Miten mitata tarkkuus Myynti Forecast

Jos olet toimitusjohtaja tai VP Myynti, se on erittäin tärkeää, että voit tietää miten mitata tarkkuus myynti ja kysyntäennusteet. Ennuste prosessit useimmiten käyttämä yritykset nykyään, kuten itse asiassa johtaa korkeampiin omaisuuden, enää asiakkaan tilauksen läpimenoajat, ja hyvä asiakaspalvelu toimitus suorituskyky. Kuitenkin, etteivät kaikki myyjät ovat onnistuneet mittaamaan tarkkuutta myyntiennuste. Tässä artikkelissa tulemme keskustelemaan miten arvioida tarkkuutta forecast, miten vertailla ennusteita, laskea ja näyttää keskimääräinen absoluuttinen virhe ja miten laskea MAPE. Yrityksesi tulee ennusteiden tänään joko puhtaasti manuaalisia prosesseja, MS Excel tai antaumuksellisesti ennustusvälineissä.

laskeminen absoluuttinen virhe

keskimääräinen absoluuttinen virhe (MAE) on vahva osaaminen arvioimiseksi ennuste tarkkuus yhteydessä varaston optimointi ja se on hyvin yksinkertainen laskea ja käyttää. Absoluuttinen virhe on absoluuttinen ero ennustetun ja todellisen arvon kappalemäärä. Intuitiivisesti voimme ajatella absoluuttinen virhe kohteiden määrä ennuste on pois mitä todella tapahtuu ja ehdoton tarkoittaa, että kaava ei ota huomioon sää ennuste on liian korkea tai liian matala. Kaikki, joka laskee on kuinka monta kohdetta ennuste on pois todellinen arvo. Negatiiviset algebrallinen merkkejä ei siis pidetä. Kuten edellä on mainittu tarkoittaa absoluuttinen virhe on ilmaistu määrä eriä, siksi laskettaessa Mae ja ottaen absoluuttinen virhe kunkin rivin meidän pitäisi poistaa miinusmerkki (jos on), ja jos se on positiivinen jätä se, koska se on .

laskeminen MAPE

MAPE sanoista keskimääräinen absoluuttinen prosentuaalinen virhe. Saavumme MAPE jakamalla absoluuttinen virheen ennustettu arvo. Intuitiivisesti MAPE kuten vanhemmuus virhe antaa meille mittaus ennusteen virheen suhteessa todelliseen arvoon.
Anna &'; s keskustella myös miksi MAPE ei sovi verrata ennusteita. MAPE on useimmissa tapauksissa eivät sovellu verrata myynnin ennustamisen ja kysynnän ennustamista. Tärkein kysymys on herkkyys harva aikasarjoja. Harva sarja on kohteita myyntiin hyvin pieninä annoksina. Useimmat vähittäiskauppiaat ovat suuri määrä tällaisia ​​tuotteita.

Mikä on hyvä ennuste?

Lausunnot kuten "tämä oli hyvä ennuste" tai "tämä oli huono ennuste" kuullaan lopettaa usein. Määrä arvioida tarkkuutta ennuste on asetettava yhteydessä. Esimerkiksi 5% virhe ennustaminen kotimainen sähkön 24 tuntia eteenpäin on erittäin huono, mutta 80% virhe lanseeraus on erittäin erinomainen. Vaikuttavia tekijöitä acccuracy kysynnän ennuste on monia, kuten kysynnän epävakaisuus, tietojen yhdistäminen tasolla tietomäärä, ennustejakson, harva tietojen saatavuus tapahtumatiedot ja paljon muuta. Lopuksi, Helpoin tapa asettaa yhteydessä on saada ennusteen olla tarkempi kuin status quo. Avain tehokas suunnittelu on ottaa hyvän pohjan rakentaa. Tehokkaasti suunnittelu kysynnälle jatkossa voit lisätä merkittävää lisäarvoa yrityksellesi &'; kannattavuutta ja tulosta.
.