Error de previsión

El error de previsión es la diferencia entre la previsión y las ventas reales.

La variabilidad es la calidad de ser variable en el tiempo. En este contexto, la variabilidad del error de previsión es la medida de las fluctuaciones del error de previsión a lo largo del tiempo.

Esta es la medida de las fluctuaciones de la demanda a lo largo del tiempo.

La variabilidad de la demanda y la variabilidad del error de previsión son salidas del cálculo. Cuando se analiza el método de mejor ajuste, encontrar un mejor ajuste para las ventas históricas puede ignorar la salida de previsiones variables en el tiempo. Esta búsqueda tiene en cuenta el error de previsión en lugar de solo la variabilidad de la demanda. Este método conecta la planificación con la ejecución mediante un cálculo realista y sofisticado.

En la diapositiva, podemos ver dos resultados del cálculo:

Cuando la variabilidad de la demanda en este ejemplo es 1,05, en función de los datos históricos de la demanda, vemos una tendencia positiva blanda superior a uno. Por otro lado, vemos que el Error de previsión representa el 32% de los valores perdidos a lo largo del tiempo.

En caso de que falten valores, el algoritmo reconoce períodos sin datos y puede recalcular el CV de error de previsión basado únicamente en períodos con ventas y previsiones, por lo tanto, como resultado se explica en la diapositiva, el CV de error de previsión puede cambiar de 0,90 a 0,42.

• Sustituir valores nulos por cero: si marca esta casilla de selección, el sistema sustituirá los valores nulos por ceros. Los algoritmos ignoran los períodos que tienen valores nulos para previsión o ventas porque no puede calcular utilizando valores nulos.
• Iniciar historial desde el primer período de ventas: si marca esta casilla de selección, el sistema toma el primer período en el que existen datos para el historial de ventas y utiliza este período como primer período en el cálculo de errores de previsión.

Un sesgo positivo refleja una tendencia a inflar las previsiones, lo que da como resultado una sobreestimación del CV del error de previsión y el exceso de inventario.

Además, un sesgo negativo refleja una tendencia a desinflar las previsiones, lo que da como resultado que el nivel de servicio no tenga que mantener un inventario inferior al requerido.

En el ejemplo, vemos un fuerte cambio dentro del CV de error de previsión, con una corrección de sesgo de 1,2 a 0,74.

• Ajustar distorsión de previsión: determina si el sistema aplica el ajuste de distorsión a las previsiones históricas en el cálculo del error de previsión.
• Método de ajuste de distorsión: determina los tipos de ajuste de distorsión de previsión (ajustar distorsión positiva, ajustar distorsión negativa, ajustar distorsión positiva y negativa).
• Intervalo de confianza de sesgo: determina el nivel de confianza necesario para estimar el sesgo.
• Valor de distorsión positivo máximo: especifica el límite superior para la distorsión.
• Valor de distorsión negativo mínimo: especifica el límite inferior para la distorsión.

Punto de abastecimiento clasificado como intermitente si:

• Sin historial de ventas positivo
• El intervalo medio de demanda (ADI) supera el intervalo de demanda esporádico (IDI)
• No clasificado como estacional
• No tiene suficiente precisión de tiempo de previsión

En el ejemplo, tanto la previsión como las ventas son:

• Positivo en 10 semanas
• Ventas positivas pasadas en 10 semanas
• Previsión positiva pasada en 52 semanas
• Si comparamos la entrada del usuario para la precisión de tiempo de previsión de 0,5 a 10, dividida por el valor máximo entre 10 y 52, llegamos a 0,1923, que es inferior a 0,5. Por lo tanto, la precisión temporal de la previsión no es suficiente, es decir, estamos tratando con una demanda intermitente.

El intervalo de ventas promedio (ADI) se utiliza para determinar cuántas semanas de ventas y previsiones agregar. En la diapositiva, el ejemplo muestra un ADI de 5, por lo que las ventas y las previsiones se suman en 5 períodos. El algoritmo de cálculo de CV se utiliza en previsiones y ventas de 5 períodos, incluido el filtrado, la detección de valores extremos y la detección de distorsión.

• 1) Error porcentual absoluto medio (MAPE) multiplicado por un factor
• 2) La división de la desviación media absoluta (DMA) por un máximo entre dos valores (previsión media y ventas medias), multiplicado por un factor

El CV se puede calcular mediante dos opciones:

MAPE puede ser útil para determinar la precisión de la previsión. En función de las circunstancias, se puede calcular un MAPE ponderado, teniendo en cuenta la previsión o las ventas como factor de referencia. Las ecuaciones utilizadas por el algoritmo se presentan en la diapositiva, donde F representa la previsión y S representa las ventas, ambas cambiando con el tiempo (i).

En la planificación de necesidades periódica, necesitamos escalar la variabilidad histórica en relación con la previsión futura. CV es un factor de escalado constante para calcular la desviación estándar del error de previsión periódica.

• Valor CV predeterminado: define el coeficiente de variación (CV) predeterminado cuando no se puede calcular el CV con los datos proporcionados.
• Valor CV máximo: define el CV máximo para CV.
• Base del error porcentual: determina si se utiliza la previsión o el real como base para calcular el error porcentual.
• Error porcentual predeterminado para un período: especifica el error porcentual predeterminado para un período, donde tanto la previsión histórica como las ventas son cero.
• Error porcentual máximo para un período: especifica el error porcentual máximo para un período en el que el error de previsión es estrictamente mayor que cero y el valor base del error porcentual es cero.
• Método de cálculo de CV: Seleccione un cálculo basado en aMAD o MAPE.