Yeterli tahmin doğruluğu nedir? / Relex blog yazısından...

Relex / Measuring Forecast Accuracy: The Complete Guide yazısından tercüme özettir. 

Tahmin, hedefe gitmek için kullanılan araçlardan biridir, hedefin kendisi değildir. Ayrıca sistemin işleyişi düzgün değilse %100 doğrulukla tahmin bile başarıyı getiremez.

Farklı durumlar ve ürünler için farklı doğruluk seviyeleri yeterli olabilir. Bazı hallerde “daha doğru” tahmin için, bazı hallerde “olası tahmin hatalarından sakınmak” için uğraşmalısınız. Mevcut tahmin doğruluğunuz belki de yeterlidir, başka bir ifadeyle daha iyisine ihtiyaç olmayabilir. Tahmin doğruluğu için seçilen parametrelere göre “doğruluk algısı” çok değişebilir. 

Tahminler elbette hatalıdır ve hataları tolere edebilmek için iyi bir planlama sistemi olmalıdır. Bazı hallerde tahmin hatalarından sakınmak, daha iyi tahmin yapmaktan daha ucuzdur. Bazı hallerde tahmin doğruluğunu artırmak yerine çözülmesi gereken daha önemli sorunlar vardır. İyi bir planlama süreciniz yoksa mükemmel tahmin doğruluğu bile işe yaramaz. Planlama sürecine emniyet stokları, akış süreleri, parti büyüklükleri, sipariş sıklığı gibi faktörler dahildir. Bu noktada simülasyonlarla tahmin doğruluğunun hedeflenen sonuca etkisini çalışmanız önerilir. 

Tahmin doğruluğu yüksek hacimli veriyle birlikte artar. Bunun için mağaza yerine depo, ürün yerine ürün ailesi, gün yerine hafta alabilirsiniz. Merkezi Limit Teoremi uyarınca veriyi bir araya toplamak verideki gürültüyü (fazlalar noksanları dengeler) giderecektir. Tahmin vadesi kısaldıkça doğruluk artar. Oturmuş bir üründe/sistemde/ortamda veri tutarsızlıkları azalır, doğruluk artar. 

İlk iş tahmin kalitesinin iş hedeflerinize olan etkisini iyi anlamaktır.

Tahmin sisteminiz talepteki sistematik değişkenliği (sezonluk dalgalanma gibi) dikkate almalıdır.

Tahmin sisteminiz bilinen etkinlikleri (planlı promosyon, takvimdeki özel gün, konser-maç vb gibi) dikkate almalıdır.

Tahmin sisteminiz öngörülebilir (düşük veya yüksek tahminlerin sebepleri anlaşılabilir) olmalıdır. Tahmin tek bir sayı olarak gelir ancak aslında bir aralık olarak ifade edilmelidir. Önemli ölçüde bir tahmin hatası çok satan bir üründe planlanan dayanım toleransını aştığında ciddi bir sıkıntı yaşanır, planlamacıların tahmin sistemine olan güveni de sarsılır. Eğer talep değişimleri açıklanamıyor veya yeterince erken fark edilemiyorsa tahmin doğruluğu yerine tahmin hatalarına daha dayanıklı olmak için uğraşmalısınız.

Sürekli tahmin revizesi yapıldığı için aynı döneme dair birden fazla tahmin sonucunu olacaktır. Bu durumda akışa süresi vadesinde yapılanı dikkate almanız önerilir.

Temel tahmin doğruluğu ölçüm parametreleri şunlardır:

BIAS=Tahmin Hatası= Toplam (Tahmini Satış – Fiili Satış) veya

BIAS%=Tahmin Hatası% = Toplam Tahmini Satış / Toplam Fiili Satış

Pozitif ve negatif sapmalar denkleşebilir. 

Satış hacminin etkisini görmek için % daha kullanışlıdır. 

Veriyi bir araya getirirken ürün bazında yaşanan büyük hatalar gözden kaçırılabilir. 

Tabloda A – B – C ürünlerine ve Grup halindeki toplamına bakın lütfen.

MAD=Ortalama Mutlak Hata= Toplam (Mutlak değer (Tahmini Satış – Fiili Satış)) / n veya

MAPE=Ortalama Mutlak % Hata= Toplam (Mutlak değer (Tahmini Satış – Fiili Satış) / Fiili Satış) / n

Yavaş satan ürünlerde eğer günlük satış sıfırsa işlem tanımsız olacaktır. 

Ayrıca ürün bazında yapılan hesaplamayla, veriyi birleştirerek yapılan hesaplama arasında önemli farklar görülebilir. 

İlk tabloda ürün bazında hesaplanmıştır ve MAPE=%33 tür. 

İkinci tabloda aynı veri grup bazında birleştirilerek hesaplanmıştır ve MAPE=%3 tür. 

Her iki MAPE ifadesi de kendi şartlarında doğrudur ve birbirleriyle karşılaştırılmamalıdır.

Seçilen ürünlerin hacimleri arasında ciddi farklar varken ağırlıklı ortalamayı tercih edebilirsiniz.

Yandaki ilk tabloda aynı ürünlerin haftalık yerine günlük satışlarını listelenmiş, aritmetik ortalamayla ürün bazında MAPE hesaplanmıştır, A için MAPE=%71 dir. 

A – B – C için toplu değerlendirmede MAPE=%54 tür. %33 - %3 ve şimdi de %54! Hepsi de doğru!

Diğer tabloda aynı ürün için günlük satış miktarına göre ağırlıklı ortalamayla hesap yapılmıştır, MAPE=%64 tür. 

3 ürünü grup olarak değerlendirdiğimizde MAPE=%34 tür. 

Bu da doğru! 

Hangisini kullanacaksınız?

• BIAS=Tahmin Hatası size sistematik olarak düşük veya yüksek tahmin yaptığınızı söyler, diğer parametreler bunu yapamaz.
• MAD=Ortalama Mutlak Hata ürün bazında adet olarak hatayı gösterir. Aynı ürün ve dönemde farklı tahmin seçeneklerini karşılaştırmak için kullanışlıdır. Farklı veri setleriyle karşılaştırma yapmak için uygun değildir.
• MAPE=Ortalama Mutlak Hata% satışlara göre tahmin hatasını gösterir ancak az satan ürünler parametreyi değersizleştirir. Hacmin etkisini görmek için ağırlıklı ortalama kullanılabilir ancak bu durumda yavaş satanlardaki büyük tahmin hataları gözden kaçabilir.

Uygun parametre seçiminde verinin birleştirilme durumu ve planlama dönemi de dikkate alınmalıdır. Ancak aynı tahmin farklı amaçlarla kullanılabilir (satış tahminine göre ürün satınalınabilir, işgücü planlanabilir,..) ve dolayısıyla farklı veri setleri farklı planlama dönemleri konu olabilir. 

Örneğin mağazalar ve depolar için ürün bazında stok yönetilirken ayrı tahminler yerine mağaza tahminini kullanmanız önerilir. Bu durumda mağaza satış tahminlerinizin gün – hafta – hatta ay mertebesinde doğru olması önem kazanır. Bunu sağlamak zordur, istisna yönetimi gerektirir. 

Ürünlerinizi satış cirosuna göre ABC ve satış hacmine göre XYZ olarak sınıflandırın, daha sonra kombine sınıflara göre (AX satış cirosu yüksek ve satış hacmi yüksek anlamında) gereken tahmin doğruluğunu belirleyin, bunun üzerine çıkan hatalar istisnadır, müdahale edin. 

Ancak bunlara anlık müdahale etmeniz bu tür hadiselerin tekrarını önlemeye yetmez, bu halleri tahmin sisteminize “öğretmelisiniz”.

Kritik olan değişkenliğe – tahmin hatalarına dayanıklı planlama sistemi kurmaktır, tahmin doğruluğu önceliğiniz olmamalıdır.

Bu kadar sıkıntıya katlanacak mısınız? Alternatif yöntemi görmek, ücretsiz denemek ister misiniz?    scai.tech       FILLRATE100     Fillrate100 Simulator