00:00:00 Einführung in Prognosewertsteigerung (FVA)
00:00:41 Erklärung und Schritte der FVA-Analyse
00:01:59 Backtesting und Bewertung der FVA-Genauigkeit
00:02:47 FVA und manuelle Eingriffe
00:03:56 FVA’s Annahme über den Wert der Genauigkeit
00:04:37 FVA als Kompetenztest für Prognoseprotokolle
Erfahren Sie mehr in Lokads ausführlichem Prognosewertsteigerung-Artikel.
Zusammenfassung
Conor Doherty, Lokads technischer Redakteur, erörtert das Prognosewertsteigerung (FVA)-Werkzeug, ein Diagnosetool für den Prognoseprozess. FVA integriert Erkenntnisse aus verschiedenen Abteilungen, um die Prognosegenauigkeit zu verbessern. Doherty erklärt die Schritte einer FVA-Analyse und deren Wirksamkeit. Er weist darauf hin, dass, obwohl FVA den Wert von Erkenntnissen aufzeigen kann, sie voraussetzt, dass eine höhere Prognosegenauigkeit stets vorteilhaft ist, was nicht immer der Fall ist. Er schlägt vor, dass der Fokus auf der Reduzierung monetärer Fehler liegen sollte, anstatt eine höhere Genauigkeit anzustreben. Er schlussfolgert, dass FVA als Kompetenztest eingesetzt werden könnte, validiert jedoch nicht den routinemäßigen Einsatz von Nicht-Spezialisten für Prognoseeingaben.
Vollständiges Transkript
Prognosewertsteigerung, oder FVA, ist ein einfaches, kollaboratives Werkzeug, das dazu entwickelt wurde, jeden Schritt im Prognoseprozess zu bewerten. Sein ultimatives Ziel ist es, Schritte zu eliminieren, die die Prognosegenauigkeit nicht erhöhen.
FVA erreicht dies, indem der Prognoseprozess erweitert wird, um Erkenntnisse aus anderen Abteilungen wie Marketing und Vertrieb einzubeziehen. Heute werden wir drei einfache Fragen stellen und beantworten: Wie führt man eine FVA-Analyse durch? Funktioniert sie? Und sollten Sie sie verwenden? Lassen Sie uns beginnen.
Ein statistischer Forecast wird erstellt und anschließend zwischen den Abteilungen weitergegeben. Jede Abteilung nimmt basierend auf ihrer Expertise Änderungen vor. Diese Änderungen werden später miteinander, dann mit der tatsächlichen Nachfrage und schließlich mit dem naiven Forecast verglichen.
Wenn die Abteilungen den Forecast genauer gemacht haben, haben sie positive FVA hinzugefügt. Wenn sie ihn ungenauer gemacht haben, fügten sie negative FVA hinzu.
Im Allgemeinen sieht eine FVA-Analyse folgendermaßen aus: Schritt eins, definieren Sie die Mitwirkenden und die Reihenfolge, in der sie beitragen werden. Schritt zwei, erstellen Sie einen statistischen Forecast und anschließend einen naiven.
Schritt drei, sammeln Sie die Erkenntnisse. Diese beziehen sich auf den statistischen Forecast. Schritt vier, berechnen Sie die FVA für jeden Mitwirkenden in jedem Schritt des Prozesses. Und schließlich, Schritt fünf, optimieren Sie den Prognoseprozess.
Zuerst, indem die Berührungspunkte eliminiert werden, die die Genauigkeit verringerten. Zweitens, indem die Berührungspunkte verstärkt werden, die die Genauigkeit erhöhen. In der Praxis sieht eine FVA-Zeitleiste etwa so aus.
Wie Sie sehen können, durchläuft der statistische Forecast des Unternehmens mehrere Überschreibungen, einschließlich einer Phase des Konsens-Forecasts. Es ist nicht ungewöhnlich, dass eine FVA-Analyse sogar eine Exekutivphase beinhaltet, in der das obere Management den Konsens-Forecast validiert.
Sobald das Unternehmen die tatsächlichen Nachfragedaten hat, kann ein Backtest durchgeführt werden, um festzustellen, wie viel Genauigkeit in jedem Schritt erhöht oder verringert wurde. Ein Beispiel-Backtest sieht folgendermaßen aus.
In diesem Treppenstufenbericht kann die positive oder negative FVA jeder Überschreibung mit jeder anderen verglichen werden. Hierbei ist die Bewertungsmetrik MAPE, der mittlere absolute prozentuale Fehler.
Zum Beispiel verringerte der statistische Forecast den Fehler um 5% im Vergleich zum naiven Forecast, weshalb er positive FVA beisteuerte. Der Konsens-Forecast hingegen trug insgesamt zu einer signifikanten negativen FVA bei.
Ich kann heute nur drei wesentliche Punkte behandeln. Für eine deutlich ausführlichere Analyse von FVA konsultieren Sie bitte unseren FVA-Artikel. Der Link befindet sich in der Beschreibung unten.
Punkt Nummer eins, FVA basiert auf der Annahme, dass mehrere und sogar konsensbasierte Eingriffe positiven Wert hinzufügen können. Darüber hinaus geht FVA davon aus, dass dieser Wert im gesamten Unternehmen verteilt ist.
Makridakis et al. weisen jedoch darauf hin, dass die besten Prognosemodelle Fortschritte in der maschinelles Lernen-Technologie nutzen. Anders ausgedrückt, sie begrenzen den menschlichen Einfluss.
Während des kürzlichen M5-Wettbewerbs, bei dem die Teilnehmer die Nachfrage für den umsatzstärksten Einzelhändler der Welt, Walmart, prognostizieren mussten, wurde das siegreiche Modell von einem Studenten mit sehr wenig Vertriebs- oder gar Prognoseerfahrung entwickelt.
Dies weist darauf hin, dass wir die Rolle von Markterkenntnissen in der Bedarfsprognose möglicherweise überschätzen. Punkt Nummer zwei, und das muss man anerkennen, zeigt FVA genau, wie fehlerhaft menschliche Überschreibungen sind.
FVA hat die Fähigkeit, den Menschen mit handfesten Zahlen zu zeigen, dass ihre Erkenntnisse die Prognosegenauigkeit nicht erhöhen. Dafür besitzt es definitiv einen einmaligen Nutzwert. Als wiederkehrende Praxis leidet es jedoch unter einer sehr großen Einschränkung.
Dies führt mich sehr passenderweise zu Punkt Nummer drei. FVA setzt voraus, dass es sich lohnt, eine höhere Prognosegenauigkeit anzustreben, obwohl es unzählige Situationen gibt, in denen eine höhere Genauigkeit mit erheblichen Kosten verbunden ist, sowohl direkt als auch indirekt.
Ein Forecast könnte um 5% genauer sein, aber durch die damit verbundenen Kosten zu deutlich geringeren Gewinnen führen. Daher sollte der Erfolg eines Forecasts wirklich ausschließlich darauf beruhen, den Fehler in Euro oder Dollar zu reduzieren, anstatt in der Genauigkeit an sich zu verharren.
Sollten Sie es also verwenden? Man könnte FVA als einmaligen Kompetenz- oder Inkompetenztest der aktuellen Prognoseprotokolle einsetzen. Dies rechtfertigt jedoch nicht die Idee, routinemäßig auf Nicht-Spezialisten für manuelle Eingaben im Prognoseprozess zurückzugreifen.
