Proč je přesnost prognózy víc než analytická metrika
Přesnost prognózy poptávky říká, jak moc se predikovaný prodej liší od skutečného. Nejčastěji se měří metrikou jako MAPE (Mean Absolute Percentage Error) — průměrná procentní odchylka predikce od skutečnosti — nebo příbuznými metrikami jako MAE či sMAPE. Ať se počítá jakkoliv, jde vždy o totéž: kolik se predikce průměrně sekne.
Přesnost prognózy určuje výši pojistné zásoby
Čím větší je typická chyba predikce, tím větší rezervu firma potřebuje, aby se ochránila proti tomu, že se odhad zmýlí. Přesnost prognózy tedy není jen KPI pro analytika, ale přímo se propisuje do toho, kolik kapitálu je vázáno v pojistné zásobě.
Nižší chyba znamená nižší potřebnou rezervu
Zpřesnění prognózy o pár procentních bodů se nemusí projevit jen v hezčím grafu — může znamenat reálně menší bezpečnostní zásobu při zachování stejné úrovně ochrany proti výpadku, tedy méně vázaného kapitálu při stejném riziku.
Chyba se sleduje v čase, ne jako jedno číslo
Jednorázově naměřená přesnost nic neříká o tom, jestli se model zlepšuje, zhoršuje, nebo jestli chyba roste zrovna u konkrétní kategorie produktů. Užitečné je sledovat vývoj chyby v čase, ne jen aktuální snímek.
Kde firmy pálí peníze
Typická chyba není chybějící metrika přesnosti, ale práce s jedním souhrnným číslem za celý katalog, které v praxi maskuje velké rozdíly mezi produkty.
Jedno číslo přesnosti pro celý katalog
Průměrná přesnost přes stovky nebo tisíce SKU zakryje, že u bestsellerů s vyrovnaným prodejem je predikce velmi přesná, zatímco u okrajových nebo nárazově prodávaných produktů je chyba mnohonásobně vyšší. Firma pak řídí zásoby podle čísla, které pro většinu jednotlivých produktů neplatí.
Stejná pojistná zásoba bez ohledu na chybu predikce
Pokud se výše rezervy nastavuje plošně a ne podle skutečné přesnosti prognózy u konkrétního produktu, produkty s nepředvídatelnou poptávkou jsou poddimenzované a produkty s vyrovnanou poptávkou mají zbytečně vysokou rezervu.
Přesnost se neměří vůbec
Bez měření chyby predikce firma neví, jestli se odhady poptávky v čase zlepšují, nebo jestli je aktuální proces objednávání ve skutečnosti horší, než by byl jednoduchý odhad z minulého období.
Jak se přesnost prognózy sleduje u Datima
Cílem není tvrdit jedno univerzální číslo přesnosti platné pro celý katalog — to by bylo zavádějící. Cílem je mít chybu viditelnou a měřitelnou tak, aby se dala použít při rozhodování o zásobách.
- 1
Metriky MAE, sMAPE a bias v reportu
Přesnost predikcí se sleduje pomocí standardních metrik chyby — MAE, sMAPE a bias — přímo v reportu, ne jako jednorázový výpočet mimo systém.
- 2
Vývoj chyby v čase, ne jen momentální snímek
Report ukazuje vývoj chyby predikce v čase, takže je vidět, jestli se model zlepšuje s přibývajícími daty, nebo jestli chyba u konkrétní kategorie roste a je potřeba se na ni podívat blíž.
- 3
Přesnost se liší podle SKU a to se nepředstírá pryč
Predikce se počítá po jednotlivém produktu, takže rozdíl mezi dobře predikovatelným A produktem a nepředvídatelným C produktem zůstává viditelný, místo aby zmizel v jednom průměrném čísle za celý katalog (viz ABC-XYZ matice).
- 4
Přesnost roste s historií, ne okamžitě
Po nasazení se modely dál ladí na nových datech. Konkrétní úroveň přesnosti u konkrétního katalogu se ověřuje v pilotu — přesná čísla dopředu slíbit nejde, protože závisí na kvalitě a délce historie prodejů.