Prognosefehler und saisonale Korrelation
Nachdem LN die Bedarfsprognose für einen Planartikel errechnet hat, bestimmt LN die Prognosefehler und eine eventuelle saisonale Korrelation.
LN ermittelt die Werte für die folgenden Felder im Programm Planartikel - Prognoseeinstellungen (cpdsp1110m000):
- Durchschnittlicher Prognosefehler (AFCE)
- Mittlere absolute Abweichung (MAD)
- Mittlere relative Abweichung (MRD)
- Standardabweichung (SDEV)
- Saisonaler Korrelationsfaktor (COR)
Die Berechnungen beruhen auf den nachstehenden Formeln.
Durchschnittlicher Prognosefehler
AFCE = sum(BP(t) - TaB(t)) / n
| AFCE | Feld Durchschnittlicher Prognosefehler |
| sum() | die Summe für alle Perioden aus der Historie |
| BP(t) | die Bedarfsprognose für Periode t |
| TaB(t) | der tatsächliche Bedarf für Periode t |
| n | die Anzahl der Perioden aus der Historie |
Mittlerer absoluter Prognosefehler
MAD = sum(abs(BP(t) - TaB(t))) / n
| MAD | Feld Mittlere absolute Abweichung |
| sum() | die Summe für alle Perioden aus der Historie |
| abs(BP(t)-TaB(t)) | absoluter Wert von (BP(t)/TaB(t)) |
| BP(t) | die Bedarfsprognose für Periode t |
| TaB(t) | der tatsächliche Bedarf für Periode t |
| n | die Anzahl der Perioden aus der Historie |
Mittlerer relativer Prognosefehler
MRD = sum(100 * abs((BP(t) - TaB(t))) / TaB(t)) / n
| MRD | Mittlere relative Abweichung |
| sum | die Summe für alle Perioden aus der Historie |
| BP(t) | die Bedarfsprognose für Periode t |
| TaB(t) | tatsächlicher Bedarf für Periode t |
| n | die Anzahl der Perioden aus der Historie |
Standardabweichung des Prognosefehlers
SDEV = sqr(sum(((BP(t) - TaB(t)) - AFCE)^2) / (n - 1))
| SDEV | Feld Standardabweichung |
| sqr() | die Quadratwurzel |
| sum() | die Summe für alle Perioden aus der Historie |
| BP(t) | die Bedarfsprognose für Periode t |
| TaB(t) | der tatsächliche Bedarf für Periode t |
| AFCE | der mittlere absolute Prognosefehler |
| n | die Anzahl der Perioden aus der Historie |
Saisonale Korrelation
LN bestimmt die Standardabweichung vom tatsächlichen Bedarf für zwei Datenmengen. Die Datenmenge 1 besteht aus den Perioden von der ersten bis zur letzten Periode abzüglich der Saisonlänge (in Perioden). Die Datenmenge 2 besteht aus den Perioden von der ersten Periode nach der Saisonlänge in Perioden bis zur letzten Periode. Die Datenmenge 2 ist also im Vergleich zur Datenmenge 1 um eine Saisonlänge verschoben.
Standardabweichungen:
StA1 = sqr(sum(((TdB(t) - TdB1)^2) / (m - 1)); StA2 = sqr(sum(((TdB(t+L) - TdB2)^2) / (m - 1))
| StA1 | die Standardabweichung für Datenmenge 1 |
| StA2 | die Standardabweichung für Datenmenge 2 |
| sqr() | die Quadratwurzel |
| sum() | die Summe für alle Perioden aus der Historie |
| TdB(t) | der trend-angepasste tatsächliche Bedarf für Periode t (*) |
| TdB1 | der trend-angepasste durchschnittliche Bedarf für Datenmenge 1 (*) |
| TdB2 | der trend-angepasste durchschnittliche Bedarf für Datenmenge 2 (*) |
| L | die Dauer der Saison in Perioden |
| m | die Anzahl der Perioden in der Historie abzüglich der Saisondauer in Perioden |
LN ermittelt den Kovarianzfaktor für zwei Datenmengen.
(*) Weitere Informationen zur Berechnung des trendangepassten durchschnittlichen Bedarfs finden Sie unter Prognoseverfahren: Polynomische Regression.
KVF = sum((TdB(t) - TdB1) x (TdB(t+L) - TdB2) / (m - 1))
| KVF | Kovarianzfaktor |
| sum | die Summe aller Perioden abzüglich der Saisondauer in Perioden |
| TdB(t) | der trend-angepasste tatsächliche Bedarf für Periode t |
| TdB1 | der trend-angepasste durchschnittliche Bedarf für Datenmenge 1 |
| TdB2 | der trend-angepasste durchschnittliche Bedarf für Datenmenge 2 |
| L | die Dauer der Saison in Perioden |
| m | die Anzahl der Perioden in der Historie abzüglich der Saisondauer in Perioden |
Abschließend wird der saisonale Korrelationsfaktor wie folgt berechnet:
COR = KVF / (StA1 x StA2)
| COR | Feld Saisonaler Korrelationsfaktor |
| KVF | Kovarianzfaktor |
| StA1 | Standardabweichung für Datenmenge 1 |
| StA2 | Standardabweichung für Datenmenge 2 |
![[...]](../cp/images/nt_flow_000113.gif)