Prognosefehler

Berechnungen von Prognosefehlern bieten eine quantitative Schätzung der Qualität früherer Prognosen, und es steht eine Vielzahl von Berechnungen zur Verfügung, mit denen Sie die Genauigkeit einer Vorhersage statistisch ausdrücken können.

Die folgende Tabelle enthält Standardberechnungen für prognostizierte Fehler.

Name	Beschreibung	Berechnung
Bias	Verzerrung ist ein konsistenter Fehler, der dazu führt, dass eine Prognose entweder zu hoch oder zu niedrig ist. Eine Prognose ist verzerrt, wenn in aktuellen und historischen Prognosen ein konsistenter Unterschied zwischen der tatsächlichen und der prognostizierten Nachfrage besteht. Bei dieser Berechnung wird der Prognosefehler zurückgegeben, d. h. es wird eine konsistente Über- oder Unterprognose gemessen.	(Sum actuals - Sum forecast) / Sum actuals
Mean	Der arithmetische Durchschnitt einer Gruppe von Werten.	Average(values)
Mittlere absolute Abweichung (MAD)	MAD gibt an, wie groß ein Fehler in der Prognose durchschnittlich ist. Da MAD aber den durchschnittlichen Fehler in Einheiten zurückgibt, ist er für Vergleiche manchmal nicht sehr nützlich. MAD ist der Durchschnitt der absoluten Werte der Abweichungen zwischen beobachteten Werten und erwarteten Werten.	Average(Abs(forecast - actual))
Mittlerer absoluter prozentualer Fehler (MAPE)	MAPE drückt den Prognosefehler im Verhältnis zum Verkaufsvolumen aus. Im Grunde sagt sie Ihnen, um wie viele Prozentpunkte die Prognosen im Durchschnitt falsch liegen. MAPE ist möglicherweise die am häufigsten verwendete Prognosemetrik bei der Bedarfsplanung.	MAPE wird berechnet, indem der MAD durch den durchschnittlichen Bedarf dividiert und dann mit 100 multipliziert wird. (1 / sample size) × ∑((actual - forecast) / actual) × 100
Mittlerer absoluter skalierter Fehler (MASE)	MASE ist der mittlere absolute Fehler der Prognosewerte geteilt durch den mittleren absoluten Fehler der naiven Prognose innerhalb der Stichprobe. MASE ist die empfohlene Berechnung zur Bestimmung der vergleichenden Genauigkeit von Prognosen.	Average(Abs(forecast - actual)) / ((1 / sample size) × ∑((actual - forecast) / actual))
Mittlerer quadratischer Fehler (MSE)	MSE misst die durchschnittliche quadratische Differenz zwischen den geschätzten Werten und den tatsächlichen Werten. Teilen Sie die Summe der Residuen durch die Gesamtzahl der Datenpunkte, und ermitteln Sie dann die Quadratwurzel des Quotienten.	(1 / sample size) × Σ(actual - forecast)2
Tracking-Signal	Diese Berechnung misst anhaltende Verzerrungen, d. h. entweder Unterprognosen oder Überprognosen. Das Tracking-Signal ist das Verhältnis der kumulativen algebraischen Summe der Abweichung zwischen Prognosen und tatsächlichen Werten zur mittleren absoluten Abweichung. Sie können diese Berechnung verwenden, um Sie zu warnen, wenn das Prognosemodell verzerrt ist.	Verhältnis der kumulierten Summe der Prognosefehler (die Abweichungen zwischen den geschätzten Prognosen und den tatsächlichen Werten) zur mittleren absoluten Abweichung. Mittlere absolute Abweichung ist das Verhältnis der kumulierten absoluten Summe der Prognosefehler (Prognose- und Istwerte) zur Anzahl der Perioden.
Gewichteter mittlerer absoluter Fehler in Prozent (WMAPE)	WMAPE gewichtet den Prognosefehler anhand der tatsächlichen Nachfrage. Es verleiht dem priorisierten Element Gewicht und verzerrt den Prognosefehler in Richtung dieses Punktes. Da MAPE mögliche Prioritätsunterschiede zwischen Produkten oder Zeitpunkten nicht berücksichtigt, wird WMAPE häufig verwendet.	∑ (weight|forecast – actual demand|) / ∑ (weight|actual demand|)