预测准确率是不少衡量预测工作是否做得好的指标，并且这种准确性的衡量往往是不少公司的KPI。对于这种准确性除了惯常的预测和实际的误差外，一般来说，更多地会采用MSE（平均误差平方）和MAPE(平均绝对百分比误差)来确定预测的准确程度，同时也是让预测人员考虑采用某种预测方法或者模型的一个要点。一旦MSE或者MAPE值比较大，意味着预测模型“失灵”，从而考虑其他模型或者调整模型的参数。

比如采用移动平均法，10周的平均移动法比5周的平均移动法的MAPE要更高一点，其中5周平均移动法MAPE为2.06%，而10周平均移动法的MAPE则为3.08%，它传递的信息就是5周移动平均的MAPE值更小。这个预测误差的度量指标，对于供应链管理来说，它有助于制定相应的策略，选择更适合的预测模型，并对诸如库存计划或者提高供应反应，籍此能应对相关的风险。

表4-58 不同周数的移动平均法指标比较

为了衡量准确性，KPI中还可能设立相应的MAPE目标，但是这个目标有时过于主观，很难分清楚指标背后的含义，甚至制定指标或者达成这个指标的人都无了解背后的所有因素和可变情况。

而设立目标意味着两个必然的结果：达成或者不达成。

当达成指标时，就意味着满足于预测，对于预测带来的误差也会因此被忽视，然后并不会分析误差究竟是那些忽略的驱动因素而造成，也因此几乎没有或者根本不会带来改进。

当不达成目标时，又或者目标设立过高造成非常难以达成以致从来都不曾达成过，这也容易造成预测人员感到灰心和无助，他们甚至难以明白为什么不能达到目标或者说认定目标过于虚空，只是一个摆设但永远无法捉摸，由此带来的结果将不会理会这个指标，也就更谈不上去分析和改进了。

预测的准确性有助于提升供应链的运营效率，但是这些指标很难反映究竟预测是否发挥足够的作用，又或者这个预测模型，输入的数据信息，乃至对此进行的活动是否具备足够的价值来帮助供应链的运作，甚至变得更差。

如果不做什么，或者减少甚至不做相关的数据输入，行动干预，准确度又如何呢？如果选择了某种预测模型，输入相关数据，并实施预测，能够令到预测准确度更加精确，那么显然相关的输入，干预，其模型设置是一项增值活动，否则那是非增值的行为。

预测增值与否的衡量，简单的方法就是各种预测模型的结果和朴素预测或者简单的移动平均来对比。

所谓朴素预测就是直接把上一期的实际结果作为下一期的预测值。朴素预测就是使用最少的资源和极少的活动投入实行的预测方法。此外，还可以进行稍微复杂一点点的移动平均法，又或者使用上一年的同期值作为预测值。

事实上，即使没有预测人员，供应链的活动并不会停止，瘫痪，企业也不会不知道如何应对未来的需求，所有的相关工作都会继续，生产继续，库存还是计划，材料依然有订单。那么没有做任何预测，公司并非什么都不做，起码就会以简单的数字（当然并非专业的预测人员的话，他们不会称之为朴素预测）来作为运营的基准线。当时，还甚至以财务角度进行预算锁定，以OTB等形式来计划工作。这些基线表示公司是在不受预测过程影响，即没有衡量因素影响，添加参数等情况下的来运营供应链。

某公司就是以上一期实际值作为基线。

表4-59

该公司就是直接使用了3月份的实际值410作为4月份的预测值。

除此之外，假如该公司还使用历史数据作为统计，采用一些预测方法诸如指数平滑等，得出了另外一个预测值，并将两者和4月的实际值进行MAPE对比。

表4-60 不同方法的MAPE比较

通过不同预测方法的MAPE对比，指数平滑预测的MAPE相对地不理想，可能是受到历史数据中的某些因素驱动影响，又可能是对使用的模型参数设置得不够合适，更有可能是销售和市场部门带来的信息存在负面，这影响了最终的数字。

这表明了投入了很多精力，时间乃至成本，系统应用，数据输入和相关数据变得并使预测模型更加复杂，却没有带来更加好的预测结果，而投入大量的资源，理论上具备更多分析过程的预测方法，应该带来更好的预测。

按照上述结果，朴素预测的MAPE值比指数平滑预测得MAPE值还要低了5.26%，是一个负值。通过对比两者的MAPE值作为预测增值指标来衡量，如果这个指标值是一个正值，且数值越大，那么我们进行的价值才会显得越大，因为它比什么都不做，或者简简单单地做会更好。

当再使用了别的预测方法，比如三指数平滑预测法，其4月份预测值是395时，那么MAPE值就显得更小，为3.95%。

表4-61 不同方法的MAPE比较

采用了三指数平滑法之后，比起朴素预测法，两者相差的MAPE值是3.94%，这说明了参与了预测过程，运用了相应的数据设置参数并使用一定的预测模型后，比起什么都不做，或者简单地做，效果更加好，说明这个预测方法就是起到增值的作用了。

在一系列预测和对比指标后，随时间推移，有助于能够识别输入或步骤中的积极或消极因素。如果统计预测一直在增加价值，那么认为输入的信息将是有效和积极的。那么以更好的方式把积极因素进行组合和运用，加上和流程等紧密结合，预测就变得更加可靠和准确，从而为业务增加了价值。

值得注意的是，预测准确度并不是目的，确切地说，误差是一个重要帮助，它有助认识预测过程中没有知道或者不可控的因素，从而评估和改进计划，增加供应链运作的敏捷性以应对未来不可预知的风险。

【小插曲】预测准确率的哪种算法正确？

预测准确率是不少企业衡量预测工作效果如何的指标。通常使用MAPE（平均绝对百分比误差，Mean Absolute Percentage Error）作为计算的依据。而预测准确率就是1-MAPE的百分比值了。

比较常见的MAPE计算是

其中是指第i期的预测值，是指第i期的实际值。不少书籍，说法都是以实际值作为分母的。不过也有另外的说法，就是以预测值为分母来计算MAPE，因此公式变为

同样的预测值和实际值，根据两种算法，得出MAPE1（以实际值为分母）和MAPE2（以预测值为分母）。

表4-62 不同方法的MAPE比较

以预测值为分母的预测准确率（1-MAPE2）高于以实际值为分母的预测准确率（1-MAPE1）。但是假如4月份的预测值由47987变为27987，则以预测值为分母的预测准确率（1-MAPE2）低于以实际值为分母的预测准确率（1-MAPE1）。原因就是分母不同。分子和分母相比，究竟哪个数值更大，带来的结果就会不尽相同。

表4-63 不同方法的MAPE比较

那么究竟以哪一种算法为准？应该以实际值还是以预测值作为分母呢？

这其实是反映了参照点不同而已。

图4-59 参照点的不同

同样是踢点球。左图是瞄准了球门，球却踢去了外侧。右图则是球踢了出去，发现球离球门还有一段距离。彼此参照的不同带来的感觉差异。

假如不清楚计算规则，光是顾着追求预测准确率，那么改变了一下分母就容易造成准确率提高的假象。实际上数据还是同样的数据。因此，要清楚知道预测准确率，明白其计算逻辑是很重要的事，至于到底哪一种方法好，取决于观测的角度。以实际值为分母来计算MAPE，就是以完美为前提，预测的结果究竟距离完美有多远。反之，则是观察预测的结果，还可以朝着最好的方向，还有多少的改进空间。当然，从心理感觉来说，以预测值为分母来计算MAPE，压力没有那么多。