需求预测准确率(Forecast Accuracy)中分母是实际值好还是预测值好?原创
金蝶云社区-郭奇
郭奇
7人赞赏了该文章 4,060次浏览 未经作者许可,禁止转载编辑于2021年07月23日 20:06:23
summary-icon摘要由AI智能服务提供

本文探讨了需求预测准确率(Forecast Accuracy)的计算方法,特别是MAPE(平均绝对百分比误差)公式中分母是实际值还是预测值的问题。作者经历了三个阶段的认识变化:最初认为分母是实际值,后改为预测值,最后认为应视市场环境和产品生命周期而定。作者强调,选择合适的公式重要,但理解供应链战略、建立好流程、选择合适的预测层级对象等更为重要。同时,反思了自身心态变化,认为不断反思和调整有助于打破偏见和成见。

今天有一点特别,来分享一个非常细节的问题,需求预测准确率(Forecast Accuracy)到底应该怎么计算/统计更好?并且我们讨论的问题聚焦在需求预测准确率(Forecast Accuracy)中分母是实际值还是预测值这个点上。

此问题讨论的前提与假设:企业运营实践中使用MAPE(平均绝对百分比误差,Mean Absolute Percentage Error)为基础计算/统计并评价需求预测准确率(Forecast Accuracy)。

需求预测准确率(Forecast Accuracy)总体上是用来形容蒙的准不准,需求预测准确率(Forecast Accuracy)如果高(蒙的准),最终供应链受到的‘过剩’和‘短缺’的压力和挑战就相对要小。

image.png

资料来源,《DDMRP(Demand Driven Material Requirements Planning)》2016年版

笔者对需求预测准确率(Forecast Accuracy)的认知目前划分为三个阶段,见下。

阶段一,需求预测准确率(Forecast Accuracy)中MAPE分母是实际值。image.png

如果大家去看书或者在网路上检索,需求预测准确率(Forecast Accuracy)常见算法如下,

image.png

其中,F代表预测值,A代表实际值,示例见下。

image.png

需求预测准确率(Forecast Accuracy)使用1-MAPE便于沟通,1-MAPE的最大值是100%(蒙的最准时),就像我们考试答卷子,满分是100分,让利益相关者(Stakeholders)易于理解和推行。

最开始笔者为什么认为需求预测准确率(Forecast Accuracy)中MAPE分母是实际值?笔者最一开始的理解基本上算是囫囵吞枣,人云亦云,因为所有的书上都这么写。另,有些供应链大牛也曾解释说因为我们预测的对象是实际值,而不是预测值,笔者认为也有道理。Anyway,先抄过来再说。

阶段二,需求预测准确率(Forecast Accuracy)中MAPE分母是预测值。

image.png

相应的需求预测准确率(Forecast Accuracy)公式变成这样,

image.png


其中,F代表预测值,A代表实际值。

笔者认为,既然预测值和实际值都已经已知(已经发生),那么分母是实际值还是预测值只是一个参照系的问题,无可厚非。笔者打一个比方解释一下,想象一下我们去打靶(或者掷飞镖),我们总是先吹牛说我能打多少多少环然后再开枪,最后我们再评价一下我们蒙的准不准。如下图,我们将上面示例中的数据(预测值、实际值)均缩小100倍,这样能更形象的用打靶来说明需求预测准确率(Forecast Accuracy),见下。

image.png

需求预测准确率(Forecast Accuracy)中MAPE分母是预测值说明是以预测值作为参照系,从假设和计划出发,像打靶一样,我们把预测值作为靶心,最好指哪打哪,然后我们再画个圈圈来控制偏差,圈圈之外的我们就要先去多折腾折腾,笔者认为这样更倾向于从供应端视角出发。

如果需求预测准确率(Forecast Accuracy)中MAPE分母是实际值说明是以实际值作为参照系,从结果和实际出发,就好像我们先开枪,子弹打到哪我们就以哪里为靶心,然后再画一个 圈圈来控制偏差,有点“先开枪,后瞄准”的意思,笔者认为这样更倾向于从需求端视角出发。

笔者为什么产生了变化,认为需求预测准确率(Forecast Accuracy)中MAPE分母是预测值呢?因为笔者当时认为这样对库存控制更有利。

在这唠叨一嘴,需求预测准确率(Forecast Accuracy)是相对指标。什么意思呢?见下图,大家会发现换了个算法需求预测准确率(Forecast Accuracy)就从45.1%提高到68.46%,然而这并没有什么卵用。

image.png

阶段三,需求预测准确率(Forecast Accuracy)中MAPE分母是啥不确定。

image.png

笔者为什么又产生了这样的变化?见下图,以第9周数据为例,如果需求端明明知道需求量只有100却故意抬高预测、抢夺资源,那么-200%看上去是不是比25%要难看?(虽然需求预测准确率(Forecast Accuracy)是相对指标,25%同样是绿色行中最差的一个,但并不是所有的利益相关者(Stakeholders)都懂。就像是考试考了100分,看上去不错,但并不是所有人从一开始就知道和理解卷子满分是150分)看上去难看是不是也同样是隐性的一种约束,让需求端不太敢冒进,从而帮助供应端更好地洞察需求端心中的(背后的)数字?

image.png

那怎么做选择呢?难道是换一个统计/计算公式,比如MSE?笔者目前认为,不必要,1-MAPE这个指标让便于理解和沟通,笔者认为让别人懂比其他事情的要重要。笔者目前认为,这个公式选择与市场环境以及产品生命周期相关,市场越繁荣且产品成熟度越高时,需求预测准确率(Forecast Accuracy)在计算/统计时选择MAPE分母是预测值就相对来说越合适。反之,则相反。

可不可以进行分层分类处理呢(Segmentation),比如不同的产品家族/渠道选用不同的公式来统计/计算?笔者目前认为,尽量不必要,手表定律说的是拥有两块以上的手表并不能帮人们更准确的判断时间,反而有可能会制造混乱,千万别把利益相关者(Stakeholders)都弄糊涂了。除非,Segmentation能够轻易做到并让人理解。

image.png

资料来源,《DDMRP(Demand Driven Material Requirements Planning)》2016年版

最后的话。image.png

首先,想感谢张蕾老师(微信公众号,收音机小姐,书籍《需求计划师》作者,墙裂推荐大家去关注),笔者是看张蕾老师在B站上的视频“销售预测计划准确率如何考核”后产生的对这个问题的再思考,并且也在微信上做了请教。

其次,想和大家说的是,大家可以不用去纠结这个问题,需求预测准确率(Forecast Accuracy)是过程而不是结果(OTD、ITO、E&O)。其实理解供应链战略,梳理DP/S&OP流程建立好游戏规则,选择合适的预测层级对象(产品家族、品牌、渠道等),做好数据收集和分析并记录假设等等都比选择一个公式要重要得多,如果职能和职能间能达成基本的互信和协同这个问题本身其实就不存在了。

最后,不得不说的是,其实笔者自身在阶段二(需求预测准确率(Forecast Accuracy)中MAPE分母是预测值)那个认知阶段心态是不好的,天天想着你看“尽信书,不如无书“吧,总觉得自己是对的。其实很多时候我们觉得今是昨非,过了一段时间又觉得今非昨是,笔者觉得这样折腾折腾挺好,它会打破偏见和成见,从而是我们变得更完整、平和、自信。

图标赞 7
7人点赞
还没有人点赞,快来当第一个点赞的人吧!
图标打赏
0人打赏
还没有人打赏,快来当第一个打赏的人吧!