Využití dostupných dat k vyšší efektivitě zásobovacího řetězce

transcript

www.jaguar-aps.com

Copyright: Jaguar-APSCopyright: Jaguar-APSCopyright: Jaguar-APS

Využití dostupných dat k vyšší efektivitě

zásobovacího řetězce.

Charles.Novak@Jaguar-APS.com

Pavel.Cerny@Jaguar-APS.eu

Copyright: Jaguar-APSCopyright: Jaguar-APS

Copyright: Jaguar-APS

Kdo jsme a co děláme...

Naši zákazníci...

www.jaguar-aps.com Copyright: Jaguar-APSCopyright: Jaguar-APSCopyright: Jaguar-APS

Úvodem

Kdo potřebuje forecasting?

Předpovídání časových řad je používáno téměř všemi

organizacemi, které pracují se strukturovanými daty.

Řetězce – retail – předpovídají prodej

FMCG předpovídají zásilky, objednávky, poptávku

Elektrárny předpovídají poptávku a ceny, výrobu a rezervy, …

Dopravní společnosti předpovídají budoucí cestování, …

Vzdělávací instituce předpovídají zápisy nových studentů

Banky předpovídají nákup nových domů, objem půjček, …

Nemocnice předpovídají operace

Služby předpovídají počet zaměstnanců podle poptávky

Fakta o řízení pomocí analytiky

Analytika řeší rozdíly v názorech.

Počáteční diskuse je na základě stanovisek, ale musí být podporována čísly.

Zapojení napříč organizací vylepší zarovnání.

Vedení pomocí analytiky je typicky velká změna.

Týmy fungují nejlépe tam, kde analytika řídí diskusi.

Analytika je mnohem více než reporting.

Tradiční zásobovacířetězce jsou reakční bezschopnosti „vnímat“ trh.

Organizace nepoužívajíanalytiku k „naslouchání“.

Ve světě nové analytikybudou moci vnímat, testovat a učit se a organizovat odpověď nazměny trhu.

Vytěžování dat

Data Mining

Vytěžování dat

Deskriptivní analýza

Asociace – vyhledávání

vzorů, ve kterých je jedna

událost spojena s další.

Posloupná analýza –

vyhledávání událostí, které

způsobují další události.

Klasifikace – vyhledávání

nových vzorů (může to

znamenat reorganizaci dat)

Seskupování – vyhledávání a

vizualizace skupin skutečností,

které nebyly dříve známé –

viditelné.

Prediktivní analýza

Forecasting – vyhledávání

datových vzorů, které mohou

být použity k přijatelné

předpovědi budoucnosti

Vytěžování dat je třídění dat za účelem identifikace vzorů a ustanovení vztahů.

Nedávný vývoj...

• k odhalení šablon v chování spotřebitelů.

• k měření efektivity marketingových investic.

• k optimalizaci finanční výkonnosti.

• k tvarování a aktivnímu řízení poptávky pomocí ‚what-if‘ simulací.

• k vnímání poptávkových signálů a tvarování budoucí poptávky za podpory technologií vytěžování dat.

Prediktivní analytika slouží:

Prediktivní analytika a zásobovací řetězce

• Náklady se zdají vysoké.

• Zaměření na investice přinášející okamžité a hmatatelné výsledky.

• Spojit datové uzly celého rozšířeného řetězce je příliš složité.

• Big data způsobují v této chvíli roptýlení pozornosti.

• Schopnosti v zásobovacím řetězci a IT jsou omezené.

• IT a ostatní firemní oddělení nejsou zajedno v identifikování potřeby.

• Plánování poptávky není klasifikováno jako ‚základní kvalifikace‘.

• ...

Proč ne?

• Silný potenciál způsobu vedení funkce dodavatelského řetězce.

• Potřeba vrcholového vedení budovat růst se ziskem.

• Pro efektivní funkci multi-echelonových zásobovacích řetězců je nutno mít správné a rychlé signály.

• Varování na pomoc vnímání, tvarování a analýzy dat pro lepší reakci změn na trhu.

• Data jsou informace a informace jsou zisk.

• ...

Proč ano?

Forecasting & Supply Chain řízené poptávkou

Demand Sensing

Demand Shaping

Demand Translating

Demand Shifting

Demand Orchestration

Vnímání poptávky - Demand sensing

• Zkrácení doby k vycítění skutečných tržních

údajů k pochopení skutečných posunů na trhu

v reakci poptávky.

• Data pro cyklus ‚objednávka-zaslání‘ mohou

být 1-3 týdny zpožděna v překladu skutečné

poptávky trhu.

• Vývoj forecastu na základě tržní spotřeby.

Překlad poptávky - Demand translation

• Překlad poptávky trhu pro jednotlivé

role v rámci organizace.

• Systémový design rozpozná, že

požadavky pro každou roli –

distribuce, výroba, nákup – jsou různé.

• V tomto procesu je forecast založen na

‚prodejních položkách‘ podle trhu

(ship-to modeling.)

• Poptávka je pak přeložena to ‚ship-

from‘ fomátu na základě potřeb

konkrétní role.

Orchestrace a přesouvání poptávky - Demand

orchestration and shifting

• Kompromisy podle jednotlivých trhů na

základě správné rovnováhy rizika poptávky

a příležitostí.

• Tato rozhodnutí závisí na schopnosti

pokročilé analytiky současně tvarovat a

vnímat poptávku.

• Znalost domény versus názor.

Tvarování poptávky - Demand shaping

• Znalost domény versus názory.

• Aplikace technik pro stimulaci poptávky na

• Propojení poptávky se zásobovacím

řetězcem.

• Eliminace politiky a zaujatosti ve forecastu.

Copyright: Jaguar-APSCopyright: Jaguar-APSCopyright: Jaguar-APSCopyright: Jaguar-APSCopyright: Jaguar-APS

Krok č. 1 Generujte frorecastingovéreporty

Krok č. 2 Fáze plánování poptávky

Krok č. 3 Fáze plánování zásob

Krok č. 4 Pre-S&OP/ GAP mítink

Krok č. 5 Exekutivní mítink

měsíce

• Nahrát master data

• Nahrát historii

• Výpočet stat. forecastu

• Řešení problémů

• What-if modely

• Reporty pro exekutivní

mítink

• Marketingový forecast

• Obchodní forecast

• Konsensní forecast

• Plánování zásob

• Plánování kapacit

• Balancování poptávky

a zásob

• Revize problémů a rizik

• Vyhodnocení možností

• Odsouhlasení konečných plánů

Struktura S&OP procesu

Source:

Přesouvání poptávky

Tvarování poptávky

Přesouvání poptávky

Cítění poptávky

Forecastingový proces řízený poptávkou

Zaměření na poptávkou řízenou organizaci včetně vyhodnocení strategických, operačních a taktických plánů za účelem konsolidace vstupů jednotlivých oddělení pomocí identifikace, vyhodnocení a uzavření finančních mezer.

Poskytuje realistický pohled na skutečnou neomezenou poptávku.

Ja založen na základě marketingového a obchodního konsensu, který byl finančně analyzován a je použit na podporu S&OP procesu.

Limity zásobování jsou řešeny pomocí přesouvání poptávky (shifting) s cílem nákladově efektivního uspokojení poptávky.

Problémy tradiční strategie „zevnitř ven“(“push”)

Poptávka trhu je akumulována a prezentována ve formě celkového úhrnu.

Informace o počáteční poptávce původního zákazníka je zpožděna.

Servisní úroveň je stanovena jako průměr.

Centrální zdroje by měly být na 100% úrovni služeb.

„Jestliže doplňování skladu řeší své problémy, tak co způsobilo hlavní problémy ve skladu?“

Dodavatel DC

Prodejna

Zásoby

Informace

Otázky pro strategii „zevnitř ven“

Je poptávka výsledkem spotřeby na úrovni prodejen?

Je poptávka výsledkem zákaznické poptávky nebo je to

akumulovaná poptávka skladu-distributora?

Jak dlouho to trvá než se forecast stane skutečnou

poptávkou?

Protože si myslíte, že je to lepší, stane se poptávkový

signál realitou?

Máte dostatek času reagovat na skutečnou poptávku

jakmile se konečně stane známou?

Plánování Výroba Prodej

Lepší využití tržních dat

Měnící se pohled na to, jak vidět data a sloužit zákazníkům

Od strategie ‚zevnitř ven‘ k ‚zvenku dovnitř‘

Jde o vlastnictví celého dodavatelského řetězce, včetně kanálů, řízení produktů a jejich výroby až po jejich konečné použití.

Současné zásobovací řetězce ‚chytají‘ objednávky a dodávky a předpokládají, že jsou reprezentativní pro daný trh.

Plánování Výroba Prodej

Lídři dodavatelského řetězce mohou vnímat

dynamiku trhu a přeložit tyto signály do formátu potřebného specifickými

lidmi a odděleními v době, kdy je třeba reagovat na

danou změnu.

Datová analýza

Jak chápat svá data.

Rozpoznávání vlastností dat

Spojnicový graf je ideální pro zobrazení vývoje časové

řady.

2,000,000

4,000,000

6,000,000

8,000,000

10,000,000

12,000,000

14,000,000

Úroveň

2,000,000

4,000,000

6,000,000

8,000,000

10,000,000

12,000,000

14,000,000

Úroveň

2,000,000

4,000,000

6,000,000

8,000,000

10,000,000

12,000,000

14,000,000

Úroveň

Sezónnost

Rozpoznávání vlastností a proměnlivosti dat

Total All 36 months Last 24 months Last 12 months

Trend @ 36, 24, & 12 měsíců

Rozpoznávání proměnlivosti dat

Nový výrobek – nerealistický trend

Očekávaný trend

Negativní prodej – hodnota-

množství vrácených výrobků

převýšila aktuální prodej.

Trend a intervence (náhlé změny)

Chybějící data

Přerušovaná – nepravidelná poptávka

Velká variabilita – krátká historie

Datové vzory

Obsahují data změny,

které je třeba včlenit

do předpovědi?

Jsou v datech

odchylky, které je

třeba opravit?

Je tento výrobek

stabilní nebo

dynamický?

Sezónnost?Trend?

Datové vzory

Obsahují data změny,

které je třeba včlenit

do předpovědi?

Je tento výrobek stabilní

nebo dynamický?

Jsou v datech

odchylky, které je

třeba opravit?

Sezónnost?

Trend?

Rozpoznávání proměnlivosti dat: sigma 𝜎 varování

Směrodatná odchylka 𝜎 posledních šesti měsíců je výrazně

jiná než 𝜎 předchozích 18 měsíců.

Poukazuje na změnu v dynamice nedávné historie, kterou je

třeba analyzovat a buď upravit data nebo včlenit do

forecastingového modelu.

50,000.00

100,000.00

150,000.00

200,000.00

250,000.00

P1 P7 P13 P19 P25 P31

Sales Cleansed History

𝝈 varování

Výkyvy dat / Odlehlá pozorování (Outliers)

Odlehlé pozorování se projeví osamělou třídou (v grafu jde o

osamělý sloupec nebo bod) extrémně nízkých, nebo naopak

extrémně vysokých hodnot.

Nejedná se o exaktní metodu, je však vhodným a jednoduchým

začátkem před použitím přesnějších, ale složitějších metod.

Tato pozorování mohou být sezónní výkyvy – očekávané, nebo

výkyvy způsobené nějakou událostí, kterou je potřeba správně

vysvětlit (upravit/vyčistit).

Speciální příklad odlehlých pozorování jsou body blízko střední

hodnoty (průměr nebo medián), které mají neočekávané

hodnoty v porovnání s předchozím nebo následným

porovnatelným obdobím. (Inliers).

Kontrolní graf: identifikace vzorů a výkyvů

Spodní kontrolní limit LCL

Průměr nebo medián

Střední hodnota a UCL/LCL definice: průměr nebo medián?, 1𝜎 nebo 3 𝜎, …

doporučení – začněte s 18 měsíčním průměrem a 1.5 𝝈

Trend ???

Horní kontrolní limit UCL

Analýza poptávkové křivky

Poskytuje celkový pohled na data, která mají být použita pro statistickou předpověď.

Umožňuje prozkoumání problematických oblastí.

Provádí segmentaci souboru do smysluplných skupin na základě atributů a proměnlivosti dat.

Provádí rychlý přístup k položkám (SKU), které musí být ověřeny při implemtaci nového forecastingového SW.

Analýza křivky poptávky - vzorek výstupu

Sample size: 14,271 SKUs

Excelové příklady

Analýza poptávkové křivky

• Test na sezónnost

• Test dat pro typ forecastingového modelu

• Test trendu: růst rok od roku a diferencování

• Test střední hodnoty (průměr a medián) a

určení kontrolních limitů

• Variabilita poptávky a její aplikace v

předpovídání

• Základní doporučení pro čistění dat

Segmentace výrobků pro volbu vhodné metody

předpovědi

Analýza časových řad vzory poptávky

předpovídatelnost/forecastability.

Hodnota pro firmu + forecastability správná metoda

forecastingu.

Source: Charles Chase, SAS

Segmentace

Datové vzory

Trend, sezónnost,

cyklus, nahodilost.

Variabilita.

Hodnota

Vysoká, nízká.

Marketing

Nový, Růst,

Zralost, Úpadek

Forecastability

Hodnota pro

Metody forecastu

Segmentace dat - Forecastability

Vysoký objem / Nízká

proměnlivost

• Top selling

• Komodity

• Předvídatelné

Nízký objem / Nízká proměnlivost

• Low selling

• Delší životní cyklus

• Předvídatelné

• Narušení může mít velký dopad

(často související s dodacím

časem)

Nízký objem / Vysoká

proměnlivost

• Speciální produkty

• Zakázkové objednávky

• Můžou mít vysokou marži

• Častá narušení

• Často propojené s jinými SKU

Vysoký objem / Vysoká

proměnlivost

• Sezónní výrobky

• Akce

• Krátký životní cyklus

• Jestliže je proměnlivost

předvídatelná, pak je sezónní

Proměnlivost potávkyNízká Vysoká

Source:

Segmentace dat: forecastability (možnost předpovědí)

HIGH VARIABILITY, HIGH VOLUME, 16

HIGH VARIABILITY, LOW VOLUME, 393

LOW VARIABILITY, HIGH VOLUME, 38

LOW VARIABILITY, LOW VOLUME, 287

HIGH VOLUME

LOW VOLUME

LOW VARIABILITY HIGH VARIABILITY

Nízký objem

Vysoký objem

Malá variabilita,

nízký objem, 287

Velká variabilita,

nízký objem, 393Nízká variabilita,

vysoký objem, 38

Velká variabilita,

vysoký objem, 16

Čtyři kvadranty založené na managementu portfolia

39Source: Charles Chase, SAS

Produkty nízké priority: Silný trend Vysoce sezónní Možné cykly Prříležitostné obchodní akce

Nízká priorita, oblastní speiality: Částečný trend Sezónní fluktuace Nepravidelná poptávka Lokálně zaměřená reklama

Product Line Extensions:(Evoluční nové výrobky).

‘Podobná’ Historie existuje (sporadicky).Výrobky s krátkým životním cyklem:

Mnoho ‘podobných’ Výroků k dispozici.Nové výrobky:

(Revoluční nové výrobky)Žádná ‘podobná’ Historie neexistuje.

Produkty vysoké priority: Silný trend Sezónní fluktuace Možné cykly Obchoní akce Marketing akce Celonárodní reklama a inzerce Vysoce konkurenční

Hvězdy (Growth Brands)

Specifický segment (Niche Brands) Dojné krávy (Harvest Brands)

Nové produktyH

Forecastability

Vysoká hodnotaNízká

předvídatelnost

Nízká hodnotaNízká

předvídatelnost

Vysoká hodnotaVysoká

předvídatelnost

Nízká hodnotaVysoká

předvídatelnost

Volba statistických metod založená na segmentaci

managementu portfolia

40Source: Charles Chase, SAS

ARIMAXARIMA s externími and interními proměnnými

Jednoduchá regreseVícenásobná regrese

Kombinace průměrů:Názor, exponenciální, kauzální

Kombinace vážených:Názor, exponenciální, kauzální

Croston’s Intermittent

ARIMA Box-JenkinsWinters 2 / 3 parametryDekompoziceSimple Moving AverageHolt’s Dvojité exponenciální vyhlazení

Exekutivní názorDelphi výbory

Sumace obchodních předpovědíNezávislý názor

Kauzální Modeling

Vícenásobné Methody Time Series/Časové řady

Názor - JudgmentalH

Forecastability

Nové produktyVysoká hodnota

Nízká předvídatelnost

Speciální segment (Niche Brands)Nízká hodnota

NízkáPředvídatelnost

Hvězdy (Growth Brands)

Vysoká hodnotaVysoká

předvídatelnost

Dojné krávy (Harvest Brands)

Nízká hodnotaVysoká

předvídatelnost

Předpovídání za použití časových řad

Time Series Forecasting

Datové informace

Čištění dat a

synchronizace

Příprava statistické předpovědi

Zpracovánívýjimek

Ověření základních informací

Dosažení souhlasu

Finální předpověď

Forecasting KPI

Aktualizace předpovědi

Forecastingový Proces

Kombinace analýzy dat,

jejich zpracování a

tvarování.Velmi závislý na spolupráci s interními a

externími partnery.

Přehled forecastingových metod

stStatistický nebo kvantitativni přístup

Názorový nebo kvalitativní přistup

Vyhlazení

• Naivní

• Klouzavý průměr

• Jednoducé exp. vyhlazení

• Dvojíté exp. vyhlazení

• Trojité exp. vyhlazení

Box-Jenkins(ARIMA)

Dekompozice časových řad

Jednoduchá regrese

Vícenásobná regrese

Ekonometrie

Časové řady

Nejčastěji užívané

Jednorozměrné metody – potřebujete jen jednu sadu dat

(např. zásilky nebo objednávky)

Budoucí zásilky jsou funkcí minulých zásilek

Výhody a omezení

Dobré pro forecast krátkých termínů (příští měsíc)

Snadno porozumitelné a aplikovatelné metody

Matematicky přesnější než názor, nepotřebují tak mnoho dat

jako regresní modely

Limitované do míry v jaké lze historické zásilky použít v izolaci

(např. bez tržních či demografických dat)

Časové řady – základní předpoklad:STABILITA

Klouzavé průměry

Klouzavé průměry se řadí mezi

nejoblíbenější techniky pro předzpracování

časových řad. Používají se pro filtraci

náhodného „bílého šumu" z dat tak, aby

časová řada byla vyrovnanější, nebo ke

zdůraznění určitých informačních

komponentů obsažených v dané časové

řadě.

Jednoduché exponenciální vyhlazení

𝐹𝑡+1 = 𝛼𝐴𝑡 + (1 − 𝛼)𝐹𝑡 Kde

Ft+1 = forecast, příští perioda

α = vyrovnávací konstanta (0≤α≤1)

At = aktualizovaná hodnoda časové řady (in period t)

Ft = hodnota forecastu pro periodu t

Klouzavé průměry dávají stejnou váhu minulým

pozorováním, vyhlazení dává větší váhu na nedávné

periody.

Časové řady: exponenciální vyhlazení

Forecast pro další periodu

se rovnáforecast pro minulou + vyhlazená

𝐹𝑡+1 = 𝛼𝐴𝑡 + 1 − 𝛼 𝐹𝑡= α𝐴𝑡 + 𝐹𝑡 − 𝛼𝐹𝑡= 𝐹𝑡 + 𝛼𝐴𝑡 − 𝛼𝐹𝑡= 𝐹𝑡 + 𝛼(𝐴𝑡 − 𝐹𝑡)

Holtovo exponenciální vyhlazení

Používá se pro data vykazující trend v průběhu času. (±)

Data nejsou sezónní.

Složitější výpočty, ale snadné jako jednoduché exp. vyhlazení

za použití software.

Zahrnuje dvě vyhlazovací konstanty. (Úroveň a trend, alfa a

beta).

Holtovo exponenciální vyhlazení

𝐹𝑡+1 = 𝛼𝐴𝑡 + 1 − 𝛼 𝐹𝑡 + 𝑇𝑡

𝑇𝑡+1 = 𝛽(𝐹𝑡+1𝑡−𝐹𝑡) + (1 − 𝛽)𝑇𝑡

𝐻𝐹𝑡+𝑚 = 𝐹𝑡 + 1 +𝑚𝑇𝑡+1

Holtovo-Wintersovo exponenciální vyhlazení

Model přizpůsoben pro trend and sezónnost.

Ještě složitější výpočty a opět velmi snadné za

pomocí softwaru.

Zahrnuje použití tří

vyhlazovacích konstant:

𝜶 alfa = úroveň

𝜷 beta = trend

𝜸 gama = sezónnost

Holtovo-Wintersovo exponenciální vyhlazení

𝐹𝑡 = 𝛼(𝐴𝑡/𝑆𝑡−𝑝) + (1 − 𝛼)(𝐹𝑡−1 + 𝑇𝑡−1)

𝑆𝑡 = 𝛽(𝐴𝑡/𝐹𝑡) + (1 − 𝛽)𝑆𝑡−𝑝

𝑇𝑡 = 𝛾(𝐹𝑡 − 𝐹𝑡−1) + (1 − 𝛾)𝑇𝑡−1 𝑊𝐹𝑡+𝑚 = (𝐹𝑡 +𝑚𝑇𝑡)𝑆𝑡 +𝑚 − 𝑝

Vyrovnávací metody pro časové řady

1. Určete forecastingovou metodu

použitou pro jednotlivé časové

řady.

2. Kterou z nich byste vybrali pro

danou časovou řadu?

Jednoduché exp. vyhlazení

Trojité (Holtovo-Wintersovo) exp. vyhlazení

Dvojité (Hotlovo) exp. vyhlazení

Exponenciální vyhlazení

Váha 𝛼(1 − 𝛼)𝑡 klesá exponenciálně s časem

(geometricky).

α=0.1 α=0.3 0.9

Regresní modely

Přehled forecastingových metod

castStatistický

nebo kvantitativní přístup

Názorový nebo kvalitativní přístup

vyhlazení

• Naivní

• Klouzavý průměr

• Jednoduché exp. vyhlazení

• Dvojité exp. vyhlazení

• Trojíté exp. vyhlazení

Box-Jenkins(ARIMA)

Dekompozice časových řad

Jednoduchá / vícenásobná regrese

Lineární / nelinární regrese

Modely umělých neuronových sítí

Ekonometrie

Regresní analýza / kauzální modely

Kauzální modely se snaží

vysvětlit minulost a vytvořit

forecast na základě

matematických vztahů

mezi proměnnými ve

spojení se specifickou

časovou řadou-proměnnou.

Identifikace

Kontrola

Předpověď

Regresní model je výrazem způsobu jakým závislá

proměnná (vaše data) reaguje na změny v každé z

nezávislých proměnných (vaše nebo externí data).

Nezávislé (vysvětlující) proměnné

• Také známé jako taktické proměnné, mohou být řízené manažerskými rozhodnutími a budoucí hodnoty mohou být nastaveny na základě taktik a strategie firmy.

• Příkladem jsou ceny produktů, výdaje na propagaci, metody distribuce, aj.

Interní

• Úroveň a vliv nejsou pod kontrolou firmy.

• Příkladem jsou demografie (věk, pohlaví, populace v dané oblasti, ekonomicky růst, inflace, nezaměstnanost, aj.)

Externí

Typy lineární regrese

Jednoduchá lineární regrese je

odhad nejmenších čtverců lineárního

regresního modelu s jednou

nezávislou proměnnou.

Jinými slovy, jednoduchá lineární

regrese proloží přímku přes skupinu n

bodů takovým způsobem, který

minimalizuje reziduální chyby.

Vícenásobná regrese je model s

jednou závislou a dvěma nebo více

nezávislými proměnnými.

Regresní modely

Úspěšná regresní analýza poskytne odhady toho, jaký vliv

měly předchozí změny v každé z vysvětlujících proměnných

na závislou proměnnou.

Vliv HDP na prodej produktů, reklama v médiích, konkurenční

činnost, změny v demografii, aj.

Jako forecastingový přístup, regresní analýza může poskytnout nejen forecast závislé

proměnné, ale je také užitečná jako manažerská informace pro přizpůsobení firemní taktiky ke změnám v externích proměnných způsobující

změny v ‚chování‘ závislé proměnné.

Regresní analýza

• Lze modelovat trend, cyklus, sezónnost a další faktory ovlivňujícípoptávku (vysvětlující proměnné).

• Může využívat zpožděné účinky.

• Může využívat intervenčníproměnné.

• Může vycítit signály poptávky.

• Podporuje ‚what-if‘ analýzy.

• Všeobecně je přesnější v predikcipoptávky v porovnání s exp. metodami.

Silné stránky

• Vyžaduje více dat a více prostoru pro ukládání dat.

• Tyto modely vyžadují znaloststatistických modelů a analýzy a jejich aplikace.

• Nedají se snadnoautomatizovat.

Slabé stránky

Minimalizace chyb v předpovídání

Bias, Abs Error, APE, MAPE, Weighted Error, Forecast Quality, Rolling Errors, Tracking Signal

Copyright: Jaguar-APSCopyright: Jaguar-APSCopyright: Jaguar-APS 62

Analýza chyb

Co měříme?

Výkon statistického modelu.

Výkon finální schválené předpovědi.

Jednotlivé vstupy do konsensuální předpovědi (např.

Marketing, obchod, ..., vrcholný management) –

Forecast Value Added Analysis FVA („analýza

přidané hodnoty předpovědí“).

Důležité k zapamatování:

Použijte stejnou sadu dat

pro každou metodu.

Časová prodleva (nebo

dodací lhůta) od přípravy

předpovědi a časová

perioda, pro kterou je

předpověď připravena,

musí být stejná pro všechny

použité metody.

Matematický vzorec

použitý pro výpočet

základní chyby a jejího

procentuálního vyjádření

musí být stejný pro

všechny metody.

Různá měření chyb předpovědi

Časová prodleva (Forecast Lags)

Waterfall chart

Měření chyby předpovědi

Vyhodnocení předpovědi a modelů

Chyba/BiasAbsolutní

chybaPrůměrná

chyba (ME)

Průměrná absolutní chyba(MAE)

Průměrná % chyba (MPE)

Průměrná absolutní %

chyba(MAPE)

Vážená MAPE

Vydhodnocení modelů:

umocněná měření chyby

Chyba na druhou (SE)

Průměrná chyba na druhou(MSE)

Odmocnina průměrné chyby na druhou(RMSE)

Důvody pro chybu předpovědi

Nedostatek účasti, motivace a odpovědnosti.

Je to příliš těžké pochopit.

Nedostatek kompatibility mezi systémem a

organizací.

Nepřesné údaje.

Údaje nevhodné k předpovídání.

Nedostatek kontroly.

Klíčové otázky související s metrikou chyb:

Jak interpretujeme chybu na základě pozitivní předpovědi a nulového

prodeje?

Jak interpretujeme chybu na základě nulové předpovědi a pozitivního

prodeje?

Jak interpretujeme negativní prodej?

Jak interpretujeme příčinu chyby?

Které metriky jsou nedůležitější pro analytiky a jejich manažery?

Které metriky jsou nedůležitější pro vrcholové vedení?

Které metriky jsou nejlepší pro spolupráci s marketingem a obchodem?

Jaké podněty provádí firma pro marketing a obchod, aby je

motivovala ke kvalitnímu přispění jejich znalostmi k tvorbě konsensuální

předpovědi?

Zlepšení přesnosti předpovědí

Přiřaďte odpovědnost za předpovědi (napříč všemi

skupinami zúčastněných stran).

Stanovte reálné cíle přesnosti.

Propojte hodnocení výkonosti s cíly.

Zajistěte dobré prognostické nástroje-software.

Generujte předpovědi na správné úrovni výrobkové

struktury.

Pravidelně sledujte přesnost předpovědí.

Posuďte a zlepšete oblasti špatných předpovědí.

Využijte proces vycházející z výjimek.

Ukázka zprávy of chybě forecastu

Prodej a

forecast

forecastu/

% Bias /

% ChybaAbsolutní

% chyba WMAPE

Kvalita forecastu –

počet položek v

cílovém rozsahu chyby

Šest klíčů ke zlepšení předpovědí

Lidé, proces, technologie.

Statistické předpovědi. Segmentatce dat.

Agregace dat. Spolupráce.Měření a zprávy o výjimkách.

Chyba forecastu je vaše zpětné zrcátko, ne osud.

DěkujemeCharles Novak

charles.novak@jaguar-aps.com

+1(416) 806-7302

www.jaguar-aps.com

Naše služby

• Školení

• Opportunity Assessment

• Plánování poptávky a provozu (S&OP/IBP)

• Výběr a podpora využití systémů pro plánování a forecasting

• Změnová řízení

http://www.jaguar-aps.com/services/index.html

Využití dostupných dat k vyšší efektivitě zásobovacího řetězce

Services