تعرض معظم الفرق رقماً واحداً لدقة التنبؤ كل شهر. المشكلة أن رقماً واحداً قد يبدو جيداً بينما تفشل الخطة بصمت في الأصناف الأهم. واختيار المقاييس الصحيحة هو الخطوة الأولى نحو تنبؤ يثق به الجميع.
MAPE: سهل القراءة وسهل التضليل
يحسب متوسط نسبة الخطأ المطلق (MAPE) متوسط نسبة الخطأ لكل صنف أو فترة. وهو مقياس بديهي، ولهذا هو شائع. لكنه يفشل عندما تكون المبيعات الفعلية صفراً أو قليلة جداً، ويعطي الصنف بطيء الحركة الوزن نفسه الذي يعطيه للصنف الأكثر مبيعاً، ويعاقب التنبؤ الزائد والناقص بشكل مختلف.
WMAPE: وزن الخطأ حسب الأهمية
يقسم مقياس WMAPE مجموع الأخطاء المطلقة على مجموع المبيعات الفعلية، فتُحسب الأصناف الكبيرة أكثر من الصغيرة، ولا تعود الفترات ذات المبيعات الصفرية مشكلة. ولمعظم التقارير على مستوى المحفظة، يُعد WMAPE رقماً رئيسياً أفضل من MAPE.
الانحياز: الخطأ الذي يتراكم
تخبرك الدقة بحجم الأخطاء، أما الانحياز فيخبرك باتجاهها. فالتنبؤ المرتفع باستمرار يراكم مخزوناً زائداً، والمنخفض باستمرار يسبب نفاد المخزون، حتى لو بدا متوسط الخطأ مقبولاً. تابع الانحياز كمجموع (التنبؤ ناقص الفعلي) مقسوماً على مجموع الفعلي، لكل شريحة.
MASE: المقارنة مع نموذج مرجعي بسيط
يقارن مقياس MASE، الذي اقترحه Hyndman وKoehler، خطأ تنبؤك بخطأ تنبؤ بسيط (ساذج). والقيمة الأقل من 1 تعني أن طريقتك تتفوق على الطريقة البسيطة. وهو يصلح للطلب المتقطع، ويتيح مقارنة أصناف ذات أحجام مختلفة جداً.
بطاقة قياس عملية
- اعرض WMAPE والانحياز معاً، ولا تكتفِ بالدقة وحدها.
- قِس على المستوى الذي تُتخذ فيه القرارات، مثل الصنف حسب المستودع، وعند مدة التوريد المهمة لقرار الطلب.
- قسّم النتائج حسب شرائح ABC-XYZ، لأن المجموع الجيد قد يخفي دقة ضعيفة في أصناف الفئة A.
- استخدم MASE للتحقق مما إذا كان النموذج يضيف قيمة مقارنة بنموذج مرجعي بسيط.
- تابع القيمة المضافة للتنبؤ: هل حسّن كل تعديل يدوي النتيجة أم أضعفها؟
في OPTIAI، تُتابع دقة التنبؤ والانحياز حسب الشريحة وحسب المخطط، ليرى الفريق أي النماذج وأي التعديلات تحسّن الخطة فعلاً.
شاهده على بياناتك
احجز عرضاً توضيحياً وسنريك كيف يطبّق OPTIAI أو OPTIFLOW هذه الممارسات على منتجاتك ومواقعك وسلسلة الإمداد لديك.
احجز عرضاً توضيحياً