00:00:00 Введение в прогнозную добавленную стоимость (FVA)
00:00:41 Объяснение и шаги анализа FVA
00:01:59 Обратное тестирование и оценка точности FVA
00:02:47 FVA и ручные вмешательства
00:03:56 Предположение FVA о ценности точности
00:04:37 FVA как тест на компетентность для протоколов прогнозирования
Узнайте больше в полной статье Lokad о прогнозной добавленной стоимости.
Резюме
Conor Doherty, технический писатель Lokad, обсуждает инструмент прогнозной добавленной стоимости (FVA), диагностическое средство для процесса прогнозирования. FVA интегрирует идеи из разных отделов для повышения точности прогнозирования. Доэрти объясняет шаги анализа FVA и его эффективность. Он отмечает, что хотя FVA может продемонстрировать ценность идей, он предполагает, что большая точность прогнозирования всегда полезна, что не всегда так. Он предлагает сосредоточиться на снижении денежной ошибки, а не на достижении большей точности. Он заключает, что FVA может использоваться в качестве теста на компетентность, но не подтверждает регулярное использование неспециалистами для прогнозирования.
Полный текст
Прогнозная добавленная стоимость, или FVA, - это простой совместный инструмент, разработанный для оценки каждого шага в процессе прогнозирования. Его конечная цель - устранить шаги, которые не увеличивают точность прогнозирования.
FVA достигает этого, расширяя процесс прогнозирования, чтобы включить идеи из других отделов, таких как маркетинг и продажи. Сегодня мы зададим и ответим на три простых вопроса: Как выполнять анализ FVA? Работает ли он? И должны ли вы его использовать? Давайте начнем.
Генерируется статистический прогноз, который затем передается между отделами. Каждый отдел вносит изменения на основе своего опыта. Затем эти изменения сравниваются друг с другом, затем с фактическим спросом и, наконец, с наивным прогнозом.
Если отделы сделали прогноз более точным, они добавили положительную FVA. Если они сделали его менее точным, они добавили отрицательную FVA.
Обычно анализ FVA выглядит примерно так: Шаг первый, определите участников и порядок их участия. Шаг второй, сгенерируйте статистический прогноз, а затем наивный.
Шаг третий, соберите идеи. Они будут применяться к статистическому прогнозу. Шаг четвертый, рассчитайте FVA для каждого участника на каждом шаге процесса. И, наконец, шаг пятый, оптимизируйте процесс прогнозирования.
Во-первых, путем устранения точек контакта, уменьшающих точность. Во-вторых, увеличьте точки контакта, увеличивающие точность. На практике временная шкала FVA выглядит примерно так.
Как видите, статистический прогноз компании проходит через несколько переопределений, включая этап консенсусного прогноза. Не редкость, когда анализ FVA включает даже исполнительную фазу, где высшее руководство подтверждает консенсусный прогноз.
Когда у компании есть фактические данные о спросе, можно выполнить обратное тестирование, чтобы определить, насколько точность увеличилась или уменьшилась на каждом этапе. Образец обратного тестирования выглядит так.
В этом отчете по ступеням можно сравнить положительное или отрицательное FVA для каждого переопределения с каждым другим переопределением. Здесь метрикой оценки является MAPE, средняя абсолютная процентная ошибка.
Например, статистический прогноз снизил ошибку на 5% по сравнению с наивным прогнозом, поэтому он внес положительный вклад в FVA. Однако консенсусный прогноз в целом внес значительный отрицательный вклад в FVA.
Сегодня я могу рассмотреть только три основных момента. Для более подробного анализа FVA обратитесь, пожалуйста, к нашей статье о FVA. Ссылка находится в описании ниже.
Первый момент: FVA основан на предположении, что множественные и даже консенсусные вмешательства могут добавлять положительную ценность. Кроме того, FVA считает, что эта ценность распределена по всей компании.
Однако Макридакис и др. указывают на то, что лучшие модели прогнозирования используют преимущества технологии машинного обучения. Другими словами, они ограничивают человеческое вмешательство.
Во время недавнего конкурса M5, в котором участники должны были прогнозировать спрос для крупнейшего розничного продавца в мире по обороту, Walmart, победную модель разработал студент с очень небольшим опытом продаж или даже прогнозирования.
Это указывает на то, что мы, возможно, переоцениваем роль рыночного понимания в прогнозировании спроса. Второй момент: FVA действительно демонстрирует, насколько недостаточным является человеческое вмешательство.
FVA имеет возможность показать людям холодными цифрами, что их идеи не увеличивают точность прогнозирования. В этом он определенно имеет одноразовую полезность. Однако как постоянная практика он страдает от очень большого ограничения.
Что приводит меня к третьему моменту. FVA предполагает, что повышение точности прогнозирования стоит того, хотя на самом деле есть множество ситуаций, в которых повышение точности приводит к значительным затратам, как прямым, так и косвенным.
Прогноз может быть на 5% точнее, но из-за связанных затрат привести к значительно меньшим прибылям. Поэтому успех прогноза действительно должен основываться исключительно на снижении ошибки в евро или долларах, а не на стремлении к большей точности самой по себе.
Итак, стоит ли использовать FVA? FVA можно использовать как одноразовый тест компетентности или некомпетентности текущих протоколов прогнозирования. Однако это не подтверждает идею регулярного обращения к неспециалистам для ручного ввода в процесс прогнозирования.
