Beregning af den Procentvis nøjagtighed af prognoser er en meget velkendt opgave, ikke kun for folk, der arbejder med statistik og dataanalyse, men også for folk, der arbejder med datalogi og maskinlæring. I denne artikel vil vi vise dig 4 af de nemmeste og mest effektive metoder til at beregne procentvis nøjagtighed af prognoser i Excel.

Download arbejdsbog

Du kan downloade den gratis Excel-arbejdsbog til øvelser her.

Introduktion til prognosers nøjagtighed

Præcision af prognoser er den afvigelse mellem den forventede efterspørgsel og den faktiske efterspørgsel Det kaldes også Prognosefejl Hvis fejlene fra de tidligere efterspørgselsprognoser beregnes korrekt, giver det dig mulighed for at ændre din fremtidige forretningsplanlægning, f.eks. ved at øge din servicerate, reducere lagerunderskuddene, reducere omkostningerne ved forsyningskæden osv. for at gøre den mere succesfuld.

Beregning af prognosens nøjagtighed er meget vigtig i erhvervslivet, så du skal have en konsekvent og pålidelig metode til at estimere prognosen nemt.

I denne artikel vil vi vise dig, hvordan du kan beregne prognosens nøjagtighedsprocent på de 4 mest pålidelige måder. Men før vi viser dig disse beregningsmetoder, skal du først vide, hvad den faktiske efterspørgsel efter prognosens nøjagtighed er.

Introduktion til efterspørgselsprognose for at beregne procentvis nøjagtighed af prognosenøjagtighed

Prognose af efterspørgslen eller Salgsprognoser er et meget bredt emne. Målet med denne artikel er at vise dig, hvordan du kan beregne Procentvis nøjagtighed af prognoser Så her vil vi blot give dig en kort beskrivelse af efterspørgselsprognoser.

På den anden side, Prognose for efterspørgslen er noget, der ikke er særlig almindeligt i alle organisationer. Eller selv hvis din virksomhed har nogen, er du måske ikke klar over det. Hvis din virksomhed har ERP eller relateret software, har du højst sandsynligt en prognose.

Formlen til beregning af den Prognose for efterspørgslen er,

Ved at implementere denne formel kan du nemt finde frem til efterspørgselsprognosen for din organisation.

4 metoder til beregning af prognosepræcisionsprocent i Excel

Nu, hvor du kender til den Faktisk Prognose og Prognose for efterspørgslen , kan du gå i gang med beregningen af den Procentvis nøjagtighed af prognoser i Excel.

Trinene til beregning af den Prognosepræcision for hvert enkelt produkt i Excel er angivet nedenfor.

Trin:

• I første omgang skal du blot trække prognosen fra efterspørgslen til at beregne den prognosefejl for hvert produkt.
• Derefter skal du bruge ABS() formel i Excel til at beregne den den absolutte værdi af fejlen .
• Endelig skal du blot dividere fejlens absolutte værdi med efterspørgslen og multiplicere den med 100 til at beregne den procentdel af fejlen på produktniveau.

Alle disse beregningstrin er vist nedenfor for en salgshorisont på 2 måneder.

Du kan bruge den funktionen SUM() til at beregne den I alt af alle attributterne ved beregning af prognosens nøjagtighedsprocent i Excel.

Som du allerede ved, er disse fejl på elementniveau. Vi skal nu vide, hvordan vi får en samlet indikator på grundlag af disse målinger.

I dette afsnit vil du lære de 4 mest enkle og almindeligt anvendte matematiske formler til at beregne prognosens nøjagtighedsprocenter i Excel.

1. BIAS-prognosens nøjagtighed/konsekvente prognosefejl til beregning af procentvis nøjagtighed af prognosen

Forudsigelses-BIAS er den analytiske afvigelse mellem de faktiske værdier og de anslåede værdier .

Til beregning af den prognosens nøjagtighed simpelthen dividere den samlede fejl med den samlede efterspørgsel .

For at kontrollere, om forudsigelsen for alle produkterne er overvurderet ( BIAS> 0 ) eller undervurderet ( BIAS <0 ), kan du bruge denne metode.

Læs mere: Sådan beregnes fortjenesteprocent i Excel (3 metoder)

2. Mean Absolute Percentage Error (MAPE) til beregning af prognosepræcision i Excel

En anden enkel og effektiv måde at beregne prognosefejl på er at beregne Gennemsnitlig absolut procentvis fejl (MAPE) af prognosen. MAPE er defineret som gennemsnit af fejlprocenterne .

Som MAPE er en beregning af fejl, en høj procentdel betyder dårlig, og en lav procentdel betyder god.

Vi anbefaler ikke denne metode, da der ikke er nogen vægtning af mængder eller værdier. Perioder med stor efterspørgsel kan let blive undervurderet, hvis du er helt afhængig af denne indikator til at måle dine prognoser.

Læs mere: Beregne procentdel ved hjælp af absolut cellehenvisning i Excel (4 metoder)

3. Gennemsnitlig absolut fejl (MAE)/ Gennemsnitlig absolut afvigelse (MAD)/ Vægtet absolut procentvis fejl (WAPE)

Gennemsnitlig absolut fejl (MAE) eller Gennemsnitlig absolut afvigelse (MAD) eller Vægtet absolut procentvis fejl (WAPE) er den gennemsnit af de vægtede absolutte fejl Absolut værdi betyder, at selv når forskellen mellem den forventede efterspørgsel og den faktiske efterspørgsel er negativ, bliver den positiv.

Til beregning af den Gennemsnitlig absolut fejl (MAE) af prognosen netop dividere den samlede absolutte fejl med den samlede efterspørgsel .

Denne metode er vægtet efter mængde eller værdi, hvilket gør den meget anbefalelsesværdig i efterspørgselsplanlægning.

Der er dog en ulempe ved denne metode: Da efterspørgselsfejlen ikke er proportional, fungerer denne metode bedst, når der arbejdes med ét produkt. Hvis den anvendes på produkter med forskellige mængder, vil resultatet blive skævt med produktet med større mængder.

Læs mere: Sådan beregnes vægttabs procentdel i Excel (5 metoder)

4. Root Mean Squared Error (RMSE) til beregning af prognosepræcision i Excel

Root Mean Squared Error (RMSE) beregnes ud fra kvadratroden af den gennemsnitlige kvadrerede fejl (MSE) eller Gennemsnitlig kvadreret afvigelse (MSD) .

Vi skal tilføje den Kvadratfejl (Error^2) for hvert produkt for denne indikator. Derefter kan vi beregne den Gennemsnitlig kvadreret fejl . Gennemsnitlig kvadreret fejl (MSE) er den gennemsnitlig kvadreret fejl for hvert produkt.

Nu, hvor vi har værdien af MSE , kan vi nu måle den RMSE til vores prognose.

Til beregning af den RMSE , bare divider kvadratroden af MSE med gennemsnittet af efterspørgslen .

RMSE indikatoren er forholdsvis mere kompliceret at implementere og uddrage resultater, men denne formel straffer i høj grad store prognosefejl.

Dette er også en metode, der anbefales kraftigt, fordi den kan ignorere beregningsfejl og give nøjagtige resultater.

Læs mere: Hvordan man beregner Win-Loss Procent i Excel (med nemme trin)

Konklusion

Afslutningsvis har denne artikel vist dig 4 nemme og nyttige metoder til at beregne procentvis nøjagtighed af prognosenøjagtighed i Excel. Jeg håber, at denne artikel har været til stor gavn for dig. Du er velkommen til at stille spørgsmål om emnet.