Prognosefouten en seizoenscorrelatie
Nadat LN de vraagprognose voor een planartikel heeft berekend, bepaalt LN de prognosefouten en eventuele seizoenscorrelaties.
LN berekent de waarde van de volgende velden in de sessie Planartikelen - prognose-instellingen (cpdsp1110m000):
- Gemiddelde prognosefout (AFCE)
- Gemiddelde absolute afwijking (MAD)
- Gemiddelde relatieve afwijking (MRD)
- Standaardafwijking (SDEV)
- Seizoenscorrelatiefactor (COR)
De berekeningen zijn gebaseerd op de volgende formules.
Gemiddelde prognosefout
AFCE = som(VP(t) - WV(t)) / n
AFCE | het veld Gemiddelde prognosefout |
sum() | Het totaal van alle historieperioden |
FD(t) | De vraagprognose van periode t |
AD(t) | Werkelijke vraag van periode t |
N | Het aantal historieperioden |
Gemiddelde absolute prognosefout
MAD = sum(abs(FD(t) - AD(t))) / n
MAD | het veld Gemiddelde absolute afwijking |
sum() | Het totaal van alle historieperioden |
abs(FD(t)-AD(t)) | Absolute waarde van (FD(t)-AD(t)) |
FD(t) | De vraagprognose van periode t |
AD(t) | Werkelijke vraag van periode t |
N | Het aantal historieperioden |
Gemiddelde relatieve prognosefout
MRD = sum(100 * abs((FD(t) - AD(t))) / AD(t)) / n
MRD | Gemiddelde relatieve afwijking |
sum | Het totaal van alle historieperioden |
FD(t) | De vraagprognose van periode t |
AD(t) | Werkelijke vraag van periode t |
N | Het aantal historieperioden |
Standaardafwijking van de prognosefout
SDEV = sqr(som(((FD(t) - AD(t)) - AFCE)^2) / (n - 1))
SDEV | het veld Standaardafwijking |
sqr() | Vierkantswortel |
sum() | Het totaal van alle historieperioden |
FD(t) | De vraagprognose van periode t |
AD(t) | Werkelijke vraag van periode t |
AFCE | Gemiddelde prognosefout |
N | Het aantal historieperioden |
Seizoenscorrelatie
LN bepaalt de standaardafwijking van de werkelijke vraag voor twee sets gegevens. Gegevensset 1 bestaat uit de perioden vanaf de eerste periode tot en met de laatste periode minus de seizoenslengte in perioden. Gegevensset 2 bestaat uit de perioden vanaf de eerste periode na de seizoenslengte in perioden tot en met de laatste periode. Met andere woorden: gegevensset 2 wordt met één seizoenslengte verschoven ten opzichte van gegevensset 1.
In het volgende diagram wordt dit toegelicht voor een seizoenslengte van één maand.
A | Gegevensset 1: |
B | Gegevensset 2 |
1 | Januari |
2 | Februari |
3 | Maart |
4 | April |
5 | Mei |
Standaardafwijkingen
SDV1 = sqr(sum(((DM(t) - DM1)^2) / (m - 1)) SDV2 =
sqr(sum(((DM(t+L) - DM2)^2) / (m - 1))
SDV1 | Standaardafwijking voor gegevensset 1 |
SDV2 | Standaardafwijking voor gegevensset 2 |
sqr() | Vierkantswortel |
sum() | Het totaal van alle historieperioden |
DM(t) | Voor trend gecorrigeerde werkelijke vraag van periode t (*) |
DM1 | Voor trend gecorrigeerde gemiddelde vraag voor gegevensset 1 (*) |
DM2 | Voor trend gecorrigeerde gemiddelde vraag voor gegevensset 2 (*) |
V | Seizoenslengte in perioden |
m | Aantal historieperioden minus seizoenslengte in perioden |
LN bepaalt de covariantiefactor voor de twee gegevenssets.
(*) Voor het berekenen van de voor de trend gecorrigeerde gemiddelde vraag, zie Prognosemethode: Polynomische regressie
COV = som((DM(t) - DM(1) x (DM(t+L) - DM2) / (m - 1))
COV | Covariantiefactor |
sum | Totaal van alle perioden minus seizoenslengte in perioden |
DM(t) | Voor trend gecorrigeerde werkelijke vraag van periode t |
DM1 | Voor trend gecorrigeerde gemiddelde vraag voor gegevensset 1 |
DM2 | Voor trend gecorrigeerde gemiddelde vraag voor gegevensset 2 |
V | Seizoenslengte in perioden |
m | Aantal historieperioden minus seizoenslengte in perioden |
Ten slotte, wordt de seizoenscorrelatiefactor als volgt berekend:
COR = COV / (SDV1 x SDV2)
COR | het veld Seizoenscorrelatiefactor |
COV | Covariantiefactor |
SDV1 | Standaardafwijking voor gegevensset 1 |
SDV2 | Standaardafwijking voor gegevensset 2 |