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.
FAQs zur Forecast Accuracy
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.
