预测模型选择涉及复杂的过程和多因素考量。除了关注预测准确度，如绝对误差百分比和均方差，还需考虑极端误差的影响。文章探讨了多种方法，如整体准确度最低、互补预测方法和平均预测值，以避免预测中的大错特错。此外，实施难易度和对供应链执行的影响也是选择模型的重要因素。追求更优而非最优的解决方案，以适应组织能力和实际需求。
本文摘自以上书籍，作者:刘宝红，京东、当当有售。
预测模型的选择是个复杂过程，需要考虑多方面的因素，再配以职业判断。计划软件往往按照特定的指标判断预测模型的优劣，但很难综合考虑多种因素，特别是历史数据没有反映的信息。这就是对计划软件建议的模型，有经验的计划人员总是戒心重重的原因了。
在选择合适的预测模型时，我们首先要看预测准确度。前面说过，常用的准确度指标有两个：绝对误差百分比、均方差。前者的好处是直观，但有可能误导；后者的好处是更能够避免极端误差，但不直观。
我还看到，有人用预测“成功率”来评判模型的好坏。比如准确度目标是70%或更高，选100个样本，用预测方法A，有60个样本达到70%以上的准确度；用方法B，只有55个，所以就得出A优于B的结论。这看上去有道理，但如果A没有预测“准”的产品中，误差极端大的案例很多；而B没有预测“准”的产品中，误差都相对挺小，怎么办？
我们当然希望更多的产品能够预测更准；但害死我们的是那些预测极端不准的，这在上面评判方法中没有覆盖到。打个不恰当的比喻，这有点像木桶理论，每个桶板当然是越长越好，但真正害死我们的是那些最短的板。
所以，围绕多个产品选择一种更优的预测方法
最低0.47元/天 解锁文章
扫一扫
539
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
