Co jest uważane za dobrą wartość dla mape?

Jedną z najczęściej używanych metryk do pomiaru dokładności prognozy modelu jest MAPE , co oznacza średni bezwzględny błąd procentowy .

Wzór do obliczenia MAPE jest następujący:

MAPE = (1/n) * Σ(|rzeczywista – prognoza| / |rzeczywista|) * 100

Złoto:

• Σ – fantazyjny symbol oznaczający „sumę”
• n – wielkość próby
• real – rzeczywista wartość danych
• prognoza – oczekiwana wartość danych

MAPE jest powszechnie stosowany, ponieważ jest łatwy do interpretacji i wyjaśnienia. Na przykład wartość MAPE wynosząca 8% oznacza, że średnia różnica między wartością przewidywaną a wartością rzeczywistą wynosi 8%.

Jednym z najczęstszych pytań, jakie ludzie zadają, korzystając z tego wskaźnika, jest:

Jaka jest dobra wartość MAPE?

Odpowiedź niezadowalająca: to zależy .

Oczywiście im niższa wartość MAPE, tym lepiej, ale nie ma konkretnej wartości, którą można nazwać „dobrą” lub „złą”. Zależy to od kilku czynników:

• Rodzaj branży
• Wartość MAPE w porównaniu z prostym modelem prognostycznym

Przyjrzyjmy się bliżej tym dwóm czynnikom.

MAPE różni się w zależności od branży

Często firmy tworzą prognozy dotyczące popytu na swoje produkty, a następnie wykorzystują MAPE do pomiaru dokładności prognoz.

Niestety nie ma „standardowej” wartości MAPE, ponieważ może się ona znacznie różnić w zależności od rodzaju prowadzonej działalności.

Na przykład firma, która rzadko zmienia ceny, będzie prawdopodobnie miała stabilny, przewidywalny popyt, co oznacza, że może mieć model zapewniający bardzo niski MAPE, być może mniejszy niż 3%.

W przypadku innych firm, które stale organizują promocje i oferty specjalne, ich popyt będzie się znacznie zmieniać w czasie, dlatego model prognostyczny prawdopodobnie będzie miał trudności z tak dokładnym przewidzeniem popytu, co oznacza, że modele mogą mieć wyższą wartość dla MAPE.

Powinieneś być bardzo sceptyczny wobec „standardów branżowych” MAPE.

Porównaj MAPE z prostym modelem prognostycznym

Zamiast próbować porównać MAPE swojego modelu z dowolną „dobrą” wartością, powinieneś zamiast tego porównać go z MAPE prostych modeli prognostycznych.

Istnieją dwa dobrze znane proste modele prognozowania:

1. Metoda prognozy średniej.

Ten typ modelu prognozowania po prostu przewiduje, że wartość kolejnego nadchodzącego okresu będzie średnią ze wszystkich poprzednich okresów. Chociaż metoda ta wydaje się zbyt uproszczona, w praktyce zwykle daje dobre wyniki.

2. Naiwna metoda prognozowania.

Ten typ modelu prognostycznego przewiduje, że wartość kolejnego nadchodzącego okresu będzie równa okresowi poprzedniemu. Ponownie, chociaż ta metoda jest dość prosta, zwykle działa zaskakująco dobrze.

Opracowując nowy model prognozowania, należy porównać MAPE tego modelu z MAPE tych dwóch prostych metod prognozowania.

Jeśli MAPE twojego nowego modelu nie jest znacząco lepszy niż te dwie metody, nie powinieneś uważać go za przydatne.

Końcowe przemyślenia

Chociaż MAPE jest powszechnie stosowany i łatwy w interpretacji, istnieją pewne potencjalne wady jego stosowania:

1. Ponieważ wzór na obliczenie bezwzględnego błędu procentowego to |prognoza-rzeczywista| / |prawdziwy| oznacza to, że nie zostanie ustawiony, jeśli którakolwiek z rzeczywistych wartości będzie wynosić zero.

2. Nie należy używać MAPE w przypadku małych ilości danych. Na przykład, jeśli rzeczywisty popyt na artykuł wynosi 2, a prognoza wynosi 1, bezwzględna wartość błędu procentowego będzie wynosić |2-1| / |2| = 50%, co sprawia, że błąd prognozy wydaje się dość wysoki, nawet jeśli prognoza różni się tylko o 1 jednostkę.

Potencjalne alternatywy dla MAPE obejmują średnie odchylenie bezwzględne i błąd średniokwadratowy.

Dodatkowe zasoby

Jak obliczyć MAPE w Excelu
Jak obliczyć MAPE w R
Jak obliczyć MAPE w Pythonie
Jaka wartość jest uważana za dobrą RMSE?