00:00:00 Введение в Прогнозируемую добавленную стоимость (FVA)
00:00:41 Объяснение и этапы анализа FVA
00:01:59 Бэктестинг и оценка точности FVA
00:02:47 FVA и ручное вмешательство
00:03:56 Предположение FVA о значимости точности
00:04:37 Использование FVA в качестве теста на компетентность для протоколов прогнозирования
Узнайте больше в подробной Прогнозируемая добавленная стоимость статье Lokad.
Резюме
Конор Дохерти, технический писатель компании Lokad, рассказывает об инструменте Forecast Value Added (FVA), диагностическом средстве для процесса прогнозирования. FVA интегрирует знания из различных отделов для повышения точности прогнозирования. Дохерти объясняет этапы анализа FVA и его эффективность. Он отмечает, что, хотя FVA может демонстрировать ценность полученных инсайтов, он исходит из предположения, что повышение точности прогнозирования всегда полезно, что не всегда так. Он предлагает сосредоточиться на снижении денежных ошибок вместо стремления к большей точности. Он заключает, что FVA можно использовать в качестве теста на компетентность, но это не оправдывает регулярное привлечение неспециалистов для предоставления данных прогноза.
Полная расшифровка
Forecast Value Added, или FVA, — это простой инструмент для совместной работы, предназначенный для оценки каждого этапа процесса прогнозирования. Его конечная цель — исключить этапы, не повышающие точность прогнозирования.
FVA достигается за счёт расширения процесса прогнозирования посредством включения знаний из других отделов, таких как маркетинг и продажи. Сегодня мы зададим и ответим на три простых вопроса: Как провести анализ FVA? Работает ли он? И стоит ли его использовать? Приступим.
Сначала создаётся статистический прогноз, который затем передаётся между отделами. Каждый отдел вносит изменения на основе своей экспертизы. Эти изменения затем сравниваются между собой, затем с фактическим спросом и, наконец, с наивным прогнозом.
Если отделы улучшали точность прогноза, они добавляли положительный FVA. Если же точность ухудшалась, они добавляли отрицательный FVA.
В общем, анализ FVA выглядит примерно так: Шаг первый, определить участников и порядок их вклада. Шаг второй, создать статистический прогноз, а затем наивный.
Шаг третий, собрать инсайты, которые будут применены к статистическому прогнозу. Шаг четвертый, рассчитать FVA для каждого участника на каждом этапе процесса. И, наконец, шаг пятый, оптимизировать процесс прогнозирования.
Во-первых, устранив те точки взаимодействия, которые снижали точность. Во-вторых, усилив те, которые повышают точность. На практике временная шкала FVA выглядит примерно так.
Как видно, статистический прогноз компании проходит через несколько этапов переоценки, включая этап формирования консенсус-прогноза. Нередки случаи, когда анализ FVA включает даже исполнительную фазу, на которой высшее руководство утверждает консенсус-прогноз.
Как только у компании появляются данные о фактическом спросе, можно провести бэктест, чтобы определить, насколько на каждом этапе точность была улучшена или ухудшена. Пример бэктеста выглядит следующим образом.
В этом поэтапном отчёте положительный или отрицательный FVA для каждой переоценки можно сравнить с другими. Здесь оценочным показателем является MAPE, средняя абсолютная процентная ошибка.
Например, статистический прогноз снизил ошибку на 5% по сравнению с наивным, следовательно, он внес положительный вклад в FVA. Однако общий консенсус-прогноз внес значительный отрицательный FVA.
Сегодня я могу осветить только три основные момента. Для более подробного анализа FVA, пожалуйста, ознакомьтесь с нашей статьей о FVA. Ссылка находится в описании ниже.
Первый момент: FVA основана на предположении, что множественные, а иногда и согласованные вмешательства могут добавить положительную ценность. Более того, FVA считает, что эта ценность распределяется по всей компании.
Однако Макриди и соавторы указывают, что лучшие модели прогнозирования используют достижения в технологиях машинного обучения. Другими словами, уменьшая участие человека.
Во время недавнего конкурса M5, где участникам приходилось прогнозировать спрос для крупнейшего розничного продавца по обороту, Walmart, победившая модель была разработана студентом с очень небольшим опытом в продажах и прогнозировании.
Это указывает на то, что мы, возможно, переоцениваем роль рыночных инсайтов в прогнозировании спроса. Второй момент: вопреки всему, FVA действительно демонстрирует, насколько несовершенны человеческие вмешательства.
FVA имеет возможность доказать людям с помощью конкретных чисел, что их инсайты не повышают точность прогнозирования. В этом она безусловно имеет разовую полезность. Однако при регулярном использовании она страдает от существенных ограничений.
Что очень логично подводит к третьему пункту. FVA исходит из предположения, что стремление к повышению точности прогнозирования оправдано, хотя на практике существует множество ситуаций, когда большая точность сопряжена со значительными затратами как напрямую, так и косвенно.
Прогноз может быть на 5% точнее, но из-за сопутствующих затрат приводить к существенно меньшей прибыли. Таким образом, успех прогноза должен базироваться исключительно на сокращении ошибок в евро или долларах, а не на погоне за повышением точности.
Итак, стоит ли его использовать? FVA можно применять как разовое испытание компетентности или неквалифицированности текущих протоколов прогнозирования. Однако это не оправдывает идею регулярного привлечения неспециалистов для ручного ввода данных в процесс прогнозирования.
