Objective
予測誤差は、予測と実際の売上の差異です。
変動とは、時間内で変動する品質です。このコンテキストでは、需要予測誤差変動は時間の経過に伴う需要予測誤差変動の指標です。
これは、時間の経過に伴う需要変動の指標です。
需要変動および需要予測誤差変動が計算の出力です。最適な方法を分析する際に、履歴販売に最適なものが見つかると、既存の時間変動予測を無視することができます。この検索では、需要変動だけでなく、需要予測誤差が考慮されます。この方法では、現実的で高度な計算によって計画と実行が関連付けられます。
スライドには、計算の結果が 2 つあります。
この例の需要変動が 1.05 の場合、需要の履歴データに基づいて、ソフトプラス傾向が 1 よりも高くなります。一方、予測誤差は時間経過に伴う欠損値の 32% を表していることがわかります。
需要予測誤差の計算時には、需要シグナルの時間外勤務の動作を理解するために需要特性化が必要です。これらの需要シグナルは、頻発、間欠的、または季節的である可能性があります。
需要予測誤差計算を実行する前に、時系列を分析して、不足している値の追加、異常値の特定、または需要予測内の歪みの特定を行うことができます。
需要予測誤差計算は、需要シグナルをチェックして間欠性を確認する必要がありますか。という質問から始まります。
欠落している値がある場合、アルゴリズムではデータのない期間が認識され、販売および予測がある期間のみに基づいて需要予測誤差 CV を再計算することができます。そのため、スライドで説明したように、需要予測誤差 CV は 0.90 から 0.42 に変更される可能性があります。
正のバイアスは、予測を膨らませる傾向を反映し、予測誤差 CV および過剰在庫の過大評価につながります。
また、負のバイアスは、予測をデフレートする傾向を反映し、必要な在庫よりも少ない在庫を保持することによるサービスレベルのミスにつながります。
この例では、需要予測誤差 CV が大幅に変更され、バイアス修正が 1.2 から 0.74 になっています。
以下の場合に間欠として分類される在庫ポイント:
この例では、予測と販売の両方が次のようになっています。
平均販売間隔 (ADI) は、集計する販売および予測の週数を決定するために使用されます。スライドでは、この例では ADI が 5 であるため、販売と予測は 5 期間にわたって合計されます。CV 計算アルゴリズムは、フィルタリング、異常値検出、バイアス検出など、5 期間の販売および予測で使用されます。
CV は、以下の 2 つのオプションによって計算することができます。
MAPE は、需要予測精度の決定に役立ちます。状況に応じて、予測または売上を参照係数として考慮して、加重 MAPE を計算することができます。アルゴリズムで使用される方程式はスライドに示されています。ここで、F は予測、S は経時変化 (i) による売上を表します。
定期計画では、将来の予測と比較して履歴変動をスケーリングする必要があります。CV は、時間フェーズ需要予測誤差標準偏差を計算するための定数スケール係数です。
スライドには、製品ファミリー内のさまざまな在庫単位 (SKU) が示されています。SKU ごとに、予測と販売が具体的に一覧表示されます。また、エラーおよびエラー % に関して SKU を製品ファミリー、シリアルと比較することで、差異や類似点を特定することもできます。