База знаний

Измерение точности прогноза при работе в SAP APO и SAP BW

Риши Менон

Сатиш Вадламани

3716

1

Распечатать

Ключевое понятие

Точность прогноза представляет собой измерение разницы между прогнозной и фактической ситуацией. Эта метрика крайне важна для любого предприятия, которое занимается планированием сбыта. Определение четко структурированного процесса измерения относится к ключевым факторам оптимизации не только точности прогноза, но и самого процесса планирования сбыта. Как говорится, невозможно улучшить то, что не измерено.

Точность прогноза существенно влияет на эффективность работы производственной организации с точки зрения уровней запаса, обслуживания клиентов и использования мощностей. Однако измерение точности прогноза не так просто выполнить, как кажется на первый взгляд. Существует целый ряд технологических и бизнес-аспектов, которые необходимо учитывать на этапе внедрения инструментов планирования сбыта.

В отношении бизнес-факторов возникают следующие вопросы:

• Какие метрики должны использоваться?
• Каковы преимущества и ограничения по этим метрикам?
• На каком уровне агрегации следует производить измерение метрик?
• По каким видам прогноза (статистический или консенсуальный) следует производить измерение?
• Что понимать под задержкой, горизонтом и временным окном? (Задержка определяется как несколько периодов до фактического сбыта, по которому был создан прогноз, например, задержка в три недели означает, что прогноз был создан на этой неделе на три следующие недели. Под горизонтом в данной статье подразумевается период времени, в который снимаются средние показатели точности для отчетности. Временные окна определяют гранулярность времени для измерения точности прогноза, например, недели или месяцы.).
• В чем следует измерять точность прогноза – в единицах или в долларах?

В отношении технологии возникают следующие вопросы:

• Как фиксируется история продаж?
• Как фиксируются исторические (по версиям) прогнозы для обеспечения возможности измерения точности по задержке?
• Как предоставить пользователям гибкий, но быстрый вывод отчета?

Сначала рассмотрим критические бизнес-аспекты и вопросы, ответы на которые являются важными с точки зрения процесса измерения точности прогноза. Кроме того, опишем процедуру внедрения такого процесса измерения точности прогноза с использованием систем SAP Advanced Planning and Optimization (APO), SAP Demand Planning (DP) и SAP Business Warehouse (BW). Сюда входит обзор архитектуры высокого уровня, а также специфичные рекомендации по управлению версиями прогноза, измерению задержки прогноза и расчету метрик точности прогноза посредством запросов SAP BW.

Примечание.
SAP Business Warehouse (BW) является программным компонентом, поставляемым SAP с платформой SAP NetWeaver. В этой статье термином APO BW обозначается встроенный компонент BW системы APO. Термин Enterprise BW означает систему SAP BW, используемую в качестве хранилища данных предприятия для обработки аналитики и отчетов в масштабах всего предприятия. Термин "запросы BW" означает запросы отчетности, разработанные посредством функциональности Query Designer в Enterprise BW.  

Введение в планирование сбыта

Планирование сбыта представляет собой итеративный процесс, который, как правило, включает в себя шаги, показанные на Рис. 1.

Рис. 1

Шаги планирования сбыта

Заключительным шагом является отслеживание эффективности планирования сбыта. В этот шаг входят следующие задачи:

• измерение точности или погрешности и смещения каждого ввода;
• проведения анализа причин для выявления ключевых причин ошибки;
• определение и документирование решения с включением его в будущие циклы прогнозирования. 

Необходимость измерения точности прогноза в процессе планирования сбыта 

Самым важным правилом при прогнозировании является принятие утверждения о том, что прогноз всегда неверен. Однако точность прогноза является ключевым фактором производственной эффективности, а внедрение широких процессов для измерения точности прогноза крайне важно по следующим двум причинам:

1. Точность прогноза – это индикатор надежности прогноза, который позволяет судить о предшествующих процессах логистической цепочки: планирование страхового запаса, планирование поставок, политика запаса, планирование мощностей и соглашения с поставщиками.
2. Измерение точности прогноза позволяет оптимизировать процесс планирования сбыта путем выявления источников погрешности прогноза, к которым относится изолированная корректировка, некорректные статистические модели и человеческий фактор. Кроме того, вы сможете узнать добавленную стоимость каждого ввода в процесс планирования сбыта — статистических прогнозов, переопределения продаж и маркетинга. 

Метрики точности прогноза 

Поскольку, как правило, прогноз выполняется по сотням или тысячам продуктов в нескольких временных окнах (недели, месяцы или годы), для получения репрезентативных метрик точности применяются статистические методы. Качество прогноза обычно измеряется с помощью двух показателей: смещение и точность. Смещение прогноза – это показатель, который позволяет определить, существует ли постоянное отклонение прогноза в большую или меньшую сторону. Как правило, это значение рассчитывается посредством метрики "Средняя ошибка прогноза" (MFE), см. Рис. 2.

Рис. 2

Метрика MFE

В этой метрике D_t отражает фактическое количество, а F_t отражает прогнозное количество за месяц t в конкретном временном окне. n обозначает число временных окон, по которым усредняется измерение. Поскольку положительные и отрицательные погрешности уравновешиваются, нулевое значение MFE не является свидетельством идеальной точности прогноза (без погрешностей), а всего лишь означает усредненную точность прогноза. Даже при нулевом MFE крупные положительные или отрицательные погрешности могут вызвать по логистической цепочке волновой эффект с усилением.

Полезным показателем точности прогноза является смещение, поскольку оно позволяет выявить направление погрешности (например, предоставляет ли функция сбыта неизменно завышенные оценки для буферизации уровней обслуживания клиентов?). Точность прогноза измеряет степень точности прогнозных данных. Как правило, это значение рассчитывается с помощью двух метрик: "Среднее абсолютное отклонение" (MAD) или "Средняя абсолютная процентная ошибка" (MAPE). MAD измеряет среднее абсолютное отклонение прогноза от фактических данных, как показано на Рис. 3.

Рис. 3

Метрика MAD

MAD измеряет абсолютную погрешность, положительные и отрицательные погрешности не уравновешиваются (как при работе с MFE). Одним из ограничений метрики MAD является то, что поскольку результатом является абсолютное число, невозможно определить, является погрешность MAD большой или малой относительно фактических данных. Таким образом, с помощью этой метрики трудно сравнивать точность по линейкам продуктов или бизнес-единицам. Этот недостаток устраняет другая метрика, "Средняя абсолютная процентная ошибка" (MAPE), которую мы рассмотрим ниже.

MAPE измеряет среднюю абсолютную погрешность в виде процентного значения от фактического значения, как показано на Рис. 4.