Aboshبرنامه‌ریز برای محاسبهٔ ارزش افزودهٔ پیشبینی، عملکرد آن را پیش و پس از یک مرحلهٔ مشخص بازبینی مقایسه میکند. محصول‌ها، تقاضای واقعی، زمان صدور، افق پیشبینی و سنجهٔ خطا باید همسان باشند. در سنجه‌های خطا، خطای مرحلهٔ بعد را از خطای مرجع کم کنید؛ نتیجهٔ مثبت یعنی خطا کمتر شده است. یک روش سادهٔ پیشبینی را هم جداگانه مبنا بگذارید و پیش از تغییر فرایند، نتایج تکرارشونده را بررسی کنید.
اصلاح مفید پیشبینی را از تغییر شرایط مقایسه جدا کنید.
نسخه‌ای را نگه دارید که هنگام تصمیم‌گیری در دسترس بوده است.
ببینید انتخاب سنجهٔ خطا چگونه نتیجه‌گیری را تغییر میدهد.
پیش از امتیازدهی، مرحله را مشخص کنید
برنامه‌ریز، پیشبینی آماری را پیش از تغییر توسط تحلیلگر ذخیره میکند. تحلیلگر سپس نسخهٔ اصلاح‌شده و دلیل تغییر را ثبت میکند. وقتی تقاضای واقعی مشخص شد، تیم میتواند هر دو نسخه را روی مشاهدات یکسان مقایسه کند.
راهنمای ارزش افزودهٔ پیشبینی SAS و مؤسسهٔ پیشبینی و برنامهریزی کسب‌وکار، این مقایسه میان مراحل فرایند را توضیح می‌دهند. تیم میتواند اصلاح پیشبینی توسط تحلیلگر، بازبینی توافقی یا مرحلهٔ ثبت‌شدهٔ دیگری را بررسی کند. ورودی‌های مقایسه باید همسان بمانند.
دو مقایسه را جدا نگه دارید. مقایسهٔ مرحله‌ای، هر مرحله را با مرحلهٔ بلافاصله پیش از آن می‌سنجد. مقایسه با مبنا، کل فرایند را با روش ساده‌ای مانند پیشبینی سادهٔ مناسب یا پیشبینی سادهٔ فصلی می‌سنجد. ممکن است بازبینی، یک مدل ضعیف را بهتر کند، اما کل فرایند هنوز از روش مبنا عقب باشد.
علامت و واحد نتیجه را بنویسید
برای سنجهای که خطای کمتر در آن بهتر است، خطای گزینهٔ مورد بررسی را از خطای مرجع کم کنید. اختلاف مثبت، برتری گزینه را در همان سنجه نشان میدهد. مرجع را مشخص کنید؛ عددی با برچسب ارزش افزودهٔ پیشبینی یا FVA، بدون مشخص‌بودن مقایسه، کامل نیست.
وقتی هر دو خطا درصدی باشند، واحد اختلاف آن‌ها واحد درصد است. برنامه‌ریز نباید این اختلاف را درصد کاهش موجودی یا صرفهجویی نقدی گزارش کند. خطای پیشبینی و پیامد سفارشِ حاصل از آن، سوابق جداگانه میخواهند.
سنجه، مشاهدات و افق پیشبینی یکسان باشند. نتیجهٔ مثبت یعنی خطای کمتر و نتیجهٔ منفی یعنی خطای بیشتر. اختلاف دو خطای درصدی بر حسب واحد درصد است.
انتخاب سنجهٔ خطا چگونه مقایسهٔ پیش‌بینی‌ها را تغییر میدهد؟
دو پیشبینی برای سه محصول فرضی را از یادداشت دقت پیشبینی ابوش مقایسه کنید. تقاضای واقعی برای هر دو یکسان است. این مثال زمان‌های تاریخی صدور و توالی اصلاحات را ندارد. بنابراین اثر انتخاب سنجه را نشان میدهد، اما اثر جلسهٔ بازبینی را نمی‌سنجد.
فقط برای این محاسبه، A را مرجع و B را گزینهٔ مورد بررسی بگیرید. مجموع تقاضای واقعی 1110 قطعه است. مجموع قدر مطلق خطا برای A برابر 111 قطعه و برای B برابر 20 قطعه است. هر دو پیشبینی در تمام ردیف‌ها کمتر از تقاضای واقعی‌اند.
| ردیف مثال آموزشیِ قبلی | تقاضای واقعی، قطعه | پیشبینی A | پیشبینی B |
|---|---|---|---|
| قطعهٔ پرتقاضا | 1000 | 900 | 990 |
| قطعه با تقاضای متوسط | 100 | 90 | 95 |
| قطعهٔ کم‌تقاضا | 10 | 9 | 5 |
محاسبهٔ اصلی A و B در یادداشت ابوش
همان مقدارهای سه محصول، فرمول‌های خطا و محدودیت‌های زمانیِ به‌کاررفته در اینجا را بررسی کنید.
یادداشت دقت پیشبینی را بخوانید
به زبان انگلیسی در وبلاگ شخصی ابوش، بنیان‌گذار Vrolen. این یادداشت، منبع مثال آموزشیِ مشخصشده است و شواهد مستقلی از بهبود پیشبینی نیست.
تاریخ‌ها و سوابق گمشده را در مقایسه نگه دارید
خریداری که هشت هفته پیش از تحویل سفارش میدهد، نمی‌تواند پیش‌بینیِ صادرشده دو روز پیش از تحویل را توضیح تصمیم قبلی خود بداند. یادداشت قبلیِ دقت پیشبینی این تفاوت زمانی را توضیح میدهد. زمان صدور، دورهٔ هدف و افق هر مرحله‌ای را که می‌خواهید بسنجید نگه دارید.
سوابق را بر حسب محصول و دورهٔ هدف تطبیق دهید. اگر نسخه‌ای موجود نیست، مجموعهٔ سوابق تطبیق‌نیافته و دلیل آن را گزارش کنید. حذف ردیف‌های دشوار از یک مرحله میتواند امتیاز آن را بهتر نشان دهد، بدون آنکه پیشبینی بهتر شده باشد.
بر تعریف تقاضای واقعی توافق کنید. فروش در دورهٔ اتمام موجودی ممکن است تقاضای تأمین‌نشده را نشان ندهد. مقایسه‌ای را که فقط بر فروش تکیه دارد صریح نام‌گذاری کنید و شواهد کمبود را نگه دارید. برنامه‌ریز باید ردیف‌های تقاضای صفر را هم حفظ کند: MAPE برای ردیفی با تقاضای واقعی صفر تعریف نمی‌شود و WAPE نیز وقتی کل مخرج آن صفر باشد تعریف‌نشده است.
همچنین ببینیدتقاضا و عرضهتحلیل داده در تولید
امتیاز را در کنار تصمیمهای وابسته به آن بخوانید
مقایسهٔ سه محصول، تفاوت انتخاب میان مجموع خطای تعدادی و خطای نسبی هر محصول را نشان میدهد. از این مقایسه نمی‌توان فهمید کدام کمبود، عملیات مشتری را متوقف میکند. خطاهای مهم هر محصول و سوگیری به سمت بیش‌برآورد یا کم‌برآورد را کنار نتیجهٔ تجمیعی نگه دارید.
هایندمن در توضیح WAPE دربارهٔ تغییر مخرج و کاربرد آن برای سری‌های نامانا نیز هشدار میدهد. از کاهش درصد در دوره‌های متفاوت تقاضا، بهبود را نتیجه نگیرید. مراحل را روی همان سوابق تطبیق‌یافته مقایسه کنید و برای ارزیابی بلندمدت روش، مبنا یا سنجهٔ مقیاس‌شدهٔ مناسبی انتخاب کنید.
نتیجهٔ منفی، مرحلهٔ مشخصی را برای بررسی به تیم نشان میدهد. ببینید فروش ترویجی، اصلاح داده، ورودی دیررس یا تغییر شرایط دیگری نتیجه را توضیح میدهد یا نه. افراد را بر پایهٔ یک محصول یا یک دوره رتبه‌بندی نکنید. امتیاز، مقایسهٔ ثبت‌شده را توصیف میکند؛ ثابت نمیکند قضاوت یک فرد علت نتیجه بوده است.
بازبینی را طوری انجام دهید که تیم بتواند آن را تکرار کند
از سابقهٔ مقایسه استفاده کنید و نسخههای اصلی را همراه آن نگه دارید. تاریخ‌ها، دلیل‌ها و هزینه‌های نامعلوم را تا زمان ارائهٔ اطلاعات خالی بگذارید. داده‌های A و B فقط برای بررسی محاسبات‌اند و از فرم خالیِ ارزیابی فرایند جدا هستند.
- تصمیم و افق را مشخص کنید
سفارش یا تصمیم برنامه‌ریزی‌ای را انتخاب کنید که می‌خواهید پیش‌بینیِ مربوط به آن را بسنجید.
- خروجی مراحل را ذخیره کنید
پیش از هر تغییر در پیشبینی، زمان صدور، محصول، دوره، واحد و نسخه را نگه دارید.
- سوابق ارزیابی را تطبیق دهید
مقادیر واقعی یکسان را به کار ببرید و مشاهدات گمشده، حذف‌شده و تحت تأثیر اتمام موجودی را گزارش کنید.
- هر دو مقایسه را محاسبه کنید
هر مرحله را با مرحلهٔ قبل و کل فرایند را با یک روش سادهٔ مناسب مقایسه کنید.
- بررسی کنید و دوباره بسنجید
پیش از حفظ، تغییر یا حذف مرحله، خطاهای مهم و نتایج تکرارشونده را بررسی کنید.
چک‌لیست عملی
- مرحلهٔ پیشبینی و مرجع بلافاصله پیش از آن را مشخص کنید.
- یک روش سادهٔ مناسب را جداگانه مبنا بگذارید.
- زمان صدور و افق پیشبینی را حفظ کنید.
- محصول‌ها، دوره‌ها، واحدها و مقادیر واقعی را تطبیق دهید.
- سوابق تطبیق‌نیافته و تحت تأثیر اتمام موجودی را نگه دارید.
- سنجهٔ خطا، علامت و روش گرد کردن را بنویسید.
- سوگیری و خطاهای مهم هر مورد را بررسی کنید.
- تغییر بعدی فرایند و روش بررسی آن توسط تیم را ثبت کنید.
پرسش‌های متداول
پرسش‌های متداول
منابع و مطالعهٔ بیشتر
منابع معتبر استفاده‌شده برای پژوهش و بررسی این راهنما.