這些預測精度問卷報告調查可以做為你們公司的標竿基準嗎 ?
什麼是基準？
標竿基準的概念廣泛應用於業務領域，從流程基準和財務基準到新硬件的IT性能基準。任何此類努力的共同之處在於收集和分析類似和可比較領域的績效衡量標準，以便了解最佳績效是什麼。
在標竿基準中，可比較性是關鍵！只有在類似情況下評估基准進程的基準時，基準才能被信任。例如，跨“一般公司”的基準利潤率不符合可比較性標準; 生物技術公司和公用事業公司具有廣泛不同的“正常”利潤率，並且將生物技術公司的最佳利潤作為公用事業的目標是不現實的。
標竿基準與尋找最佳實踐密切相關。理想情況下，可以確定績效基準，然後調查哪些因素能夠實現這個基準。舉例來說，最佳的銷售預測可能是非常不同的因素造成的：一個好的數據收集過程，一個複雜的預測算法，或在商店和/或倉庫匯集的 SKU ，都可能只是一個聰明的選項。
任何導致始終如一的卓越預測表現的方法，都將成為最佳實踐的候選人。作為預測者，我們對標竿基準的搜索實際上只是我們搜索最佳實踐的一部分。我們試圖優化我們的預測，並且需要了解我們的流程中哪些部分必須改進才能實現此目標。
以預測精度調查的問題
可以用那些公佈的銷售預測準確度的數據來作為基準嗎？ 分析表明，調查結果在其所基於的數據中存在多重不兼容性來源。 其中包括行業和產品的差異，空間和時間粒度，預測範圍，公制，預測流程和商業模式。
產品差異(Product Difference)
跨行業甚至跨公司，我們必須預測極不相似的產品的銷售。 罐裝湯和割草機的銷售行為非常不同; 他們的預測挑戰也會不同。 罐裝湯的製造商可能面臨季節性不佳以及由製造商控制時間的促銷活動驅動的銷售。 然而，割草機的銷售將是高度季節性的，主要取決於初夏的天氣。 因此，期望割草機的銷售比罐裝湯的銷售更難以預測，並預計割草機的“良好”預測比罐裝湯的“良好”預測具有更高的誤差。
當罐裝湯和割草機作為消費品或由零售業銷售的產品組合在一起時，可比較性問題就出現了。 另外，正如我上面提到的，單一公司的單獨產品在可預測性方面可能會有所不同。快速移動的主食可能很容易預測，而移動緩慢的高價物品可能會出現間歇性 - 因此難以預測。
此外，預測不僅計算產品，還計算服務和/或價格。對於人力規劃，企業需要準確預測各種服務，從為零售商的配送中心選擇產品到生產軟件。而在價格波動較強的行業，預測價格可能與預測數量一樣重要。可比較性問題可能適用於價格預測以及數量預測。儘管大多數已發布的調查都集中在非服務產品的數量上，但我們可以清楚地看到服務和價格的基準預測也面臨類似的挑戰
空間粒度(Spatial Granularity)
已發布的準確度數字並未精確指定“空間”粒度級別。當涉及 SKU-by-location 預測時，我們是在討論單個零售店，區域配送中心（DC）還是國家區域配送中心的預測？在所有三個地點進行預測對零售商來說可能都很重要。國家的區域配送中心層級的預測通常是製造商最感興趣的，因為這是他通常面臨的零售商的需求 - 當然，除非製造商從事直接店鋪交貨（DSD），在這種情況下，他肯定會對商店級銷售感興趣，並且在邏輯上遵循商店級預測。
來自地區或國家區域服務中心的零售商店的銷售總額通常會導致更穩定的銷售模式。因此，對零售商店的預測通常比國家區域配送中心更難。對於商店預測，給定的預測誤差可能是還好，但對於DC預測來說，預測誤差會大得令人無法接受。同樣，與勞斯萊斯這樣的小公司相比，通用汽車在成熟和穩定的市場上的汽車銷售情況更容易預測，而勞斯萊斯則為車迷提供限量的豪華轎車。
時間粒度(Time Granularity)
調查中報告的預測時間維度往往含糊不清。預測是按月，每週，每天甚至是日內銷售計算的嗎？對於需要每天補充貨架的零售商來說，單日預測很重要，而每週預測可能足以提供區域配送中心。製造商可能只需要考慮來自零售商區域配送中心的月度訂單，但對於直接店鋪交貨DSD，他們需要再次預測每週甚至每日
就像商店銷售額與直接銷售額的總和使得在商業區的預測比在商店中更容易一樣，預測每月銷售比每週銷售更容易，預測每週銷售量比日常銷售更容易，預測日常銷售量比日內銷售量更容易。給定的準確度數字對於日常預測可能非常好，但對於每月預測來說非常糟糕。長期預測比短期更難，因為目標時間段更遠。長期預測可能與短期預測在時間粒度上有所不同：零售商通常會在即將來臨的幾週內每天（甚至是在日內）時段進行預測，月預測基準預測 2-12個月的預測，並以季度時段預測長期。這些預測分別對應於商店訂購和貨架補貨的業務預測，分銷中心訂單的戰術預測，以及與供應商進行合同談判的戰略預測。
這個例子清楚地說明了不同視野的預測可能有不同的目的和不同的用戶，並且根據不同的過程和算法進行計算。需要注意的是，不同時間範圍內的錯誤可能會產生不同的成本：低估商店補貨預測會導致忍受缺貨時間受限，而長期規劃中的預測不足，可能會導致零售商將某件可能會帶來可觀利潤的商品下架。
關鍵績效指標（KPI）
已發布的調查採用MAPE或其近似變化作為預測準確度的“標準”度量。事實上，關於銷售預測準確度的“最佳”指標幾乎沒有一致意見。雖然MAPE無疑是銷售預測中最常用的衡量標準，但它確實存在嚴重缺陷：一方面是不對稱，另一方面是銷售額較低時的誤差會迅速膨脹變大(因為實際值在分母)。 Kolassa和Schutz（2007），Valentin（2007）和Pearson（2007）在之前的Foresight文章中提出了這些缺點，他們提出了另一種預測精度指標。 Catt（2007）和Boylan（2007）更進一步，鼓勵使用成本預測誤差（CFE）指標代替預測準確度指標。
由於預測準確度指標的激增，您無法確定調查受訪者是否真正正確計算了所報告的指標。然後是不對稱問題。根據行業和產品的不同，高估預測（導致過度庫存）和低估預測（銷售損失）可能會有相當不同的成本影響。過量的庫存可能比銷售損失更多成本（如新鮮農產品等短期產品或快速過時的高科技產品），或者也可能是相反，銷售損失可能比過量的庫存耗費更多的成本（例如罐裝商品或原材料）。 MAPE及其變體將10％的高估預測與10％的低估預測視為相同，這可能無法充分解決實際業務問題。明確解決過度和不足預測的KPI可能對預測用戶更有意義。
預測期數(Forecast Horizon)
大多數研究都報告了預測的時間範圍， 我希望他們都做到了。 許多不同的預測範圍對不同用戶來說可能是有利的，從零售商提前1天預測到重新上架，到需要規劃未來產能的消費產品製造商提前18個月（甚至更多）的預測 ，同時並可能需要簽訂長期合同義務。
預測過程(Forecast Process)
預測的準確性與用於生成預測的過程密切相關，而不僅僅與算法方法有關。在過去的25年裡，預測者嘗試了很多方法來提高公司預測過程中的準確性，從結構化評估調整和統計預測（Armstrong，2001）到供應鏈上的協同計劃，預測和補貨（CPFR）（ Seifert，2002）。然而，已發布的關於預測準確性的調查並未區分受訪者基於其流程成熟度，無論是完全成熟的CPFR工作還是兼職員工使用電子表格。
標杆基準與流程改進密切相關（Camp，1989）。這兩者在某種意義上是不可分割的。因此，只要沒有關於預測過程的信息，我們真的不知道報告的 MAPE 是“好”還是“壞”。預測是一種依賴於良好方法/算法和復雜過程的藝術。使用來自純科學（可稱為體制外或實驗室）預測競賽的結果（如M-競賽或最近的神經網絡預測競賽作為基準（Bunn和Taylor，2001））將變得非常困難，因為這些競賽通常與提供數據的公司的流程分離。
商業模式(Business Model)
已公佈的預測準確性調查研究了企業對消費者（B2C）零售業的銷售情況。在零售方面，我們只能觀察銷售情況，而不是需求情況 - 如果顧客在貨架上找不到所需的產品，他們只會在其他地方購物，而店鋪經理通常不會意識到銷售損失。因此，可以計算預測的信息基礎被降低。我們可能想要預測需求，但只能觀察歷史銷售。
這種所謂的設限(censoring)問題(簡單說就是觀察不到的問題)，對於短期內不能改變其供應的產品尤其嚴重，如新鮮草莓。我們可能對客戶需求有一個很好的預測，但由於庫存不夠高而錯失大量銷售。因此，將草莓銷售預測的準確性與餐巾銷售預測進行比較將是不恰當的：草莓的審查問題比餐巾更嚴重。相比之下，在企業對企業（B2B）環境中，我們經常知道我們的業務客戶的歷史訂單，所以，即使需求不能滿足，我們至少知道它有多高。因此，B2B 預測利用更好的歷史數據獲利，並且應該比B2C預測更準確。
因此，任何公佈的可藉 B2B 或 B2C 方式出售的產品預測基準，都比對“純” B2B 或 B2C 產品的預測更難解釋。
而且，在按訂單生產(build-to-order)的情況下，人們甚至可能不知道未來將銷售的特定最終產品為何。因此，在這種情況下去對其組件級別進行預測或以金額而非單位銷售量來進行預測是有意義的。
總而言之，目前所發佈發行的銷售預測研究都不能用作標竿基準。由於每個行業和每家公司都以其獨特的時間粒度，產品組合和預測流程面臨自己的預測問題，因此所有已發布的指標都存在嚴重缺陷，其數據和過程都嵌入了預測的可比性問題。多年來已經認識到不可比性的問題（Bunn和Taylor，2001），但尚未解決。迄今為止公佈的所有研究報告的平均銷售預測均基於廣泛不同的基礎進行計算，使用的定義不清晰的市場類別，並忽略了工作中的基本預測流程。這些缺點非常嚴重，在我看來，發布的預測準確度指標只能作為真實基準的非常基本的初步近似值。不能簡單地將行業特定的預測誤差作為基準和目標。
問卷調查的可比性問題是否可以解決？原則上，我們能否收集更多或更好的數據，並在預測中創建“真實”的基準？
公司和產品之間的差異非常大，因此在同一市場內的公司之間進行有用的比較可能難以實現。例如，即使在相對同質的雜貨店銷售預測領域，我也看到不同公司的“正常”錯誤在 20％到 60％ 之間變化（MAPE為每週超前1週的銷售預測），具體取決於快速銷售者，促銷活動或價格變化的存在，新鮮農產品的數量（總是難以預測），數據質量等。因此，不同類別和不同公司之間的可比性是主要障礙。
另外，各行業在他們願意向外界提供多少信息方面存在很大差異。如果我的公司披露他們正在考慮實施自動補貨系統，我曾與那些威脅採取法律行動的零售商合作。這些零售商將其預測和補貨流程視為其競爭優勢的一部分，因此無法公佈，甚至是匿名的，和比較其流程。這根本是不可行的。這個問題在零售市場中擴散開來，使得標竿基準比較非常困難。雖然這種問題在其他市場可能不太普遍，但仍然可能是一個問題。
我的結論是，尋求外部預測基準是徒勞的。
那麼預測員應該怎麼看待評估預測表現以及是否可以改進？我認為，標杆管理不應該由外部準確度目標驅動，而應該由關於什麼構成良好預測實踐的知識來驅動，而與預測的具體產品無關。 Moon，Mentzer和Smith（2003）關於進行銷售預測審核的文章以及隨後的評論作為批判性評估公司預測實踐和管理環境的良好開端。
重要的是要注意，沒有人 - 不是論文的作者，也不是評論者，也沒有其他作品提及 - 建議您依賴甚至利用外部預測準確度基準。在討論優化預測過程的“應該”目標狀態時，他們以定性，過程為導向表達目標，而不是以要實現的MAPE的形式表達目標。這種由流程驅動的預測改進方法也有助於我們將注意力集中在要改變的流程上，而不是實現特定MAPE的可能難以實現的目標。
隨著時間的推移，應該監控由於過程和組織變化導致的預測準確性改進。為了支持監控任務，您應該仔細選擇反映組織面臨的實際挑戰的KPI。必須存儲歷史預測和銷售情況，以便您可以回答“我們對當年1月份的2008年預測有多好”的問題？然後，我們可以評估預測是否改善以及改善了多少作為審計的結果，改變算法，引入專門的預測團隊或其他改進項目。
總而言之，公佈的預測準確性報告太不可靠，不能用作基準，這種情況不太可能改變。我們應該仔細檢查我們的內部預測過程和組織環境，而不是看外部基準。如果我們專注於過程改進，預測的準確性和組織對預測的使用最終將得到改善。
標竿基準的概念廣泛應用於業務領域，從流程基準和財務基準到新硬件的IT性能基準。任何此類努力的共同之處在於收集和分析類似和可比較領域的績效衡量標準，以便了解最佳績效是什麼。
在標竿基準中，可比較性是關鍵！只有在類似情況下評估基准進程的基準時，基準才能被信任。例如，跨“一般公司”的基準利潤率不符合可比較性標準; 生物技術公司和公用事業公司具有廣泛不同的“正常”利潤率，並且將生物技術公司的最佳利潤作為公用事業的目標是不現實的。
標竿基準與尋找最佳實踐密切相關。理想情況下，可以確定績效基準，然後調查哪些因素能夠實現這個基準。舉例來說，最佳的銷售預測可能是非常不同的因素造成的：一個好的數據收集過程，一個複雜的預測算法，或在商店和/或倉庫匯集的 SKU ，都可能只是一個聰明的選項。
任何導致始終如一的卓越預測表現的方法，都將成為最佳實踐的候選人。作為預測者，我們對標竿基準的搜索實際上只是我們搜索最佳實踐的一部分。我們試圖優化我們的預測，並且需要了解我們的流程中哪些部分必須改進才能實現此目標。
以預測精度調查的問題
可以用那些公佈的銷售預測準確度的數據來作為基準嗎？ 分析表明，調查結果在其所基於的數據中存在多重不兼容性來源。 其中包括行業和產品的差異，空間和時間粒度，預測範圍，公制，預測流程和商業模式。
產品差異(Product Difference)
跨行業甚至跨公司，我們必須預測極不相似的產品的銷售。 罐裝湯和割草機的銷售行為非常不同; 他們的預測挑戰也會不同。 罐裝湯的製造商可能面臨季節性不佳以及由製造商控制時間的促銷活動驅動的銷售。 然而，割草機的銷售將是高度季節性的，主要取決於初夏的天氣。 因此，期望割草機的銷售比罐裝湯的銷售更難以預測，並預計割草機的“良好”預測比罐裝湯的“良好”預測具有更高的誤差。
當罐裝湯和割草機作為消費品或由零售業銷售的產品組合在一起時，可比較性問題就出現了。 另外，正如我上面提到的，單一公司的單獨產品在可預測性方面可能會有所不同。快速移動的主食可能很容易預測，而移動緩慢的高價物品可能會出現間歇性 - 因此難以預測。
此外，預測不僅計算產品，還計算服務和/或價格。對於人力規劃，企業需要準確預測各種服務，從為零售商的配送中心選擇產品到生產軟件。而在價格波動較強的行業，預測價格可能與預測數量一樣重要。可比較性問題可能適用於價格預測以及數量預測。儘管大多數已發布的調查都集中在非服務產品的數量上，但我們可以清楚地看到服務和價格的基準預測也面臨類似的挑戰
空間粒度(Spatial Granularity)
已發布的準確度數字並未精確指定“空間”粒度級別。當涉及 SKU-by-location 預測時，我們是在討論單個零售店，區域配送中心（DC）還是國家區域配送中心的預測？在所有三個地點進行預測對零售商來說可能都很重要。國家的區域配送中心層級的預測通常是製造商最感興趣的，因為這是他通常面臨的零售商的需求 - 當然，除非製造商從事直接店鋪交貨（DSD），在這種情況下，他肯定會對商店級銷售感興趣，並且在邏輯上遵循商店級預測。
來自地區或國家區域服務中心的零售商店的銷售總額通常會導致更穩定的銷售模式。因此，對零售商店的預測通常比國家區域配送中心更難。對於商店預測，給定的預測誤差可能是還好，但對於DC預測來說，預測誤差會大得令人無法接受。同樣，與勞斯萊斯這樣的小公司相比，通用汽車在成熟和穩定的市場上的汽車銷售情況更容易預測，而勞斯萊斯則為車迷提供限量的豪華轎車。
時間粒度(Time Granularity)
調查中報告的預測時間維度往往含糊不清。預測是按月，每週，每天甚至是日內銷售計算的嗎？對於需要每天補充貨架的零售商來說，單日預測很重要，而每週預測可能足以提供區域配送中心。製造商可能只需要考慮來自零售商區域配送中心的月度訂單，但對於直接店鋪交貨DSD，他們需要再次預測每週甚至每日
就像商店銷售額與直接銷售額的總和使得在商業區的預測比在商店中更容易一樣，預測每月銷售比每週銷售更容易，預測每週銷售量比日常銷售更容易，預測日常銷售量比日內銷售量更容易。給定的準確度數字對於日常預測可能非常好，但對於每月預測來說非常糟糕。長期預測比短期更難，因為目標時間段更遠。長期預測可能與短期預測在時間粒度上有所不同：零售商通常會在即將來臨的幾週內每天（甚至是在日內）時段進行預測，月預測基準預測 2-12個月的預測，並以季度時段預測長期。這些預測分別對應於商店訂購和貨架補貨的業務預測，分銷中心訂單的戰術預測，以及與供應商進行合同談判的戰略預測。
這個例子清楚地說明了不同視野的預測可能有不同的目的和不同的用戶，並且根據不同的過程和算法進行計算。需要注意的是，不同時間範圍內的錯誤可能會產生不同的成本：低估商店補貨預測會導致忍受缺貨時間受限，而長期規劃中的預測不足，可能會導致零售商將某件可能會帶來可觀利潤的商品下架。
關鍵績效指標（KPI）
已發布的調查採用MAPE或其近似變化作為預測準確度的“標準”度量。事實上，關於銷售預測準確度的“最佳”指標幾乎沒有一致意見。雖然MAPE無疑是銷售預測中最常用的衡量標準，但它確實存在嚴重缺陷：一方面是不對稱，另一方面是銷售額較低時的誤差會迅速膨脹變大(因為實際值在分母)。 Kolassa和Schutz（2007），Valentin（2007）和Pearson（2007）在之前的Foresight文章中提出了這些缺點，他們提出了另一種預測精度指標。 Catt（2007）和Boylan（2007）更進一步，鼓勵使用成本預測誤差（CFE）指標代替預測準確度指標。
由於預測準確度指標的激增，您無法確定調查受訪者是否真正正確計算了所報告的指標。然後是不對稱問題。根據行業和產品的不同，高估預測（導致過度庫存）和低估預測（銷售損失）可能會有相當不同的成本影響。過量的庫存可能比銷售損失更多成本（如新鮮農產品等短期產品或快速過時的高科技產品），或者也可能是相反，銷售損失可能比過量的庫存耗費更多的成本（例如罐裝商品或原材料）。 MAPE及其變體將10％的高估預測與10％的低估預測視為相同，這可能無法充分解決實際業務問題。明確解決過度和不足預測的KPI可能對預測用戶更有意義。
預測期數(Forecast Horizon)
大多數研究都報告了預測的時間範圍， 我希望他們都做到了。 許多不同的預測範圍對不同用戶來說可能是有利的，從零售商提前1天預測到重新上架，到需要規劃未來產能的消費產品製造商提前18個月（甚至更多）的預測 ，同時並可能需要簽訂長期合同義務。
預測過程(Forecast Process)
預測的準確性與用於生成預測的過程密切相關，而不僅僅與算法方法有關。在過去的25年裡，預測者嘗試了很多方法來提高公司預測過程中的準確性，從結構化評估調整和統計預測（Armstrong，2001）到供應鏈上的協同計劃，預測和補貨（CPFR）（ Seifert，2002）。然而，已發布的關於預測準確性的調查並未區分受訪者基於其流程成熟度，無論是完全成熟的CPFR工作還是兼職員工使用電子表格。
標杆基準與流程改進密切相關（Camp，1989）。這兩者在某種意義上是不可分割的。因此，只要沒有關於預測過程的信息，我們真的不知道報告的 MAPE 是“好”還是“壞”。預測是一種依賴於良好方法/算法和復雜過程的藝術。使用來自純科學（可稱為體制外或實驗室）預測競賽的結果（如M-競賽或最近的神經網絡預測競賽作為基準（Bunn和Taylor，2001））將變得非常困難，因為這些競賽通常與提供數據的公司的流程分離。
商業模式(Business Model)
已公佈的預測準確性調查研究了企業對消費者（B2C）零售業的銷售情況。在零售方面，我們只能觀察銷售情況，而不是需求情況 - 如果顧客在貨架上找不到所需的產品，他們只會在其他地方購物，而店鋪經理通常不會意識到銷售損失。因此，可以計算預測的信息基礎被降低。我們可能想要預測需求，但只能觀察歷史銷售。
這種所謂的設限(censoring)問題(簡單說就是觀察不到的問題)，對於短期內不能改變其供應的產品尤其嚴重，如新鮮草莓。我們可能對客戶需求有一個很好的預測，但由於庫存不夠高而錯失大量銷售。因此，將草莓銷售預測的準確性與餐巾銷售預測進行比較將是不恰當的：草莓的審查問題比餐巾更嚴重。相比之下，在企業對企業（B2B）環境中，我們經常知道我們的業務客戶的歷史訂單，所以，即使需求不能滿足，我們至少知道它有多高。因此，B2B 預測利用更好的歷史數據獲利，並且應該比B2C預測更準確。
因此，任何公佈的可藉 B2B 或 B2C 方式出售的產品預測基準，都比對“純” B2B 或 B2C 產品的預測更難解釋。
而且，在按訂單生產(build-to-order)的情況下，人們甚至可能不知道未來將銷售的特定最終產品為何。因此，在這種情況下去對其組件級別進行預測或以金額而非單位銷售量來進行預測是有意義的。
總而言之，目前所發佈發行的銷售預測研究都不能用作標竿基準。由於每個行業和每家公司都以其獨特的時間粒度，產品組合和預測流程面臨自己的預測問題，因此所有已發布的指標都存在嚴重缺陷，其數據和過程都嵌入了預測的可比性問題。多年來已經認識到不可比性的問題（Bunn和Taylor，2001），但尚未解決。迄今為止公佈的所有研究報告的平均銷售預測均基於廣泛不同的基礎進行計算，使用的定義不清晰的市場類別，並忽略了工作中的基本預測流程。這些缺點非常嚴重，在我看來，發布的預測準確度指標只能作為真實基準的非常基本的初步近似值。不能簡單地將行業特定的預測誤差作為基準和目標。
問卷調查的可比性問題是否可以解決？原則上，我們能否收集更多或更好的數據，並在預測中創建“真實”的基準？
公司和產品之間的差異非常大，因此在同一市場內的公司之間進行有用的比較可能難以實現。例如，即使在相對同質的雜貨店銷售預測領域，我也看到不同公司的“正常”錯誤在 20％到 60％ 之間變化（MAPE為每週超前1週的銷售預測），具體取決於快速銷售者，促銷活動或價格變化的存在，新鮮農產品的數量（總是難以預測），數據質量等。因此，不同類別和不同公司之間的可比性是主要障礙。
另外，各行業在他們願意向外界提供多少信息方面存在很大差異。如果我的公司披露他們正在考慮實施自動補貨系統，我曾與那些威脅採取法律行動的零售商合作。這些零售商將其預測和補貨流程視為其競爭優勢的一部分，因此無法公佈，甚至是匿名的，和比較其流程。這根本是不可行的。這個問題在零售市場中擴散開來，使得標竿基準比較非常困難。雖然這種問題在其他市場可能不太普遍，但仍然可能是一個問題。
我的結論是，尋求外部預測基準是徒勞的。
那麼預測員應該怎麼看待評估預測表現以及是否可以改進？我認為，標杆管理不應該由外部準確度目標驅動，而應該由關於什麼構成良好預測實踐的知識來驅動，而與預測的具體產品無關。 Moon，Mentzer和Smith（2003）關於進行銷售預測審核的文章以及隨後的評論作為批判性評估公司預測實踐和管理環境的良好開端。
重要的是要注意，沒有人 - 不是論文的作者，也不是評論者，也沒有其他作品提及 - 建議您依賴甚至利用外部預測準確度基準。在討論優化預測過程的“應該”目標狀態時，他們以定性，過程為導向表達目標，而不是以要實現的MAPE的形式表達目標。這種由流程驅動的預測改進方法也有助於我們將注意力集中在要改變的流程上，而不是實現特定MAPE的可能難以實現的目標。
隨著時間的推移，應該監控由於過程和組織變化導致的預測準確性改進。為了支持監控任務，您應該仔細選擇反映組織面臨的實際挑戰的KPI。必須存儲歷史預測和銷售情況，以便您可以回答“我們對當年1月份的2008年預測有多好”的問題？然後，我們可以評估預測是否改善以及改善了多少作為審計的結果，改變算法，引入專門的預測團隊或其他改進項目。
總而言之，公佈的預測準確性報告太不可靠，不能用作基準，這種情況不太可能改變。我們應該仔細檢查我們的內部預測過程和組織環境，而不是看外部基準。如果我們專注於過程改進，預測的準確性和組織對預測的使用最終將得到改善。
留言
張貼留言