Πίνακας περιεχομένων
Υπολογισμός του Ποσοστό ακρίβειας πρόβλεψης είναι μια πολύ οικεία εργασία όχι μόνο για όσους ασχολούνται με τη στατιστική και την ανάλυση δεδομένων, αλλά και για όσους ασχολούνται με την επιστήμη των δεδομένων και τη μηχανική μάθηση. Σε αυτό το άρθρο, θα σας δείξουμε 4 από τις πιο εύκολες και αποτελεσματικές μεθόδους για το πώς να υπολογίστε το ποσοστό ακρίβειας πρόβλεψης στο Excel.
Λήψη βιβλίου εργασίας
Μπορείτε να κατεβάσετε το δωρεάν βιβλίο ασκήσεων Excel από εδώ.
Υπολογισμός ποσοστού ακρίβειας πρόβλεψης.xlsxΕισαγωγή στην ακρίβεια των προβλέψεων
Ακρίβεια πρόβλεψης είναι η απόκλιση μεταξύ της προβλεπόμενης ζήτησης και της πραγματικής ζήτησης Ονομάζεται επίσης Σφάλμα πρόβλεψης Εάν τα σφάλματα από τις προηγούμενες προβλέψεις ζήτησης υπολογιστούν σωστά, σας επιτρέπει να τροποποιήσετε τον μελλοντικό επιχειρηματικό σας σχεδιασμό, όπως η αύξηση του ποσοστού εξυπηρέτησης, η μείωση των αποθεμάτων, η μείωση του κόστους της αλυσίδας εφοδιασμού κ.λπ. για να την κάνετε πιο επιτυχημένη.
Ο υπολογισμός της ακρίβειας της πρόβλεψης είναι πολύ σημαντικός στις επιχειρήσεις, οπότε πρέπει να έχετε μια συνεπή και αξιόπιστη μέθοδο για να εκτιμάτε εύκολα την πρόβλεψη.
Σε αυτό το άρθρο, θα σας δείξουμε πώς μπορείτε να υπολογίσετε το ποσοστό ακρίβειας πρόβλεψης με τους 4 πιο αξιόπιστους τρόπους. Αλλά πριν σας δείξουμε αυτές τις μεθόδους υπολογισμού, πρώτα πρέπει να γνωρίζετε ποια είναι η πραγματική ζήτηση στην ακρίβεια πρόβλεψης.
Εισαγωγή στις προβλέψεις ζήτησης για τον υπολογισμό του ποσοστού ακρίβειας πρόβλεψης
Πρόβλεψη ζήτησης ή Πρόβλεψη πωλήσεων Ο στόχος αυτού του άρθρου είναι να σας δείξει πώς μπορείτε να υπολογίσετε Ποσοστό ακρίβειας πρόβλεψης Έτσι, εδώ θα σας δώσουμε απλώς μια σύντομη περιγραφή της πρόβλεψης της ζήτησης.
Από την άλλη πλευρά, Πρόβλεψη ζήτησης είναι κάτι που δεν είναι πολύ συνηθισμένο σε κάθε οργανισμό. Ή ακόμη και αν η εταιρεία σας διαθέτει, μπορεί να μην το γνωρίζετε. Αν η εταιρεία σας διαθέτει ERP ή σχετικό λογισμικό, τότε πιθανότατα έχετε μια πρόβλεψη.
Ο τύπος για τον υπολογισμό του Πρόβλεψη ζήτησης είναι,
Πρόβλεψη ζήτησης = Μέσος όρος πωλήσεων X εποχικότητα X ανάπτυξηΕφαρμόζοντας αυτόν τον τύπο, μπορείτε εύκολα να βρείτε την πρόβλεψη ζήτησης του οργανισμού σας.
4 Μέθοδοι για τον υπολογισμό του ποσοστού ακρίβειας πρόβλεψης στο Excel
Τώρα που ξέρετε για το Πραγματικό Πρόβλεψη και το Πρόβλεψη ζήτησης , μπορείτε να ξεκινήσετε τον υπολογισμό του Ποσοστό ακρίβειας πρόβλεψης στο Excel.
Τα βήματα για τον υπολογισμό του Ακρίβεια πρόβλεψης για κάθε προϊόν στο Excel δίνονται παρακάτω.
Βήματα:
- Στην αρχή, απλά να αφαιρέσει την πρόβλεψη από τη ζήτηση για τον υπολογισμό του σφάλμα πρόβλεψης για κάθε προϊόν.
- Μετά από αυτό, χρησιμοποιήστε το ABS() τύπο στο Excel για τον υπολογισμό του απόλυτη τιμή του σφάλματος .
- Τέλος, απλά διαιρεί την απόλυτη τιμή του σφάλματος με τη ζήτηση και την πολλαπλασιάζει επί 100 για τον υπολογισμό του ποσοστό του σφάλματος σε επίπεδο προϊόντος.
Όλα τα βήματα αυτών των υπολογισμών παρουσιάζονται κατωτέρω για ορίζοντα πωλήσεων 2 μηνών.
Μπορείτε να χρησιμοποιήσετε το Συνάρτηση SUM() για τον υπολογισμό του Σύνολο όλων των χαρακτηριστικών για τον υπολογισμό του ποσοστού ακρίβειας πρόβλεψης στο Excel.
Λοιπόν, όπως ήδη γνωρίζετε, αυτά τα σφάλματα είναι σε επίπεδο αντικειμένου. Τώρα πρέπει να γνωρίζουμε πώς να πάρουμε ένα γενικός δείκτης με βάση αυτές τις μετρήσεις.
Μετά από αυτή την ενότητα, θα μάθετε τους 4 πιο απλούς και συχνά χρησιμοποιούμενους μαθηματικούς τύπους για να να υπολογίζετε τα ποσοστά ακρίβειας πρόβλεψης στο Excel.
1. Ακρίβεια πρόβλεψης BIAS/Σφάλμα συνεπούς πρόβλεψης για τον υπολογισμό του ποσοστού ακρίβειας πρόβλεψης
Πρόβλεψη BIAS είναι η αναλυτική απόκλιση μεταξύ των πραγματικών τιμών και των εκτιμώμενων τιμών .
Για τον υπολογισμό του ακρίβεια πρόβλεψης απλά διαιρέστε το Συνολικό Σφάλμα με τη Συνολική Ζήτηση .
BIAS Ακρίβεια πρόβλεψης = Συνολικό σφάλμα/ Συνολική ζήτησηΓια να ελέγξετε αν η πρόβλεψη για όλα τα προϊόντα είναι υπερεκτιμημένη ( BIAS> 0 ) ή υποτιμημένο ( BIAS <0 ), μπορείτε να χρησιμοποιήσετε αυτή τη μέθοδο.
Διαβάστε περισσότερα: Πώς να υπολογίσετε το ποσοστό κέρδους στο Excel (3 μέθοδοι)
2. Μέσο απόλυτο ποσοστιαίο σφάλμα (MAPE) για τον υπολογισμό της ακρίβειας πρόβλεψης στο Excel
Ένας άλλος απλός και αποτελεσματικός τρόπος υπολογισμού του σφάλματος πρόβλεψης είναι ο υπολογισμός του Μέσο απόλυτο ποσοστιαίο σφάλμα (MAPE) της πρόβλεψης. MAPE ορίζεται ως η μέσος όρος των ποσοστών σφάλματος .
MAPE = Μέσο ποσοστό σφάλματοςΌπως MAPE είναι ένας υπολογισμός των σφαλμάτων, ένα υψηλό ποσοστό σημαίνει κακό και ένα χαμηλό ποσοστό σημαίνει καλό.
Δεν συνιστούμε αυτή τη μέθοδο, καθώς δεν υπάρχει καμία στάθμιση των ποσοτήτων ή των τιμών. Οι περίοδοι υψηλής ζήτησης μπορούν εύκολα να υποεκτιμηθούν εάν βασίζεστε πλήρως σε αυτόν τον δείκτη για τη μέτρηση των προβλέψεών σας.
Διαβάστε περισσότερα: Υπολογισμός ποσοστού χρησιμοποιώντας απόλυτη αναφορά κελιών στο Excel (4 μέθοδοι)
3. Μέσο απόλυτο σφάλμα (MAE)/ Μέση απόλυτη απόκλιση (MAD)/ σταθμισμένο απόλυτο ποσοστιαίο σφάλμα (WAPE)
Μέσο απόλυτο σφάλμα (MAE) ή Μέση απόλυτη απόκλιση (MAD) ή Σταθμισμένο απόλυτο ποσοστιαίο σφάλμα (WAPE) είναι η μέσος όρος των σταθμισμένων απόλυτων σφαλμάτων Η απόλυτη τιμή σημαίνει ότι ακόμη και όταν η διαφορά μεταξύ της προβλεπόμενης ζήτησης και της πραγματικής ζήτησης είναι αρνητική τιμή, γίνεται θετική.
Για τον υπολογισμό του Μέσο απόλυτο σφάλμα (MAE) της πρόβλεψης μόλις διαιρέστε το Συνολικό Απόλυτο Σφάλμα με τη Συνολική Ζήτηση .
MAE = Συνολικό απόλυτο σφάλμα/ Συνολική ζήτησηΑυτή η μέθοδος σταθμίζεται με βάση την ποσότητα ή την αξία, γεγονός που την καθιστά ιδιαίτερα συνιστώμενη στον προγραμματισμό της ζήτησης.
Ωστόσο, υπάρχει ένα μειονέκτημα σε αυτή τη μέθοδο. Καθώς το σφάλμα ζήτησης δεν είναι αναλογικό, η μέθοδος αυτή λειτουργεί καλύτερα όταν εργάζεται σε ένα προϊόν. Εάν χρησιμοποιηθεί σε προϊόντα με διαφορετικούς όγκους, το αποτέλεσμα θα είναι στραβό με το προϊόν με μεγαλύτερους όγκους.
Διαβάστε περισσότερα: Πώς να υπολογίσετε το ποσοστό απώλειας βάρους στο Excel (5 μέθοδοι)
4. Μέσο τετραγωνικό σφάλμα ρίζας (RMSE) για τον υπολογισμό της ακρίβειας πρόβλεψης στο Excel
Μέσο τετραγωνικό σφάλμα (RMSE) υπολογίζεται από το τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος (MSE) ή Μέση τετραγωνική απόκλιση (MSD) .
Πρέπει να προσθέσουμε το Τετραγωνικό σφάλμα (Error^2) για κάθε προϊόν για αυτόν τον δείκτη. Στη συνέχεια μπορούμε να υπολογίσουμε τον Μέσο τετραγωνικό σφάλμα . Μέσο τετραγωνικό σφάλμα (MSE) είναι η μέσο τετραγωνικό σφάλμα για κάθε προϊόν.
MSE = Μέσος όρος τετραγωνικού σφάλματοςΤώρα που έχουμε την τιμή της MSE , μπορούμε τώρα να μετρήσουμε το RMSE για την πρόβλεψή μας.
Για τον υπολογισμό του RMSE , απλά διαιρέστε την τετραγωνική ρίζα του MSE με τον Μέσο όρο της ζήτησης .
RMSE = Τετραγωνική ρίζα του MSE/ Μέσος όρος της ζήτησηςΤο RMSE δείκτης είναι συγκριτικά πιο πολύπλοκος για την εφαρμογή και την εξαγωγή αποτελεσμάτων. Αλλά αυτός ο τύπος τιμωρεί έντονα τα μεγάλα σφάλματα πρόβλεψης.
Αυτή είναι επίσης μια ιδιαίτερα συνιστώμενη μέθοδος, επειδή αυτή η μέθοδος είναι σε θέση να αγνοήσει τα σφάλματα υπολογισμού και να παράγει αποτελέσματα με ακρίβεια.
Διαβάστε περισσότερα: Πώς να υπολογίσετε το ποσοστό νίκης-ήττας στο Excel (με εύκολα βήματα)
Συμπέρασμα
Εν κατακλείδι, αυτό το άρθρο σας έδειξε 4 εύκολες και χρήσιμες μεθόδους για να υπολογίστε το ποσοστό ακρίβειας πρόβλεψης στο Excel. Ελπίζω αυτό το άρθρο να σας ήταν πολύ χρήσιμο. Μη διστάσετε να θέσετε οποιεσδήποτε ερωτήσεις σχετικά με το θέμα.