Was gilt als guter wert für mape?

Eine der am häufigsten verwendeten Metriken zur Messung der Prognosegenauigkeit eines Modells ist MAPE , was für den mittleren absoluten prozentualen Fehler steht.

Die Formel zur Berechnung des MAPE lautet wie folgt:

MAPE = (1/n) * Σ(|tatsächlich – Prognose| / |tatsächlich|) * 100

Gold:

• Σ – ein ausgefallenes Symbol mit der Bedeutung „Summe“
• n – Stichprobengröße
• real – der tatsächliche Wert der Daten
• Prognose – der erwartete Wert der Daten

MAPE wird häufig verwendet, weil es leicht zu interpretieren und zu erklären ist. Ein MAPE-Wert von 8 % bedeutet beispielsweise, dass die durchschnittliche Differenz zwischen dem vorhergesagten Wert und dem tatsächlichen Wert 8 % beträgt.

Eine der häufigsten Fragen, die Menschen bei der Verwendung dieser Metrik stellen, ist:

Was ist ein guter Wert für MAPE?

Die unbefriedigende Antwort: Es kommt darauf an .

Natürlich gilt: Je niedriger der MAPE-Wert, desto besser, aber es gibt keinen bestimmten Wert, den man als „gut“ oder „schlecht“ bezeichnen kann. Dies hängt von mehreren Faktoren ab:

• Die Art der Branche
• Der MAPE-Wert im Vergleich zu einem einfachen Prognosemodell

Lassen Sie uns diese beiden Faktoren genauer untersuchen.

MAPE variiert je nach Branche

Unternehmen erstellen häufig Prognosen zur Nachfrage nach ihren Produkten und verwenden dann MAPE, um die Genauigkeit der Prognosen zu messen.

Leider gibt es keinen „Standard“-MAPE-Wert, da dieser je nach Unternehmensart erheblich variieren kann.

Beispielsweise wird ein Unternehmen, das seine Preise selten ändert, wahrscheinlich eine stabile, vorhersehbare Nachfrage haben, was bedeutet, dass es über ein Modell verfügt, das einen sehr niedrigen MAPE erzeugt, vielleicht weniger als 3 %.

Bei anderen Unternehmen, die ständig Werbeaktionen und Sonderangebote durchführen, schwankt die Nachfrage im Laufe der Zeit erheblich. Daher wird es einem Prognosemodell wahrscheinlich schwerer fallen, die Nachfrage so genau vorherzusagen, was bedeutet, dass die Modelle möglicherweise einen höheren Wert für MAPE haben.

Sie sollten den „Industriestandards“ für MAPE sehr skeptisch gegenüberstehen.

Vergleichen Sie MAPE mit einem einfachen Prognosemodell

Anstatt zu versuchen, den MAPE Ihres Modells mit einem beliebigen „guten“ Wert zu vergleichen, sollten Sie ihn stattdessen mit dem MAPE einfacher Prognosemodelle vergleichen.

Es gibt zwei bekannte einfache Prognosemodelle:

1. Die durchschnittliche Prognosemethode.

Diese Art von Prognosemodell sagt einfach voraus, dass der Wert der nächsten bevorstehenden Periode dem Durchschnitt aller vorherigen Perioden entsprechen wird. Obwohl diese Methode zu einfach erscheint, liefert sie in der Praxis tendenziell gute Ergebnisse.

2. Die naive Prognosemethode.

Diese Art von Prognosemodell sagt voraus, dass der Wert der nächsten bevorstehenden Periode dem Wert der vorherigen Periode entsprechen wird. Obwohl diese Methode recht einfach ist, funktioniert sie in der Regel überraschend gut.

Wenn Sie ein neues Prognosemodell entwickeln, sollten Sie den MAPE dieses Modells mit dem MAPE dieser beiden einfachen Prognosemethoden vergleichen.

Wenn das MAPE Ihres neuen Modells nicht wesentlich besser ist als diese beiden Methoden, sollten Sie es nicht als nützlich erachten.

Abschließende Gedanken

Obwohl MAPE weit verbreitet und leicht zu interpretieren ist, weist seine Verwendung einige potenzielle Nachteile auf:

1. Da die Formel zur Berechnung des absoluten prozentualen Fehlers |tatsächliche-Prognose| lautet / |echt| Dies bedeutet, dass es nicht gesetzt wird, wenn einer der tatsächlichen Werte Null ist.

2. MAPE sollte nicht bei Datenmengen mit geringem Datenvolumen verwendet werden. Wenn beispielsweise der tatsächliche Bedarf für einen Artikel 2 beträgt und die Prognose 1 beträgt, beträgt der absolute prozentuale Fehlerwert |2-1| / |2| = 50 %, wodurch der Prognosefehler recht hoch erscheint, selbst wenn die Prognose nur um 1 Einheit abweicht.

Mögliche Alternativen zu MAPE sind die mittlere absolute Abweichung und der mittlere quadratische Fehler.

Zusätzliche Ressourcen

So berechnen Sie MAPE in Excel
So berechnen Sie MAPE in R
So berechnen Sie MAPE in Python
Was gilt als guter RMSE-Wert?