需要予測誤差

Objective

After completing this lesson, you will be able to 予測誤差の基礎を理解します。

予測と実績売上の比較

この図は、予測と実績売上の比較を示しています。

需要予測誤差とは

予測誤差は、予測と実績売上の差異です。

需要予測誤差変動とは

変動性とは、当時の変動性の品質です。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。

需要変動とは

これは、時間の経過に伴う需要変動の指標です。

需要の変動および予測誤差の変動は、計算の出力です。最適方式の分析時に、履歴販売に最適なものを見つけると、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結び付けられます。

スライドには、計算の結果が 2 つ示されています。

この例の需要変動が 1.05 である場合、需要の履歴データに基づいて、ソフトプラス傾向が 1 よりも高いことがわかります。一方、予測誤差は、時間経過に伴う欠損値の 32% を表します。

需要の不確実性、予測精度、バイアスを正確に定量化

この図は、需要不確実性の正確な定量化、需要予測精度、およびバイアスを示しています。

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、頻繁、間欠的、または季節的です。

需要予測誤差計算を実行する前に、時系列を分析して、欠落値の追加、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。

需要予測誤差計算フローチャート

この図は、需要予測誤差計算フローチャートを示しています。

需要予測誤差計算は、間欠性を特定するために需要シグナルをチェックする必要がありますか。という質問から始まります。

  • いいえの場合、フィルタリングと異常値検出を適用できる頻繁な需要を処理していることを意味します。次に、バイアスを見積もり、最後に変動係数を計算します。
  • その場合、季節需要を処理しているか、完全に間欠需要であるかを確認する必要があります。季節需要を処理している場合は、需要予測タイミングが適切であるかどうかをチェックする必要があります。最後に、需要が間欠的であることを証明すると、K 期間の販売と予測が計算され、需要シグナルがクラスタ化されます。

フィルタリング

この図は、フィルタリングを示しています。

フィルタリングとは

欠損値がある場合、アルゴリズムではデータのない期間が認識され、販売と予測を含む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結果として、需要予測誤差 CV が 0.90 から 0.42 に変更される可能性があります。

計算設定

  • Null 値をゼロで置換: このチェックボックスを選択すると、Null 値がゼロに置き換えられます。アルゴリズムでは、Null 値を使用して計算できないため、需要予測または販売のいずれかに対して Null 値を持つ期間は無視されます。
  • 最初の販売期間からの開始履歴: このチェックボックスを選択すると、受注履歴のデータが存在する最初の期間が取得され、この期間が需要予測誤差の計算の最初の期間として使用されます。

異常値検出

バイアス見積および修正

この図は、バイアス見積および修正を示しています。

どのようにバイアスを見積もることができますか。また、それを修正するにはどうすればよいでしょうか。

プラスのバイアスは、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をもたらします。

また、マイナスのバイアスは、需要予測が遅延する傾向を反映し、サービスレベルミスによって必要在庫を下回ります。

この例では、需要予測誤差 CV 内で強い変化が見られ、バイアス補正は 1.2 から 0.74 になります。

計算設定

  • 需要予測のバイアス調整: 需要予測誤差の計算で履歴需要予測にバイアス調整が適用されるかどうかを決定します。
  • バイアス調整方法: 予測バイアス調整のタイプ (プラスバイアスの調整、マイナスバイアスの調整、プラスおよびマイナスバイアスの調整) を決定します。
  • バイアス信頼区間: バイアスの推定に必要な信頼度を決定します。
  • 最大プラスバイアス値: バイアスの上限を指定します。
  • 最小マイナスバイアス値: バイアスの下限を指定します。

間欠需要

この図は、間欠需要を示しています。

間欠需要があるのはどのような場合ですか。

在庫ポイントは、以下の場合に間欠として分類されます。

  • プラスの販売履歴なし
  • 平均需要周期 (ADI) が間欠需要周期 (IDI) を超えています
  • 季節として分類されていません
  • 予測タイミングの精度が十分ではありません。

この例では、予測と販売の両方は以下のとおりです。

  • 10 週間後のプラス
  • 過去 10 週間でのプラスの売上
  • 過去のプラス予測 (52 週間)
  • 予測タイミング精度が 0.5 から 10 のユーザ入力を最大値 10 から 52 で割って比較すると、0.1923 となり、0.5 未満になります。そのため、需要予測タイミングの精度では不十分です。つまり、間欠需要に対処しています。
この図は、間欠需要を示しています。

売上合計と予測の計算方法を教えてください。

平均販売間隔 (ADI) は、集計する販売と予測を週数を決定するために使用されます。スライドでは、この例は 5 の ADI を示しているため、売上と予測は 5 つの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。

予測変動係数 (CV)

この図は、予測変動係数を示しています。

予測変動係数の計算方法を教えてください。

  • 1) 平均絶対誤差率 (MAPE) に係数を掛けた値
  • 2) 2 つの値 (平均予測と平均売上) の間の最大による平均絶対偏差 (MAD) の除算 (係数で乗算)

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。この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 は予測を表し、S は時間の経過とともに変化する売上を表します (i)。

変動係数 (CV) を使用する必要があるのはなぜですか。

定期計画では、将来の需要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、時間段階予測誤差の標準偏差を計算するための定数スケール係数です。

計算設定

  • デフォルト CV 値: 提供されたデータで CV を計算できない場合のデフォルトの変動係数 (CV) を定義します。
  • 最大 CV 値: CV の最大 CV を定義します。
  • 誤差率の基準: 誤差率の計算基準として予測と実績のどちらを使用するかを決定します。
  • 1 期間のデフォルト誤差率: 履歴需要予測と販売の両方がゼロである期間のデフォルト誤差率を指定します。
  • 1 期間の最大誤差率: 需要予測誤差がゼロより厳密に大きく、誤差率の基準値がゼロである期間の最大誤差率を指定します。
  • CV 計算方法: aMAD または MAPE ベースの計算を選択します。

在庫: 適切な粒度での需要予測誤差計算

この図は、在庫の適切な粒度での予測誤差の計算を示しています。

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 % の観点から SKU と製品ファミリー (穀物) を比較して、差異を特定して類似させることもできます。