Tính chính xác dự báo nhu cầu là quá trình xác định độ chính xác của dự báo được thực hiện liên quan đến nhu cầu của khách hàng đối với sản phẩm.[2][3] Hiểu và dự đoán nhu cầu của khách hàng là rất quan trọng đối với các nhà sản xuất và nhà phân phối để tránh tồn kho và duy trì mức tồn kho đầy đủ. Trong khi dự báo không bao giờ hoàn hảo, chúng là cần thiết để chuẩn bị cho nhu cầu thực tế. Để duy trì hàng tồn kho được tối ưu hóa và chuỗi cung ứng hiệu quả, dự báo nhu cầu chính xác là bắt buộc.

Tính toán độ chính xác của dự báo chuỗi cung ứng

Độ chính xác dự báo trong chuỗi cung ứng thường được đo bằng cách sử dụng Lỗi phần trăm tuyệt đối trung bình hoặc MAPE. MAPE thống kê được định nghĩa là trung bình của lỗi phần trăm.

Tuy nhiên, hầu hết các học viên định nghĩa và sử dụng MAPE là Độ lệch tuyệt đối trung bình chia cho Doanh số trung bình, chỉ là MAPE có trọng số khối lượng, còn được gọi là tỷ lệ MAD / Trung bình. Điều này giống như chia tổng độ lệch tuyệt đối cho tổng doanh số của tất cả các sản phẩm. Tính toán này Không thể phân tích cú pháp (lỗi cú pháp): {\displaystyle <mrow class="MJX-TeXAtom-ORD"><mfrac><mstyle displaystyle="true" scriptlevel="0"><mo> <math>\sum{(|A - F|)}\over\sum{A}} </mo><mrow class="MJX-TeXAtom-ORD"><mo stretchy="false"> ∑ ( | A − F | ) ∑ A {\displaystyle \sum {(|A-F|)} \over \sum {A}} </mo><mrow class="MJX-TeXAtom-ORD"><mo stretchy="false"> ∑ ( | A − F | ) ∑ A {\displaystyle \sum {(|A-F|)} \over \sum {A}} </mo></mrow><mi> ∑ ( | A − F | ) ∑ A {\displaystyle \sum {(|A-F|)} \over \sum {A}} </mi><mo> ∑ ( | A − F | ) ∑ A {\displaystyle \sum {(|A-F|)} \over \sum {A}} </mo><mi> ∑ ( | A − F | ) ∑ A {\displaystyle \sum {(|A-F|)} \over \sum {A}} </mi><mrow class="MJX-TeXAtom-ORD"><mo stretchy="false"> ∑ ( | A − F | ) ∑ A {\displaystyle \sum {(|A-F|)} \over \sum {A}} </mo></mrow><mo stretchy="false"> ∑ ( | A − F | ) ∑ A {\displaystyle \sum {(|A-F|)} \over \sum {A}} </mo></mrow></mstyle><mrow><mo> ∑ ( | A − F | ) ∑ A {\displaystyle \sum {(|A-F|)} \over \sum {A}} </mo><mrow class="MJX-TeXAtom-ORD"><mi> ∑ ( | A − F | ) ∑ A {\displaystyle \sum {(|A-F|)} \over \sum {A}} </mi></mrow></mrow></mfrac></mrow> </math> ∑ ( | A − F | ) ∑ A {\displaystyle \sum {(|A-F|)} \over \sum {A}} ∑ ( | A − F | ) ∑ A {\displaystyle \sum {(|A-F|)} \over \sum {A}} </img> , Ở đâu Không thể phân tích cú pháp (lỗi cú pháp): {\displaystyle <mrow class="MJX-TeXAtom-ORD"><mstyle displaystyle="true" scriptlevel="0"><mi> <math>A} </mi></mstyle></mrow> </math> A {\displaystyle A} A {\displaystyle A} </img> là giá trị thực tế và Không thể phân tích cú pháp (lỗi cú pháp): {\displaystyle <mrow class="MJX-TeXAtom-ORD"><mstyle displaystyle="true" scriptlevel="0"><mi> <math>F} </mi></mstyle></mrow> </math> F {\displaystyle F} F {\displaystyle F} </img> dự báo, còn được gọi là WAPE, Lỗi phần trăm tuyệt đối có trọng số.

Một lựa chọn thú vị khác là trọng số Không thể phân tích cú pháp (lỗi cú pháp): {\displaystyle <mrow class="MJX-TeXAtom-ORD"><mstyle displaystyle="true" scriptlevel="0"><mi> <math>MAPE = \frac{\sum(w\cdot|A-F|)}{\sum(w\cdot A)}} </mi><mi> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mi><mi> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mi><mi> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mi><mo> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mo><mrow class="MJX-TeXAtom-ORD"><mfrac><mrow><mo> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mo><mo stretchy="false"> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mo><mi> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mi><mo> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mo><mrow class="MJX-TeXAtom-ORD"><mo stretchy="false"> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mo></mrow><mi> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mi><mo> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mo><mi> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mi><mrow class="MJX-TeXAtom-ORD"><mo stretchy="false"> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mo></mrow><mo stretchy="false"> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mo></mrow><mrow><mo> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mo><mo stretchy="false"> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mo><mi> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mi><mo> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mo><mi> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mi><mo stretchy="false"> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </mo></mrow></mfrac></mrow></mstyle></mrow> </math> M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} M A P E = ∑ ( w ⋅ | A − F | ) ∑ ( w ⋅ A ) {\displaystyle MAPE={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}} </img> . Ưu điểm của biện pháp này là có thể sai số trọng số, vì vậy bạn có thể xác định cách tính trọng số cho doanh nghiệp có liên quan của mình, lợi nhuận gộp hoặc ABC. Vấn đề duy nhất là đối với các sản phẩm theo mùa, bạn sẽ tạo ra kết quả không xác định khi doanh số = 0 và không đối xứng, điều đó có nghĩa là bạn có thể không chính xác hơn nhiều nếu doanh số cao hơn nếu thấp hơn dự báo. Vì vậy, sMAPE cũng được sử dụng để sửa lỗi này, nó được gọi là Lỗi phần trăm tuyệt đối trung bình đối xứng.

Cuối cùng nhưng không kém phần quan trọng, đối với các mẫu nhu cầu không liên tục, không có điều nào ở trên thực sự hữu ích. Vì vậy, bạn có thể coi MASE (Lỗi quy mô tuyệt đối trung bình) là một KPI tốt để sử dụng trong các tình huống đó, vấn đề là nó không trực quan như những gì đã đề cập trước đây. Bạn có thể tìm thấy một cuộc thảo luận thú vị ở đây: http: //datascienc assn.org/sites/default/files/Another%20Look%20at%20Measure%20of%20Forecast

Tính toán lỗi dự báo

Các lỗi dự báo cần phải được tính toán bằng cách sử dụng doanh số thực tế làm cơ sở. Có một số hình thức phương pháp tính toán lỗi dự báo được sử dụng, cụ thể là Lỗi phần trăm trung bình, Lỗi bình phương gốc, Tín hiệu theo dõi và Xu hướng dự báo.