Eine quantitative Kennzahl, die verwendet wird, um die Leistung, Zuverlässigkeit oder Zweckmäßigkeit einer Prognose oder eines Prognosesystems zu bewerten.

Prinzip

Wählen Sie Kennzahlen, die Unternehmensprioritäten widerspiegeln (Genauigkeit, Bias, Kalibrierung, Aktualität, Kosten) und gegenüber Datencharakteristika sowie Entscheidungsfolgen robust sind.

Demonstration

Ein Supply-Chain-Team verfolgt MAPE auf SKU-Ebene zur Messung der Genauigkeit, Bias zur Erkennung systematischer Über-/Unterschätzungen und Forecast-Coverage, um sicherzustellen, dass Sicherheitsbestände gewünschten Servicegraden entsprechen.

Fehlanwendung

Das ausschließliche Optimieren einer Kennzahl (z. B. Minimierung des RMSE) ohne Berücksichtigung der Geschäftsfolgen kann Modelle liefern, die statistisch besser, aber operativ schädlich sind (mehr Ausfälle oder Überbestände).

Konsequenz

Geeignete Kennzahlen ermöglichen objektive Modellwahl, klare Verbesserungsziele und die Ausrichtung der technischen Prognosearbeit auf operative Ergebnisse.

Umkehrung

Keine konsistenten Kennzahlen zu verwenden führt zu subjektiver Modellbewertung, häufigem Modellwechsel und Schwierigkeiten, Verbesserungen nachzuweisen.

Abgrenzung

Bezieht sich auf Messgrößen von Prognoseergebnissen und -systemen, schließt jedoch rein beschreibende Statistiken ohne Bezug zur Entscheidungsqualität der Prognose aus (z. B. rohe Datenmengen).

Semantische Spannung

Wird oft mit Validierungsstatistiken des Modells verwechselt; Prognosekennzahlen integrieren den Entscheidungskontext und Kostenfunktionen des Geschäfts, nicht nur statistische Güte.

Synthese

Eine Prognosekennzahl ist ein zielgerichteter quantitativer Indikator, der statistisches Prognoseverhalten mit geschäftsrelevanten Kriterien verbindet und damit Modellwahl und operativen Einsatz steuert.