Wat wordt als een goede waarde voor mape beschouwd?

Een van de meest gebruikte maatstaven om de voorspellingsnauwkeurigheid van een model te meten is MAPE , wat staat voor Mean Absolute Percentage Error .

De formule om MAPE te berekenen is als volgt:

MAPE = (1/n) * Σ(|actueel – voorspelling| / |actueel|) * 100

Goud:

• Σ – een mooi symbool dat ‘som’ betekent
• n – steekproefomvang
• real – de werkelijke waarde van de gegevens
• voorspelling – de verwachte waarde van de gegevens

MAPE wordt vaak gebruikt omdat het gemakkelijk te interpreteren en uit te leggen is. Een MAPE-waarde van 8% betekent bijvoorbeeld dat het gemiddelde verschil tussen de voorspelde waarde en de werkelijke waarde 8% is.

Een van de meest voorkomende vragen die mensen stellen bij het gebruik van deze statistiek is:

Wat is een goede waarde voor MAPE?

Het onbevredigende antwoord: het hangt ervan af .

Het is duidelijk dat hoe lager de MAPE-waarde, hoe beter, maar er is geen specifieke waarde die je „goed“ of „slecht“ kunt noemen. Dit is afhankelijk van verschillende factoren:

• Het type industrie
• De MAPE-waarde vergeleken met een eenvoudig voorspellingsmodel

Laten we deze twee factoren diepgaand onderzoeken.

MAPE verschilt per branche

Bedrijven maken vaak prognoses over de vraag naar hun producten en gebruiken vervolgens MAPE om de nauwkeurigheid van de prognoses te meten.

Helaas bestaat er geen “standaard” MAPE-waarde, omdat deze aanzienlijk kan variëren, afhankelijk van het type bedrijf.

Een bedrijf dat zijn prijzen zelden verandert, zal bijvoorbeeld waarschijnlijk een stabiele, voorspelbare vraag hebben, wat betekent dat het een model kan hebben dat een zeer lage MAPE oplevert, misschien minder dan 3%.

Voor andere bedrijven die voortdurend promoties en speciale aanbiedingen aanbieden, zal hun vraag in de loop van de tijd aanzienlijk variëren en dus zal een voorspellingsmodel het waarschijnlijk moeilijker hebben om de vraag zo nauwkeurig te voorspellen, wat betekent dat de modellen mogelijk een hogere waarde hebben voor MAPE.

U moet zeer sceptisch zijn over de „industriestandaarden“ voor MAPE.

Vergelijk MAPE met een eenvoudig voorspellingsmodel

In plaats van te proberen de MAPE van uw model te vergelijken met een willekeurige ‚goede‘ waarde, moet u deze in plaats daarvan vergelijken met de MAPE van eenvoudige voorspellingsmodellen.

Er zijn twee bekende eenvoudige voorspellingsmodellen:

1. De gemiddelde voorspellingsmethode.

Dit type voorspellingsmodel voorspelt eenvoudigweg dat de waarde van de volgende komende periode het gemiddelde zal zijn van alle voorgaande perioden. Hoewel deze methode te simplistisch lijkt, levert deze in de praktijk doorgaans goede resultaten op.

2. De naïeve voorspellingsmethode.

Dit type voorspellingsmodel voorspelt dat de waarde van de volgende komende periode gelijk zal zijn aan de voorgaande periode. Ook al is deze methode vrij eenvoudig, toch blijkt deze verrassend goed te werken.

Wanneer u een nieuw voorspellingsmodel ontwikkelt, moet u de MAPE van dat model vergelijken met de MAPE van deze twee eenvoudige voorspellingsmethoden.

Als de MAPE van uw nieuwe model niet significant beter is dan deze twee methoden, moet u deze niet als nuttig beschouwen.

Laatste gedachten

Hoewel MAPE op grote schaal wordt gebruikt en gemakkelijk te interpreteren, zijn er enkele potentiële nadelen aan het gebruik ervan:

1. Omdat de formule voor het berekenen van de absolute procentuele fout |actual-forecast| is / |echt| dit betekent dat het niet wordt ingesteld als een van de werkelijke waarden nul is.

2. MAPE mag niet worden gebruikt bij gegevens met een laag volume. Als de werkelijke vraag naar een artikel bijvoorbeeld 2 is en de prognose 1, is de absolute procentuele foutwaarde |2-1| / |2| = 50%, waardoor de voorspellingsfout behoorlijk hoog lijkt, zelfs als de voorspelling maar 1 eenheid afwijkt.

Mogelijke alternatieven voor MAPE zijn onder meer de gemiddelde absolute afwijking en de gemiddelde kwadratische fout.

Aanvullende bronnen

Hoe MAPE in Excel te berekenen
Hoe MAPE in R te berekenen
Hoe MAPE in Python te berekenen
Wat wordt als een goede RMSE-waarde beschouwd?