Hvordan måle nøyaktigheten av en Sales Forecast

Hvis du er en administrerende direktør eller en VP of Sales, er det ekstremt viktig for deg å vite hvordan du skal måle nøyaktigheten av salget og etterspørselen prognoser. Prognoseprosesser oftest brukt av selskaper i dag, som et faktum, resulterer i høyere varelager, lengre kundeordre ledetider og god kundeservice levering ytelse. Men ikke alle selgere er vellykket i å måle nøyaktigheten av en salgsprognoser. I denne artikkelen vil vi diskutere hvordan å vurdere nøyaktigheten av prognosen, hvordan å sammenligne prognoser, beregne og viser gjennomsnittlig absolutt feil, og hvordan man skal beregne MAPEs. Din bedrift vil bli prognoser i dag bruker rent manuelle prosesser, MS Excel eller dedikere prognoseverktøy.

Beregne den absolutte feilen

Det gjennomsnittlige absoluttfeil (MAE) har sterke evner for å vurdere prognose nøyaktighet i en kontekst av inventar optimalisering og det er veldig enkelt å beregne og bruke. Den absolutte feilen er den absolutte forskjellen mellom prognostisert og faktisk verdi i antall elementer. Intuitivt kan vi tenke på den absolutte feilen som antall elementer prognosen er ut fra hva som faktisk skjer, og absolutt betyr at formelen ser bort vær prognosen er for høyt eller for lavt. Alt som teller er hvor mange elementer prognosen er av den faktiske verdien. Negative algebraiske skiltene er derfor ikke ansett. Som nevnt ovenfor mener absolutt feil er uttrykt i antall elementer, det er derfor ved beregning av MAE og tar absolutt feil av hver rad vi bør fjerne det negative tegnet (hvis det er), og hvis det er positivt forlate det, som det er .

Beregning MAPEs

MAPEs står for gjennomsnittlig absolutt prosent feil. Vi kommer til MAPEs ved å dele den absolutte feilen ved den forventede verdien. Intuitivt MAPEs som foreldre feil gir oss med måling av prognosefeil i forhold til den faktiske verdien
Let &'; s. Diskuterer også hvorfor MAPEs ikke er egnet til å sammenligne prognoser. MAPEs er i de fleste tilfeller ikke er egnet til å sammenligne salgsprognoser og etterspørsel prognoser. Hovedproblemet er følsomheten til sparsom tidsserier. Sparsom serien er elementer som selger i svært små mengder. De fleste forhandlere har store mengder av slike produkter.

Hva er en god prognose?

Utsagn som "dette var en god prognose" eller "dette var en dårlig prognose" blir hørt slutte ofte. En mengde vurdering av nøyaktigheten av prognosen må settes i sammenheng. For eksempel 5% feil prognoser nasjonale strømforbruket 24 timer foran er svært dårlig, men 80% feil for en produktlansering er ekstremt gode. Faktorer som påvirker acccuracy av etterspørselen prognose er mange som volatiliteten i etterspørselen, data aggregering nivå, mengde data, prognosehorisont, sparsomme data, tilgjengelighet av hendelsesdata og mange flere. For å konkludere, den enkleste måten å sette sammenhengen er å få varsel for å være mer nøyaktig enn din status quo. Nøkkelen til effektiv planlegging er å ha et solid fundament å bygge videre på. Ved effektivt å planlegge for fremtiden kreve at du vil være i stand til å legge betydelig verdi til din bedrift &'; s lønnsomhet og bunnlinje
.