Erreur de prévision

Les calculs d'erreur de prévision fournissent une estimation quantitative de la qualité des prévisions passées, et un large éventail de calculs est disponible pour vous aider à exprimer statistiquement la précision d'une prévision.

Le tableau suivant contient les calculs d'erreur de prévision standard.

Name (Nom)	Description	Calculs
Écart	L'écart est une erreur constante qui rend une prévision trop élevée ou trop faible. Une prévision est biaisée s'il existe une différence constante entre la demande réelle et la demande prévue dans les prévisions actuelles et historiques. Ce calcul renvoie l'erreur de prévision, en mesurant une surestimation ou une sous-estimation constante.	(Sum actuals - Sum forecast) / Sum actuals
Mean	Moyenne arithmétique d'un groupe de valeurs.	Average(values)
Écart absolu moyen (MAD)	La valeur MAD indique l'ampleur moyenne d'une erreur dans les prévisions. Cependant, étant donné que la valeur MAD renvoie l'erreur moyenne en unités, elle n'est parfois pas très utile pour les comparaisons. La valeur MAD est la moyenne des valeurs absolues des écarts entre les valeurs observées et les valeurs attendues.	Average(Abs(forecast - actual))
Erreur moyenne en pourcentage absolu (MAPE)	La valeur MAPE exprime l'erreur de prévision par rapport au volume des ventes. En somme, elle vous indique de combien de points de pourcentage les prévisions sont erronées, en moyenne. La valeur MAPE est peut-être l'indicateur de prévision le plus couramment utilisé lors de la planification de la demande.	La valeur MAPE est calculée en prenant la valeur MAD, en la divisant par la demande moyenne, puis en la multipliant par 100. (1 / sample size) × ∑((actual - forecast) / actual) × 100
Erreur moyenne à l'échelle absolue (MASE)	La valeur MASE est l'erreur absolue moyenne des valeurs de prédiction, divisée par l'erreur absolue moyenne de la prévision naïve de l'échantillon. La valeur MASE est le calcul recommandé pour déterminer la précision comparative des prévisions.	Average(Abs(forecast - actual)) / ((1 / sample size) × ∑((actual - forecast) / actual))
Erreur quadratique moyenne (MSE)	La valeur MSE mesure la différence quadratique moyenne entre les valeurs estimées et les valeurs réelles. Divisez la somme des valeurs résiduelles par le total des points de données, puis prenez la racine carrée du quotient.	(1 / sample size) × Σ(actual - forecast)2
Signal de suivi	Ce calcul mesure les écarts persistants, qu'ils soient sous-estimés ou surestimés. Le signal de suivi est le rapport entre la somme algébrique cumulée de l'écart entre les prévisions et les valeurs réelles avec l'écart absolu moyen. Vous pouvez utiliser ce calcul pour vous avertir lorsque le modèle de prévision est biaisé.	Rapport entre la somme cumulée des erreurs de prévision (les écarts entre les prévisions estimées et les valeurs réelles) par rapport à l'écart absolu moyen. La déviation absolue moyenne est le rapport entre la somme absolue cumulée des erreurs de prévision (valeurs prévisionnelles et réelles) par rapport au nombre de périodes.
Erreur moyenne pondérée en pourcentage absolu (WMAPE)	La valeur WMAPE pondère l'erreur de prévision en fonction de la demande réelle.Elle donne du poids à l'élément priorisé, ce qui a pour effet de faire pencher l'erreur de prévision en sa faveur. Comme la valeur MAPE ne tient pas compte des éventuelles différences de priorité entre les produits ou les moments dans le temps, la valeur WMAPE est souvent utilisée.	∑ (weight|forecast – actual demand|) / ∑ (weight|actual demand|)