PLANLÆGNING
Forecasting og forecast accuracy
Forecastet er et vigtigt grundlag for beslutninger om indkøb, lager og kapacitet. Det behøver ikke ramme perfekt, men man skal vide, hvor det rammer forkert, og om fejlene gentager sig i samme retning. Derfor bør forecast accuracy, MAD, bias og tracking signal følges over tid, så forecastet kan forbedres og bruges med større sikkerhed i de beslutninger, der bygger på det.
Start her
Forecast accuracy i Excel
Guiden dækker forecastfejl, MAD, bias, tracking signal og WMAPE og viser, hvordan målene læses samlet.
ILLUSTRATIVT EKSEMPEL
Forecast og faktisk efterspørgsel
Grafen sammenligner forecastet med den faktiske efterspørgsel over otte perioder. KPI’erne viser, hvor store fejlene er, hvilken retning de har, og om forecastet udvikler en vedvarende skævhed. Tallene stammer ikke fra en konkret virksomhed.
Forecastfejl = faktisk efterspørgsel − forecast. Positiv fejl betyder underforecast. Negativ fejl betyder overforecast.
MAD
35 enheder
Forecastet rammer i gennemsnit 35 enheder ved siden af.
Bias/MFE
−2,5 enheder
Forecastet ligger i gennemsnit 2,5 enheder over den faktiske efterspørgsel.
Tracking signal
−0,57
Resultatet ligger tæt på nul og viser ikke en tydelig vedvarende skævhed i eksemplet.
Kurverne ligger forholdsvis tæt, men forecastet rammer både over og under den faktiske efterspørgsel. MAD viser, at afvigelsen i gennemsnit er 35 enheder. Den gennemsnitlige bias er −2,5 enheder, hvilket med fortegnet faktisk minus forecast betyder et mindre overforecast. Tracking signalet er −0,57 og giver derfor ikke i sig selv tegn på en tydelig vedvarende skævhed.
Tallene er illustrative. I praksis skal målene følges over tid og bruges til at undersøge, hvorfor forecastet ændrer retning eller begynder at ramme systematisk forkert.
Y-aksen begynder ved 900 enheder, så afvigelserne mellem kurverne er lettere at se.
Forecasting er en proces
En statistisk model kan skabe et godt basisforecast, men resultatet bliver først nyttigt, når roller, ændringer og opfølgning er tydelige. Der bør derfor skelnes mellem selve beregningen og den proces, der afgør, hvordan forecastet bruges.
Basisforecast
Historik, sæson, trend og et tydeligt valg af tidshorisont og aggregeringsniveau.
Faglige justeringer
Kun ændringer med en forklaring, en ejer og en forventet effekt bør overskrive basisforecastet.
Opfølgning
Mål både den absolutte fejl og retningen på fejlene, så systematisk over- eller underforecast kan opdages.
Kontrollér datagrundlaget
- Er historikken faktisk efterspørgsel eller kun fakturerede leverancer?
- Er restordrer, udsolgte perioder og manglende salg markeret?
- Er kampagner, prisændringer og udfasninger identificeret?
- Har varen skiftet nummer, pakning eller måleenhed?
- Matcher forecastets niveau den beslutning, det skal understøtte?
En lav registreret efterspørgsel under en udsolgt periode er ikke nødvendigvis et signal om lavt behov. Hvis den bruges ukritisk, lærer modellen den forkerte sammenhæng.
Vælg tidshorisont efter beslutningen
Indkøb med lang lead time kræver et andet forecast end den korte daglige disponering. Det er derfor sjældent meningsfuldt at diskutere forecast accuracy uden samtidig at angive periode, niveau og beslutning.
Tre mål, der bør holdes adskilt
MAD
Mean Absolute Deviation viser den gennemsnitlige størrelse på fejlene i samme enhed som efterspørgslen.
Gennemsnitlig signeret fejl (bias)
Bias bruges her som MFE – Mean Forecast Error – og beregnes som den gennemsnitlige signerede forecastfejl. Forecastfejl = faktisk efterspørgsel − forecast. En positiv fejl betyder underforecast, mens en negativ fejl betyder overforecast. Bias/MFE bør læses sammen med MAD, fordi positive og negative fejl kan udligne hinanden.
Tracking signal
Tracking signal = kumuleret forecastfejl / MAD. En kontrolgrænse på ±4 kan bruges som illustrativ tommelfingerregel, men er ikke universel. Et signal uden for intervallet bør udløse en undersøgelse af forecastet og processen, ikke en automatisk konklusion.
Efter behov kan analysen suppleres med WMAPE, som ikke stammer direkte fra det anvendte HD-materiale. WMAPE beregnes som Σ|faktisk − forecast| / Σ|faktisk| og er ikke gennemsnittet af de enkelte procentfejl. Metoden kan ikke beregnes meningsfuldt, hvis summen af de faktiske værdier er nul. Ved udelukkende ikke-negative efterspørgselsdata svarer nævneren til summen af faktisk efterspørgsel. Se AWS’ offentlige definition af WAPE.
En praktisk forecast-rytme
- Frys den periode, der skal måles, så det oprindelige forecast bevares.
- Opdater basisforecast på en fast frekvens.
- Registrér justeringer og årsager særskilt.
- Sammenlign forecast med faktisk efterspørgsel i samme enhed og periode.
- Gennemgå de største afvigelser og den gennemsnitlige signerede fejl (bias).
- Omsæt læringen til parametre, proces eller ejerskab.
Hvis alle kan rette forecastet, men ingen ejer kvaliteten, bliver opfølgningen hurtigt en diskussion om tal frem for en beslutning om handling.
Forecastet skal forbindes til den næste beslutning
Forecasting bliver stærkere, når konsekvensen er tydelig: ændrer vi et indkøb, en kapacitetsplan, et lagerparameter eller blot vores opmærksomhed?
S&OE – Sales and Operations Execution – bruges her om den korte, operationelle opfølgning på aktuelle afvigelser og gennemførelsen af den vedtagne plan. På S&OP-niveau arbejder man typisk mere aggregeret og længere frem.