Yandex.Метрика

Точность прогнозирования

Любому человеку, который занимается прогнозированием продаж, важно и необходимо оценивать корректность своих прогнозов. Для этого существует такой показатель, как «Точность прогнозирования». В данной статье именно о нем я и расскажу.

Хочу обратить внимание на то, что в некоторых компаниях данный показатель называют «Аккуратность прогнозирования». Не могу сказать, что это неправильно, но в данной статье будет фигурировать именно «Точность прогнозирования». Ведь мы оцениваем насколько точно наш прогноз совпадает с фактическими значениями, а не аккуратность, с которой мы его высчитывали.

Точность прогнозирования — это показатель, который характеризует качество прогноза. Он отражает насколько сформированный прогноз совпадает с истинными фактическими значениями.

«Точность прогнозирования»: формула, разновидности «ошибок прогноза».

Итак, чтобы рассчитать точность прогнозирования, необходимо сначала рассчитать ошибку прогнозирования в процентах, а затем, вычесть ее из 100%:

Точность прогнозирования: формула

В качестве основной ошибки для расчета точности прогнозирования мы будем использовать Взвешенную Абсолютную Процентную Ошибку (WAPE — Weighted Absolute Percent Error), которая рассчитывается по формуле:

Точность прогнозирования: формула ошибки

То есть: сумма всех отклонений прогноза от факта по модулю, деленное на сумму всех фактов и умноженное на 100%.

Важно! Если ошибка прогнозирования больше 100%, то точность прогнозирования всегда будет равна 0%.

Вообще, помимо WAPE (которую также называют MAD-Mean Ratio), существует множество ошибок, которые мы можем использовать в качестве основной ошибки для расчета точности прогнозирования. Например:

  1. Средняя Абсолютная Процентная Ошибка (MAPE — Mean Absolute Percent Error)
  2. Средняя Процентная Ошибка (MPE — Mean Percent Error)
  3. Медиана Абсолютной Процентной Ошибки (MdAPE — Median Absolute Percent Error)
  4. Средняя Абсолютная Масштабированная Ошибка (MASE — Mean Absolute Scaled Error)

И так далее (более подробно смотрите здесь). Однако при расчете точности прогнозирования, WAPE — наиболее оптимальный вариант ошибки, так как он наименее чувствителен к выбросам и искажениям, а также интуитивно-понятен и прост в расчете. В общем, WAPE — наш выбор!

Итоговая формула примет вид:

Точность прогнозирования: итоговая формулаПро другие ошибки здесь я писать не буду, потому что и использовать мы их не будем, но если у Вас есть желание ознакомиться с ними, рекомендую к прочтению статьи «A survey of forecast error measures» и «Another look at measures of forecast accuracy», а также книгу «Forecasting: Principles and Practice». К сожалению, русскоязычной информации на просторах всемирной сети на эту тематику не очень много, поэтому для изучения материала необходимы минимальные знания английского языка.

Примеры расчета точности прогнозирования:

Итак, формула расчета точности у нас есть, теперь мы перейдем непосредственно к примеру расчета:

Точность прогнозирования: пример 1

Все просто. У нас есть исходные данные: SKU, факт продаж и прогноз продаж. Для каждого SKU мы находим отклонения по модулю (|факт-прогноз|), а затем суммируем их, получаем 126. Затем суммируем все фактические показатели, получаем 468. Находим ошибку прогнозирования: делим сумму отклонений на сумму фактических показателей — 126/468 = 0,269, то есть 27%. И вычитаем значение ошибки прогнозирования из 100% и получаем точность 73%. Средний результат.

Также, бывают ситуации, когда необходимо рассчитать не общую точность по всем номенклатурам, а отдельно по каждому клиенту (или номенклатурной группе, или по каналам продаж и т.д.). На таблице ниже изображен изображен именно такой пример:

Точность прогнозирования: пример 2

Суть расчетов не меняется, только теперь находим сумму отклонений и сумму фактов для каждого из клиентов по отдельности. Для первого клиента ошибка прогнозирования равна 126/468 = 27%, соответственно точность равна 73% (то же самое, что и в первом примере), а для второго клиента ошибка прогнозирования равна 206/662 = 31%, и точность равна 69%.

В общем-то и все. Мы нашли точность прогнозирования отдельно для списка SKU и отдельно по каждому клиенту. Важно(!) помнить некоторые правила:

  1. Если ошибка прогнозирования (WAPE) больше 100% — точность прогнозирования всегда 0%. Математически можно записать это так: Точность = Maximum of (1 — Ошибка, 0)
  2. Если сумма фактов равна нулю (ошибка подразумевает деление на сумму фактов, а на ноль делить нельзя), то рассматриваем два случая:
    • если прогноз тоже = 0, то точность всегда равна 100%
    • если прогноз ≠ 0, то точность всегда равна 0%
  3. Перед нахождением точности необходимо проконсолидировать данные, то есть просуммировать объемы по одинаковым позициям (для более подробной детализации — просуммировать объемы по одинаковым позициям для каждого элемента детализации).

Файл с примерами из статьи можно скачать здесь.

18 комментариев

  1. Игорь 18.03.2019
  2. Денисов Сергей 22.03.2019
    • HeinzBr 22.03.2019
  3. Валентина 16.08.2019
  4. Михаил 09.10.2019
  5. Евгений 02.03.2020
    • HeinzBr 02.03.2020
      • Евгений 03.03.2020
        • HeinzBr 03.03.2020
          • Евгений 04.03.2020
  6. Виктор 19.03.2020
    • HeinzBr 19.03.2020
      • Виктор 20.03.2020
        • HeinzBr 20.03.2020
        • HeinzBr 20.03.2020
          • Виктор 20.03.2020

Оставить комментарий