สิ่งที่ถือว่าคุ้มค่าสำหรับ mape?

หนึ่งในหน่วยเมตริกที่ใช้กันมากที่สุดในการวัดความแม่นยำในการคาดการณ์ของแบบจำลองคือ MAPE ซึ่งหมายถึง เปอร์เซ็นต์ข้อผิดพลาดเฉลี่ยสัมบูรณ์

สูตรคำนวณ MAPE มีดังนี้:

MAPE = (1/n) * Σ(|จริง – คาดการณ์| / |จริง|) * 100

ทอง:

• Σ – สัญลักษณ์แฟนซีหมายถึง “ผลรวม”
• n – ขนาดตัวอย่าง
• real – มูลค่าที่แท้จริงของข้อมูล
• พยากรณ์ – ค่าที่คาดหวังของข้อมูล

MAPE มักใช้เพราะง่ายต่อการตีความและอธิบาย ตัวอย่างเช่น ค่า MAPE 8% หมายความว่าความแตกต่างโดยเฉลี่ยระหว่างค่าที่คาดการณ์กับค่าจริงคือ 8%

หนึ่งในคำถามที่พบบ่อยที่สุดที่ผู้คนถามเมื่อใช้ตัวชี้วัดนี้คือ:

MAPE คุ้มค่าแค่ไหน?

คำตอบที่ไม่น่าพอใจ: มันขึ้นอยู่กับ

แน่นอนว่า ยิ่งค่า MAPE ต่ำเท่าไรก็ยิ่งดีเท่านั้น แต่ไม่มีค่าใดเจาะจงที่คุณสามารถเรียกว่า “ดี” หรือ “ไม่ดี” ได้ ขึ้นอยู่กับปัจจัยหลายประการ:

• ประเภทของอุตสาหกรรม
• ค่า MAPE เปรียบเทียบกับแบบจำลองการคาดการณ์อย่างง่าย

มาสำรวจปัจจัยทั้งสองนี้ในเชิงลึกกันดีกว่า

MAPE แตกต่างกันไปตามอุตสาหกรรม

บ่อยครั้งที่บริษัทต่างๆ สร้างการคาดการณ์เกี่ยวกับความต้องการผลิตภัณฑ์ของตน แล้วใช้ MAPE เพื่อวัดความแม่นยำของการคาดการณ์

น่าเสียดายที่ไม่มีค่า MAPE “มาตรฐาน” เนื่องจากค่าอาจแตกต่างกันอย่างมากขึ้นอยู่กับประเภทของธุรกิจ

ตัวอย่างเช่น บริษัทที่ไม่ค่อยเปลี่ยนแปลงราคามีแนวโน้มที่จะมีความต้องการที่มั่นคงและคาดการณ์ได้ ซึ่งหมายความว่าบริษัทอาจมีแบบจำลองที่สร้าง MAPE ที่ต่ำมาก อาจน้อยกว่า 3%

สำหรับธุรกิจอื่นๆ ที่จัดโปรโมชันและข้อเสนอพิเศษอย่างต่อเนื่อง ความต้องการของพวกเขาจะแตกต่างกันอย่างมากเมื่อเวลาผ่านไป ดังนั้นแบบจำลองการคาดการณ์จึงมีแนวโน้มที่จะคาดการณ์ความต้องการได้อย่างแม่นยำได้ยากขึ้น ซึ่งหมายความว่าแบบจำลองดังกล่าวอาจมีมูลค่าที่สูงกว่าสำหรับ MAPE

คุณควรจะไม่เชื่อ “มาตรฐานอุตสาหกรรม” สำหรับ MAPE มากนัก

เปรียบเทียบ MAPE กับแบบจำลองการคาดการณ์อย่างง่าย

แทนที่จะพยายามเปรียบเทียบ MAPE ของแบบจำลองของคุณกับค่า “ดี” ใดๆ คุณควรเปรียบเทียบกับ MAPE ของแบบจำลองการคาดการณ์ทั่วไปแทน

มีแบบจำลองการพยากรณ์อย่างง่ายที่รู้จักกันดีสองแบบ:

1. วิธีการพยากรณ์เฉลี่ย

โมเดลการคาดการณ์ประเภทนี้เพียงแค่คาดการณ์ว่าค่าของช่วงเวลาถัดไปที่จะมาถึงจะเป็นค่าเฉลี่ยของช่วงเวลาก่อนหน้าทั้งหมด แม้ว่าวิธีนี้จะดูง่ายเกินไป แต่ก็มีแนวโน้มที่จะให้ผลลัพธ์ที่ดีในทางปฏิบัติ

2. วิธีการพยากรณ์แบบไร้เดียงสา

แบบจำลองการคาดการณ์ประเภทนี้คาดการณ์ว่าค่าของช่วงเวลาถัดไปที่จะมาถึงจะเท่ากับช่วงเวลาก่อนหน้า ขอย้ำอีกครั้ง แม้ว่าวิธีนี้จะค่อนข้างง่าย แต่ก็มีแนวโน้มที่จะใช้ได้ผลดีอย่างน่าประหลาดใจ

เมื่อพัฒนาแบบจำลองการคาดการณ์ใหม่ คุณควรเปรียบเทียบ MAPE ของแบบจำลองนั้นกับ MAPE ของวิธีการพยากรณ์แบบง่ายทั้งสองวิธีนี้

หาก MAPE ของโมเดลใหม่ของคุณไม่ได้ดีไปกว่าสองวิธีนี้มากนัก คุณไม่ควรพิจารณาว่ามีประโยชน์

ความคิดสุดท้าย

แม้ว่า MAPE จะใช้กันอย่างแพร่หลายและตีความได้ง่าย แต่ก็มีข้อเสียบางประการในการใช้งาน:

1. เนื่องจากสูตรในการคำนวณเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์คือ |การพยากรณ์จริง| / |จริง| ซึ่งหมายความว่าจะไม่ถูกตั้งค่าหากค่าจริงใด ๆ ที่เป็นศูนย์

2. ไม่ควรใช้ MAPE กับข้อมูลที่มีปริมาณน้อย ตัวอย่างเช่น หากความต้องการจริงสำหรับสินค้าคือ 2 และการคาดการณ์คือ 1 ค่าความผิดพลาดเปอร์เซ็นต์สัมบูรณ์จะเป็น |2-1| / |2| = 50% ซึ่งทำให้การคาดการณ์คลาดเคลื่อนค่อนข้างสูง แม้ว่าการคาดการณ์จะปิดไปเพียง 1 หน่วยเท่านั้น

ทางเลือกอื่นที่เป็นไปได้สำหรับ MAPE ได้แก่ ค่าเบี่ยงเบนสัมบูรณ์เฉลี่ยและค่าคลาดเคลื่อนกำลังสองเฉลี่ย

แหล่งข้อมูลเพิ่มเติม

วิธีการคำนวณ MAPE ใน Excel
วิธีการคำนวณ MAPE ใน R
วิธีการคำนวณ MAPE ใน Python
ค่า RMSE ที่ดีถือว่าเป็นอย่างไร?