Angenommen, wir haben in den ersten drei Monaten des Jahres die folgenden Verk\u00e4ufe eines bestimmten Produkts:<\/span> <\/p>\n Die Umsatzprognose f\u00fcr April w\u00fcrde einfach den tats\u00e4chlichen Verk\u00e4ufen f\u00fcr den vorangegangenen M\u00e4rz entsprechen:<\/span> <\/p>\n Obwohl diese Methode einfach ist, funktioniert sie in der Praxis meist \u00fcberraschend gut.<\/span><\/p>\n Dieses Tutorial bietet ein schrittweises Beispiel f\u00fcr die Durchf\u00fchrung naiver Prognosen in R.<\/span><\/p>\n Zun\u00e4chst geben wir Umsatzdaten \u00fcber einen Zeitraum von 12 Monaten bei einem imagin\u00e4ren Unternehmen ein:<\/span><\/p>\n Als N\u00e4chstes verwenden wir die folgenden Formeln, um naive Prognosen f\u00fcr jeden Monat zu erstellen:<\/span><\/p>\n Beachten Sie, dass wir einfach NA<\/strong> f\u00fcr den ersten vorhergesagten Wert verwendet haben.<\/span><\/p>\n Schlie\u00dflich m\u00fcssen wir die Genauigkeit der Prognosen messen. Zwei g\u00e4ngige Metriken zur Messung der Genauigkeit sind:<\/span><\/p>\n Wir k\u00f6nnen den folgenden Code verwenden, um beide Metriken zu berechnen:<\/span><\/p>\n Der durchschnittliche absolute prozentuale Fehler betr\u00e4gt 9,898 %<\/strong> und der durchschnittliche absolute Fehler betr\u00e4gt 3,45.<\/strong><\/span><\/p>\n Um herauszufinden, ob diese Prognose n\u00fctzlich ist, k\u00f6nnen wir sie mit anderen Prognosemodellen vergleichen und sehen, ob die Messgenauigkeit besser oder schlechter ist.<\/span><\/p>\n Schlie\u00dflich k\u00f6nnen wir ein einfaches Liniendiagramm erstellen, um die Unterschiede zwischen tats\u00e4chlichen Verk\u00e4ufen und naiven Umsatzprognosen in jedem Zeitraum zu visualisieren:<\/span> <\/p>\n Beachten Sie, dass die vorhergesagte Verkaufslinie im Wesentlichen eine verschobene Version der tats\u00e4chlichen Verkaufslinie ist.<\/span><\/p>\n Dies ist genau das, was wir erwarten w\u00fcrden, da die naive Prognose einfach vorhersagt, dass die Ums\u00e4tze in der aktuellen Periode den Ums\u00e4tzen in der vorherigen Periode entsprechen werden.<\/span><\/p>\n So berechnen Sie MAE in R<\/a> Eine naive Prognose ist eine Prognose, bei der die Prognose f\u00fcr einen bestimmten Zeitraum einfach dem in der vorherigen Periode beobachteten Wert entspricht. Angenommen, wir haben in den ersten drei Monaten des Jahres die folgenden Verk\u00e4ufe eines bestimmten Produkts: Die Umsatzprognose f\u00fcr April w\u00fcrde einfach den tats\u00e4chlichen Verk\u00e4ufen f\u00fcr den vorangegangenen M\u00e4rz entsprechen: Obwohl diese […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/naive_forecast1.png\")
<\/p>\n![\"Beispiel](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/naive_forecast2.png\")
<\/p>\n Schritt 1: Geben Sie die Daten ein<\/strong><\/span><\/h3>\n
#create vector to hold actual sales data<\/span>\nactual <- c(34, 37, 44, 47, 48, 48, 46, 43, 32, 27, 26, 24)\n<\/strong><\/pre>\n Schritt 2: Naive Prognosen erstellen<\/strong><\/span><\/h3>\n
#generate naive forecasts<\/span>\nforecast <- c(NA, actual[- length<\/span> (actual)])\n\n#view naive forecasts<\/span>\nforecast\n\n[1] NA 34 37 44 47 48 48 46 43 32 27 26\n<\/strong><\/pre>\n Schritt 3: Prognosegenauigkeit messen<\/strong><\/span><\/h3>\n
\n
#calculate MAPE\n<\/span>mean(abs((actual-forecast)\/actual), na. rm<\/span> = T<\/span> ) * 100\n\n[1] 9.898281\n\n#calculate MAE\n<\/span>mean(abs(actual-forecast), na. rm<\/span> = T<\/span> )\n\n[1] 3.454545\n<\/strong><\/pre>\n Schritt 4: Visualisieren Sie die Prognose<\/strong><\/span><\/h3>\n
#plot actual sales\n<\/span>plot(actual, type=' l<\/span> ', col = ' red<\/span> ', main=' Actual vs. Forecasted Sales<\/span> ',\n xlab=' Sales Period<\/span> ', ylab=' Sales<\/span> ')\n\n#add line for forecasted sales\n<\/span>lines(forecast, type=' l<\/span> ', col = ' blue<\/span> ')\n\n#add legend\n<\/span>legend(' topright<\/span> ', legend=c(' Actual<\/span> ', ' Forecasted<\/span> '),\n col=c(' red<\/span> ', ' blue<\/span> '), lty=1)\n<\/strong><\/pre>\n![\"Naive](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/naifr1.png\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So berechnen Sie MAPE in R<\/a>
Was gilt als guter Wert f\u00fcr MAPE?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"