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
AFCEFeld 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
ndie Anzahl der Perioden aus der Historie

 

Mittlerer absoluter Prognosefehler
MAD = sum(abs(BP(t) - TaB(t))) / n
MADFeld 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
ndie Anzahl der Perioden aus der Historie

 

Mittlerer relativer Prognosefehler
MRD = sum(100 * abs((BP(t) - TaB(t))) / TaB(t)) / n
MRD Mittlere relative Abweichung
sumdie Summe für alle Perioden aus der Historie
BP(t)die Bedarfsprognose für Periode t
TaB(t)tatsächlicher Bedarf für Periode t
ndie Anzahl der Perioden aus der Historie

 

Standardabweichung des Prognosefehlers
SDEV = sqr(sum(((BP(t) - TaB(t)) - AFCE)^2) / (n - 1))
SDEVFeld 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
AFCEder mittlere absolute Prognosefehler
ndie 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.

Die folgende Abbildung verdeutlicht dies für eine Saisonlänge von einem Monat.

[...]
ADatenmenge 1
BDatenmenge 2
1Januar
2Februar
3März
4April
5Mai
Standardabweichungen:
StA1 = sqr(sum(((TdB(t) - TdB1)^2) / (m - 1)); StA2 = sqr(sum(((TdB(t+L) - TdB2)^2) / (m - 1))
StA1die Standardabweichung für Datenmenge 1
StA2die 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 (*)
TdB1der trend-angepasste durchschnittliche Bedarf für Datenmenge 1 (*)
TdB2der trend-angepasste durchschnittliche Bedarf für Datenmenge 2 (*)
Ldie Dauer der Saison in Perioden
mdie 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))
KVFKovarianzfaktor
sumdie Summe aller Perioden abzüglich der Saisondauer in Perioden
TdB(t)der trend-angepasste tatsächliche Bedarf für Periode t
TdB1der trend-angepasste durchschnittliche Bedarf für Datenmenge 1
TdB2der trend-angepasste durchschnittliche Bedarf für Datenmenge 2
Ldie Dauer der Saison in Perioden
mdie Anzahl der Perioden in der Historie abzüglich der Saisondauer in Perioden

 

Abschließend wird der saisonale Korrelationsfaktor wie folgt berechnet:

COR = KVF / (StA1 x StA2)
CORFeld Saisonaler Korrelationsfaktor
KVFKovarianzfaktor
StA1Standardabweichung für Datenmenge 1
StA2Standardabweichung für Datenmenge 2