt wird, unglaublich wertvoll für Ihr Unternehmen.

1) Sie können Ihre Geschäftsprozesse verbessern.

Wenn sie richtig durchgeführt wird, kann die Bewertung der Prognosequalität sehr nützlich für die Verbesserung Ihrer Geschäftsprozesse sein.

Um Verbesserungsmöglichkeiten zu finden, müssen Sie die Auswirkungen der Prognosen auf Ihr Inventar und Ihr Unternehmen als Ganzes untersuchen.

Genau hier liegt der Schlüssel zu Business Intelligence (BI).

Zunächst sollten Sie sich alle verfügbaren Daten ansehen. Mithilfe von BI können Ihre Daten analysiert und mit Hilfe von Datenvisualisierungstools in umsetzbare Erkenntnisse umgewandelt werden.

Sie können dann eine Reihe von Leistungsindikatoren gleichzeitig bewerten und auf ganz bestimmte Produktgruppen eingehen.

Darüber hinaus kann BI dort, wo Ihre Prognosen weniger relevant sind, andere Bereiche zur Verbesserung Ihrer Geschäftsprozesse aufzeigen.

Bei Produkten mit kurzen Vorlaufzeiten und großen Losgrößen ist es nicht so wichtig, wie genau eine Prognose ist. Sie bestellen nach, wenn der Bestand niedrig ist, und warten einfach, wie lange es dauert, diese Artikel zu verkaufen.

Das Ziel von BI ist es, aus Daten verwertbare Erkenntnisse zu gewinnen, damit Sie diese für datengestützte Entscheidungen nutzen können.

Die Berichterstattung über die Prognosegenauigkeit auf Positionsebene liefert möglicherweise keine verwertbaren Erkenntnisse. Gute Prognoseausnahmen liefern jedoch verwertbare Erkenntnisse auf Artikelebene und sind Auslöser für eine unmittelbare Bewertung der Prognose für bestimmte Artikel.

Es gibt noch einen weiteren Grund, warum die Überwachung der Prognosegenauigkeit so wichtig ist.

2) Sie können die Unsicherheit messen.

Eine hochwertige Prognose ist in der Lage, Muster in Ihren Nachfragedaten vorherzusagen. Aber eine Prognose ist nie perfekt. Es wird immer Ungewissheit über Ihre zukünftige Nachfrage bestehen.

Für eine gute Planung der Lieferkette ist es wichtig zu wissen, wie unsicher die Nachfrageprognosen sind. Dann können Sie Unwägbarkeiten berücksichtigen und das Risiko von Fehlbeständen einkalkulieren.

Wenn Sie Ihren Kunden ein bestimmtes Serviceniveau garantieren wollen – und wer will das nicht? – müssen Sie einen Sicherheitsbestand halten, um Unwägbarkeiten auszugleichen.

Je ungenauer die Vorhersage ist, desto mehr Sicherheitsbestände benötigen Sie.

Betrachten Sie die Differenzen zwischen prognostizierter und tatsächlicher Nachfrage, d.h. den Prognosefehler, für die beiden nachstehenden hypothetischen Produkte.

Wenn wir davon ausgehen, dass wir in der Lage waren, gute Prognosemodelle für diese Produkte zu formulieren, d.h. sie erfassen den vorhersehbaren Teil der Nachfrage, gibt uns die Prognosegenauigkeit Aufschluss über die erwarteten Unterschiede zwischen der Nachfrageprognose und der tatsächlichen Nachfrage.

Schaubild 5: Für verschiedene Maßstäbe der Vorhersagegenauigkeit sind verschiedene Vorhersagen optimal

Gruppe 6: Fehlerverteilung für ein Produkt mit geringer erwarteter Unsicherheit bei der Deckungszeit

Die obige Abbildung zeigt die Fehlerverteilungen für diese beiden Prognosen.

Das Produkt mit höherer erwarteter Unsicherheit erfordert einen höheren Sicherheitsbestand, um z. B. 99 % des Bedarfs zu decken.

Die Grafik zeigt auch eine symmetrische Fehlerverteilung.

Dies mag bei guten Prognosen für Produkte mit hoher Nachfrage der Fall sein. Aber bei Produkten mit geringer oder unregelmäßiger Nachfrage ist die Fehlerverteilung nicht symmetrisch, weil die Nachfrage nicht negativ sein kann.

Um einen angemessenen Sicherheitsbestand zu bestimmen, müssen Sie die Form der Fehlerverteilung berücksichtigen.

Durch die Überwachung der Verteilung von Prognosefehlern können Sie sich ein gutes Bild davon machen, welche Arten von Fehlern in Zukunft zu erwarten sind, und Ihren Lieferkettenprozess entsprechend anpassen.

Schaubild 7: Symmetrischer Prognosefehler für ein schnelldrehendes Produkt

Schaubild 8: Asymmetrischer Prognosefehler für ein Produkt mit geringer oder unregelmäßiger Nachfrage

Abschließende Überlegungen zur Prognosegenauigkeit

Für die Planung der Lieferkette ist es unerlässlich, eine gute Vorstellung von der künftigen Nachfrage und ihrer Volatilität zu haben.

Daher ist es nur natürlich, die Prognosegenauigkeit zu überwachen.

Bei der Prüfung Ihrer eigenen Prognosegenauigkeit sollten Sie die folgenden Punkte beachten:

1. Bei der Prüfung Ihrer eigenen Prognosegenauigkeit sollten Sie die folgenden Punkte beachten:
2. Es ist nicht möglich, allgemeine Ziele für die Vorhersagegenauigkeit festzulegen, da man im Voraus nicht weiß, wie vorhersehbar die Nachfrage ist (mit den verfügbaren Daten).
3. Stattdessen müssen Sie die Leistung von Prognosemodellen mit der Leistung anderer (Basis-)Modelle vergleichen.
4. Ebenso gibt es kein Modell mit der “besten” Prognosegenauigkeit.
5. Um eine gute Bewertung der Prognoseleistung zu erhalten, müssen Sie eine Auswahl von Kennzahlen betrachten, die sich auf Ihr Ziel beziehen.
6. Bei der Bewertung der Prognoseleistung müssen Sie sicherstellen, dass Sie alle relevanten Informationen berücksichtigen.
7. Sie sollten sich auch auf andere Bereiche des Lieferkettenprozesses konzentrieren, insbesondere wenn diese die Leistungsengpässe darstellen.
8. Gute Prognosen können Nachfragemuster vorhersagen, aber sie werden immer mit einer gewissen Unsicherheit behaftet sein. Denn es ist ja die Zukunft, und die ist noch nicht eingetreten.
9. Die Vorhersagegenauigkeit ist eine Möglichkeit, diese Unsicherheit zu messen, wenn man sich auf Vorhersagen verlässt.
10. Sie sollten diese Informationen nutzen, um Ihre Wiederbeschaffungsprozesse anzupassen und zu erwartende Prognosefehler auszugleichen.

Blog-Autoren

Was bedeutet forecast accuracy?

Die Vorhersagegenauigkeit ist eine Methode zur Bewertung der Qualität von Prognosen. In der Lieferkettenplanung misst sie, wie genau die prognostizierte Nachfrage mit der tatsächlichen Nachfrage übereinstimmt.

Wie kann ich die Prognosegenauigkeit messen?

Die Vorhersagegenauigkeit kann mit verschiedenen Methoden gemessen werden, darunter Bias oder mittlerer Fehler (ME), mittlerer absoluter Fehler (MAE), mittlerer absoluter prozentualer Fehler (MAPE), mittlerer quadratischer Fehler (RMSE) und andere. Jede Methode hat ihre Vor- und Nachteile.

Was ist die Bedeutung der Prognosegenauigkeit?

Die Genauigkeit von Prognosen ist entscheidend für die Verbesserung von Geschäftsprozessen und der Bestandsverwaltung. Sie hilft dabei, die Auswirkungen von Prognosen auf den Bestand zu bewerten, Verbesserungsmöglichkeiten zu erkennen und datengestützte Entscheidungen zu treffen.

Wie sollte eine “gute” Prognosegenauigkeit aussehen?

Die Definition einer “guten” Prognosegenauigkeit hängt von Faktoren wie Produktnachfragemuster, Vorlaufzeiten und Datenverfügbarkeit ab. Es ist wichtig, die Prognosegenauigkeit mit Basismodellen zu vergleichen und den Kontext zu berücksichtigen.

Warum die Forecast Accuracy überwachen?

Die Überwachung der Prognosegenauigkeit hilft dabei, die Unsicherheit der Nachfrage zu verstehen, Sicherheitsbestände zu bestimmen und ein bestimmtes Serviceniveau für die Kunden zu gewährleisten. Sie ermöglicht es Unternehmen, ihre Lieferkettenprozesse anzupassen, um Prognosefehler zu berücksichtigen.