预测准确度有三种常见的计算方式：绝对误差、绝对百分比误差、均方误差。下面我们通过一个例子来说明。
如表1，第4周的预测是77，实际需求是89，那么误差就是77-89 = -12，绝对误差= |-12|=12，绝对百分比误差= |-12| ÷ 89 = 13%，均方误差=
要说明的是，说是准确度，这里计算的其实是误差。有的误差能转换成准确度，比如1-绝对百分比误差，就得到准确度；有的则没法简单转换，比如绝对误差和均方误差。但不管怎样，误差越小，意味着准确度也越高。
表1：预测误差的计算示例
从其计算方式可以看出，这三种预测准确度指标各有优劣。
平均绝对误差的好处是直观，容易理解，易于跨职能沟通。如果损失跟偏差成正比的话（比如单价是10元，那么少预测1个，营收就损失10元；少预测2个，营收就损失20元），基于平均绝对误差来选择合适的预测模型，也挺有道理。
但实际上，误差跟损失往往不成正比，特别对于极端误差来说。
就拿预测低估来说，少预测1个，我们可以很容易地用安全库存来应对，运营成本为零，也不会损失营收；但少预测100个的话，就可能得赶工加急，产生很多运营成本，而且可能丧失营收、失去客户，成本远非少预测1个的100倍。预测高估也是同理：多预测1个，没问题，下一期用掉就行；多预测100个，则可能得折价甚至报废处理，单位成本显然更高。
均方误差通过对误差平方，来放大极端误差，加倍"惩罚"那些极端误差。要知道，小的误差没关系，我们可以通过安全库存、供应链执行来轻松应对；害死我们的是大错特错，也就是那些极端误差----预测过于低的话，安全库存很容易被击穿，导致高昂的赶工加急成本；预测过于高的话，则容易造成大量的积压，以及由此而来的呆滞库存。
如图1，6月、10月的绝对误差最大，我们通过平方，加倍"惩罚"这样的极端误差，最终反映在较高的12个月均方误差中。选择预测方法时，要尽量避免产生大错特错、极端误差的预测模型。用均方误差来量化预测准确度，能较好地排除这样的模型，也符合业务逻辑。
图1：均方误差示意
均方误差的一个问题是不够直观。比如在图1中，均方误差4436究竟意味着什么，谁也说不清。不过"不怕不识货，就怕货比货"，在比较多种方法时，均方误差越小，表明预测模型越准确，这就足够了。还有，均方误差对极端值很敏感，可能导致过高估计误差。这也展示了预测模型择优时，清洗极端值的重要性。
让我们再回到平均绝对误差。
平均绝对误差跟需求的大小有关。比如平均需求是1000，平均绝对误差是100的话，这预测是相当准确；但如果平均需求是10，平均绝对误差还是100的话，这预测就相当糟糕了。所以，需求量显著不同的产品，在平均绝对误差上是没有可比性的，不能基于这一指标来评判哪个产品的预测更准确。均方误差也有同样问题。
解决方案呢，就是用绝对百分比误差，本书有时简称为百分比误差。这其实相当于对误差进行归一化处理，让不同产品之间的预测准确度有了可比性。百分比误差的好处还有直观，跨职能沟通容易，因而被很多企业采用，或许是这一指标的应用最广的原因。
绝对百分比误差的缺点是分母太小或为零时，百分比就很高甚至没法计算，导致严重失真。对于长尾慢动产品，这个问题就更大了。我们的常见应对方案有二：要么设立上限，比如误差最大不能超过100%；要么采用均方误差、绝对误差。
百分比误差也会有误导：需求是10个，预测了6个，准确度是60%；需求是60个，预测了36个，准确度也是60%。但是，他们对业务的影响不同。第一种情况下，损失了4个的生意，第二种情况下，24个。跟绝对误差、均方误差结合使用，可适当弥补这一问题。
到现在为止，我们介绍了常用的三种预测准确度（更严格地讲，预测误差）的统计方式。还有些别的统计方式，我们这里不再赘述。那究竟该用哪种准确度指标呢？没有一刀切的答案。企业里常见的是百分比误差，但学术文章中更常见的是均方误差、均方根误差，尤其在机器学习、人工智能领域。
计划软件一般能输出多个准确度指标。要注意的是用不同指标，预测模型择优的结论可能不同。比如用百分比误差，可能模型A更准确；但用均方误差时，模型B可能更准确。
评论