Calculadora de Erro de Previsao (MAD, MAPE, WMAPE, Vies e Sinal de Rastreamento)

O que a ferramenta calcula

A calculadora responde a pergunta que fecha todo ciclo de previsao: a previsao que voce fez foi boa, e boa em que sentido? Voce cola duas colunas, a demanda real e a previsao correspondente, um valor por linha e na mesma ordem, e a ferramenta emparelha cada real com a sua previsao e calcula o erro de cada periodo. A partir desses erros ela produz um painel inteiro de acuracia, e nao um numero solto: o tamanho tipico do erro em unidades e em porcentagem, a direcao do erro, e o comportamento acumulado que revela se a previsao esta viesada ou perdendo o controle. Cada metrica olha para um aspecto diferente do mesmo conjunto de erros, e juntas elas contam a historia completa da qualidade da previsao.

Alem das metricas de cabecalho, a calculadora entrega tres coisas que um formulario simples nao da. Ela monta uma tabela periodo a periodo com a real, a previsao, o erro, o erro percentual, a RSFE acumulada e o sinal de rastreamento corrente, e destaca em vermelho as linhas que cruzam o limite. Ela desenha o grafico do sinal de rastreamento com as linhas de controle de mais e menos o limite, para voce ver a trajetoria do vies acumulado de relance. E ela escreve um veredito em portugues claro, dizendo se a acuracia e boa, razoavel ou fraca, se ha vies e para que lado, e se a previsao esta sob controle ou pediu reajuste. Tudo isso acontece no seu navegador, sem enviar nada a servidor nenhum, e voce pode baixar um PDF, exportar um CSV ou compartilhar o resultado.

Como funciona: as formulas do erro de previsao

Emparelhe cada demanda real A_t com a sua previsao F_t ao longo de n periodos. O erro de cada periodo e e_t = A_t menos F_t. Com essa convencao de sinal, um erro medio positivo significa que a previsao ficou abaixo da demanda real, ou seja, a previsao esta viesada para baixo e subestima a demanda; um erro medio negativo significa que a previsao ficou acima da real e superestima. Fixar essa convencao e o primeiro passo, porque toda a leitura de vies e de sinal de rastreamento depende dela. Alguns textos definem o erro como previsao menos real, o sinal oposto; aqui usamos real menos previsao do comeco ao fim.

O MAD, desvio absoluto medio (mean absolute deviation), tambem chamado de MAE, e a media dos erros absolutos, MAD = media de |e_t|. Ele fica na unidade da demanda e diz o tamanho tipico do erro sem se importar com a direcao. O MSE, erro quadratico medio (mean squared error), e a media dos erros ao quadrado, MSE = media de e_t ao quadrado; ele pune desproporcionalmente os erros grandes, porque eleva cada um ao quadrado. O RMSE, raiz do erro quadratico medio, e a raiz quadrada do MSE, RMSE = raiz de MSE; ele volta para a unidade da demanda e mantem a sensibilidade aos erros grandes, entao e a metrica a escolher quando um erro grande custa muito mais caro que varios pequenos.

O MAPE, erro percentual absoluto medio (mean absolute percentage error), e a media de |e_t| dividido por |A_t|, expressa em porcentagem. Ele nao tem unidade, o que facilita comparar series de tamanhos diferentes, mas tem dois defeitos: nao existe quando um real e zero, entao esses periodos sao pulados e a ferramenta mostra a contagem dos pulados, e ele fica instavel e assimetrico quando os reais sao pequenos, dando peso demais a periodos de baixo volume. Por isso o WMAPE, MAPE ponderado, e a metrica de cabecalho mais segura: WMAPE = soma de |e_t| dividida pela soma de |A_t|, em porcentagem. Ele pondera pelo volume, usa todos os periodos e nao estoura perto de zero. A acuracia da previsao e 100 menos WMAPE, ou 100 menos MAPE.

O MFE, erro medio de previsao (mean forecast error), tambem chamado de vies, e a media dos erros, MFE = media de e_t. Diferente do MAD, ele nao usa valor absoluto, entao os erros para cima e para baixo se cancelam e o que sobra e a direcao liquida: o quanto a previsao leva, em media, para cima ou para baixo. O vies percentual e a soma dos erros dividida pela soma dos reais, uma versao sem escala do vies. A RSFE, soma acumulada dos erros (running sum of forecast errors), e a soma dos erros do primeiro periodo ate o atual; ela cresce quando os erros se acumulam numa direcao so e fica perto de zero quando eles se alternam.

O sinal de rastreamento e o vigia do vies acumulado: sinal de rastreamento = RSFE dividido pelo MAD, recalculado a cada periodo com o MAD corrente. Ele mede quantos MADs de erro acumulado a previsao ja carrega. Os limites de controle sao mais ou menos 4 (alguns textos usam mais ou menos 3). Um sinal persistentemente positivo indica subestimacao, um persistentemente negativo indica superestimacao, e um sinal que cruza mais ou menos 4 significa que a previsao saiu de controle e deve ser reajustada, porque o erro deixou de ser aleatorio e virou um vies sistematico. E por isso que o sinal de rastreamento pega problemas que uma metrica de tamanho como o MAPE nao ve.

Duas metricas complementares fecham o painel. O sMAPE, MAPE simetrico, e a media de 2 vezes |e_t| dividido por (|A_t| mais |F_t|), em porcentagem; ele e limitado e trata a subestimacao e a superestimacao de forma mais simetrica que o MAPE. O MASE, erro absoluto escalonado medio, e o MAD dividido pela variacao absoluta media de um periodo para o outro dos reais, que e o referencial ingenuo (naive-1, prever que amanha sera igual a hoje); abaixo de 1 a previsao bate o ingenuo, acima de 1 ela e pior que ele. O MASE nao tem escala, entao serve para comparar e ranquear itens de tamanhos diferentes.

Qual usar quando: o RMSE quando os erros grandes custam caro; o MAD para um numero robusto em unidades de demanda e para alimentar o sinal de rastreamento; o MAPE para uma porcentagem sem escala numa unica serie limpa e sem zeros; o WMAPE como o KPI de portfolio que evita o estouro perto de zero; e o MFE, o vies percentual e o sinal de rastreamento para pegar a superestimacao ou a subestimacao sistematica. Nenhuma metrica sozinha conta a historia inteira, e por isso a ferramenta mostra todas de uma vez.

Cinco exemplos resolvidos de erro de previsao

Exemplo 1: a serie padrao, painel completo de metricas

A serie padrao da ferramenta: real 100, 120, 90, 110, 130, 80 contra previsao 110, 100, 95, 100, 120, 95, ao longo de seis periodos, com limite de sinal de rastreamento 4. Os erros e = A menos F saem -10, 20, -5, 10, 10, -15. A media dos absolutos da MAD 11,67, a media dos quadrados da MSE 158,33 e a sua raiz da RMSE 12,58. O MAPE, media dos erros percentuais absolutos, e 11,29 por cento, e o WMAPE, soma de |e| sobre soma de |A|, e 11,11 por cento. O erro medio e MFE 1,67, o vies percentual 1,59 por cento e a RSFE final 10. O sinal de rastreamento final e 0,86, bem dentro de mais ou menos 4. A acuracia da previsao e 88,89 por cento pelo WMAPE. A licao esta na leitura conjunta: a previsao erra cerca de 11,67 unidades em media, ou seja 11,11 por cento do volume, roda um pouco baixo (vies positivo), mas o vies e pequeno e o sinal de rastreamento de 0,86 bem dentro dos limites diz que ela e essencialmente nao viesada e esta sob controle. Uma metrica sozinha nao daria esse retrato; o painel inteiro da.

Exemplo 2: lendo o sinal de rastreamento periodo a periodo

Na mesma serie padrao, acompanhe o sinal de rastreamento corrente ao longo dos seis periodos. A RSFE acumula -10, 10, 5, 15, 25, 10 a medida que os erros -10, 20, -5, 10, 10, -15 entram, e o sinal de rastreamento correspondente, RSFE dividido pelo MAD corrente, move-se -1,00, 0,67, 0,43, 1,33, 2,27, 0,86. Repare que o sinal sobe em direcao ao periodo 5, quando tres erros positivos (20, 10, 10) se empilham e a RSFE chega a 25, e depois recua no periodo 6, quando o erro -15 puxa a RSFE de volta para 10. A licao e que o sinal de rastreamento reage ao erro acumulado numa direcao, e nao a um unico periodo: ele nunca chega perto do limite de mais ou menos 4 aqui, porque os erros mudam de sinal e a acumulacao se desfaz. Um sinal que sobe e desce assim e o retrato de uma previsao sem vies persistente.

Exemplo 3: uma previsao viesada e fora de controle

Agora uma serie que expoe o poder do sinal de rastreamento: real 100 em todos os periodos, previsao 90 em todos, ao longo de oito periodos. Cada erro e 100 menos 90 = mais 10, sempre na mesma direcao. A RSFE cresce 10, 20, 30, 40, 50, 60, 70, 80, e como o MAD fica sempre 10, o sinal de rastreamento corrente iguala o numero do periodo: 1, 2, 3, 4, 5, 6, 7, 8. Ele cruza mais 4 no periodo 5 e continua subindo. As metricas de tamanho parecem inofensivas: MAD 10, MAPE 10 por cento, e o vies percentual e mais 10 por cento. A licao e que um erro pequeno mas consistente numa unica direcao e invisivel no MAPE de cada periodo, que fica parado em 10 por cento, e ainda assim leva o sinal de rastreamento para fora de controle; o veredito sinaliza a subestimacao e manda reajustar. E exatamente esse tipo de vies silencioso que o sinal de rastreamento existe para pegar.

Exemplo 4: tratamento de demanda zero

Uma serie com um periodo de demanda zero: real 0, 10, 10 contra previsao 5, 8, 12. O MAPE nao consegue usar o primeiro periodo, porque dividir por um real de zero e indefinido, entao ele pula esse periodo e fica com 20 por cento sobre os dois periodos validos (os erros 2 e 2 sobre os reais 10 e 10 dao 20 por cento e 16,7 por cento, media proxima de 20 por cento). Ja o WMAPE usa todos os periodos: WMAPE = (5 mais 2 mais 2) dividido por (0 mais 10 mais 10) = 9 sobre 20 = 45 por cento. A licao e que o MAPE esconde a falha do periodo 1, onde a previsao de 5 errou uma demanda real de zero, so porque nao consegue dividir por zero; o WMAPE e as metricas absolutas nao escondem esse erro, porque somam o |e| de todo periodo. Por isso o WMAPE e a metrica de cabecalho mais segura para demanda intermitente, aquela que zera em varios periodos.

Exemplo 5: comparando previsoes com o MASE

Para comparar previsoes de itens de tamanhos diferentes, o MASE e a metrica certa, porque nao tem escala. Ele divide o MAD pelo referencial ingenuo (naive-1), que e a variacao absoluta media de um periodo para o outro dos reais, o erro que voce teria cometido prevendo que cada periodo seria igual ao anterior. Na serie padrao, a variacao absoluta media dos reais gira em torno de 28 unidades, entao MASE = 11,67 dividido por 28 = 0,42. Como esta bem abaixo de 1, a previsao bate com folga o referencial ingenuo de ultimo valor. A licao e que o MASE, por ser sem escala e ancorado num referencial universal, e a metrica para ranquear SKUs de volumes diferentes lado a lado: abaixo de 1 e bom, acima de 1 e pior que o ingenuo, e o proprio 1 e a linha que separa uma previsao util de uma que nao acrescenta nada ao palpite mais simples possivel.

Tres dicas de especialista para o erro de previsao

Lidere com o WMAPE, nao com o MAPE

O MAPE puro quebra nos periodos de demanda zero e da peso demais aos reais pequenos, entao ele pode parecer terrivel num item intermitente pelo motivo errado, e nao porque a previsao seja de fato ruim. O WMAPE pondera pelo volume, usa todos os periodos e se le como a acuracia do portfolio inteiro, e e por isso que os planejadores de demanda citam o WMAPE, e o 100 menos WMAPE como a acuracia de cabecalho, no lugar do MAPE. Guarde o MAPE para uma unica serie limpa, sem zeros e sem valores muito pequenos, onde ele se comporta bem e a sua leitura de porcentagem por periodo e util. Para qualquer coisa que agregue muitos itens ou que tenha periodos de baixa demanda, o WMAPE e a metrica honesta.

Leia o vies e o sinal de rastreamento, nao so o tamanho do erro

O MAD, o RMSE e o MAPE dizem o quanto a previsao erra em media, mas nao dizem para que lado. O erro medio e o vies percentual mostram se a previsao pende para cima ou para baixo, e o sinal de rastreamento vigia esse vies acumulado contra os limites de controle de mais ou menos 4. Uma previsao com um MAPE aceitavel ainda pode estar silenciosamente viesada e ir saindo de controle, como no terceiro exemplo, onde o MAPE ficava em 10 por cento enquanto o sinal de rastreamento estourava. Esse e o sinal de que o metodo ou os seus parametros precisam mudar. Sempre leia o painel inteiro: uma metrica de tamanho baixa nao garante uma previsao confiavel se o vies estiver crescendo por baixo.

Avalie o metodo que voce usou, e troque se ele falhar aqui

Esta ferramenta mede a previsao; ela nao a faz. Gere a previsao com a media movel, a suavizacao exponencial, a regressao linear ou o indice sazonal, cole aqui as colunas da real e da previsao, e leia o veredito. Um resultado viesado ou fora de controle aponta de volta para um descasamento de metodo: uma tendencia pede regressao ou o metodo de Holt, um padrao sazonal pede o indice sazonal, e uma demanda intermitente e irregular pede uma abordagem diferente, e ate uma etapa anterior de classificar a variabilidade da demanda, a analise XYZ de demanda, para separar o item regular do irregular antes de escolher o metodo. Medir aqui e barato; a decisao cara e qual metodo usar la, e o veredito desta ferramenta e o que orienta essa escolha.

O que e o erro de previsao e a convencao de sinal

O erro de previsao e a diferenca entre o que aconteceu e o que voce tinha previsto. Para cada periodo, e = A menos F, a demanda real menos a previsao. Essa definicao simples carrega uma decisao importante: o sinal. Com real menos previsao, um erro positivo significa que a real superou a previsao, ou seja, a previsao ficou curta e subestimou a demanda; um erro negativo significa que a previsao passou da real e superestimou. Quando voce soma esses erros com sinal e tira a media, obtem o vies, a tendencia sistematica da previsao de errar para um lado. Fixar a convencao desde o inicio evita a confusao mais comum das metricas de erro, que e ler o vies com o sinal trocado e concluir o oposto do que os dados dizem.

Vale distinguir dois tipos de erro que as metricas medem de formas diferentes. O erro aleatorio e a parte imprevisivel da demanda, o ruido que nenhum metodo captura; ele aparece no tamanho do erro, no MAD, no RMSE e no MAPE, e nao tem direcao preferida, entao se cancela na media. O erro sistematico, ou vies, e a parte que a previsao erra sempre para o mesmo lado, e ele aparece no erro medio, no vies percentual e, sobretudo, no sinal de rastreamento, que acumula esse vies periodo a periodo. Uma boa previsao deixa apenas o erro aleatorio; quando sobra erro sistematico, ha informacao que o metodo nao esta usando, e o caminho e mudar o metodo ou os seus parametros, e nao apenas aceitar um erro maior.

MAD, RMSE, MAPE e WMAPE: qual usar quando

As quatro metricas de tamanho respondem a mesma pergunta, o quanto a previsao erra, mas cada uma com uma lente diferente, e escolher a certa depende do que voce quer proteger. O MAD, em unidades de demanda, e o mais robusto e o mais facil de explicar: e o erro tipico em pecas, caixas ou unidades, e trata todos os erros por igual. Ele e a base do sinal de rastreamento e a escolha padrao quando voce quer um numero direto e resistente a valores extremos. O RMSE tambem fica em unidades de demanda, mas eleva cada erro ao quadrado antes de mediar, entao pune os erros grandes com muito mais peso; use o RMSE quando um unico erro grande custa muito mais caro que varios pequenos, como numa ruptura de estoque de alto valor ou num pico que estoura a capacidade.

O MAPE e o WMAPE trazem a leitura em porcentagem, que remove a escala e permite comparar series de tamanhos diferentes. O MAPE e a media dos erros percentuais de cada periodo; ele funciona bem numa unica serie limpa, sem zeros e sem valores muito pequenos, mas quebra na demanda zero e da peso demais aos periodos de baixo volume, o que o torna instavel em itens intermitentes. O WMAPE resolve isso ponderando pelo volume: ele divide a soma dos erros absolutos pela soma dos reais, entao os periodos de maior demanda pesam mais e os de demanda zero nao explodem a conta. Por isso o WMAPE e o KPI que os planejadores usam para o portfolio inteiro, e a acuracia de cabecalho, 100 menos WMAPE, e a forma mais honesta de resumir a qualidade de uma previsao agregada. A regra pratica: MAD para unidades, RMSE quando o erro grande pesa, MAPE para uma serie limpa unica, WMAPE para o portfolio.

Vies, RSFE e o sinal de rastreamento

Enquanto o MAD, o RMSE e o MAPE medem o tamanho do erro, o vies mede a sua direcao, e essa e uma dimensao que as metricas de tamanho, por usarem valor absoluto ou quadrado, apagam de proposito. O erro medio, ou MFE, e simplesmente a media dos erros com sinal: se ele e positivo, a previsao subestima em media; se e negativo, superestima. O vies percentual, a soma dos erros dividida pela soma dos reais, e a mesma ideia sem escala, util para comparar itens. Uma previsao pode ter um MAD baixo e ainda assim um vies alto, se ela erra pouco em tamanho mas quase sempre para o mesmo lado; e uma previsao com vies e uma previsao que ainda pode melhorar, porque esta deixando informacao na mesa.

A RSFE, soma acumulada dos erros, e o que transforma o vies numa serie temporal que voce pode acompanhar. Ela soma os erros do primeiro periodo ate o atual, entao cresce quando os erros se empilham numa direcao e volta para perto de zero quando eles se alternam. Sozinha, porem, a RSFE nao diz se o acumulo e grande ou pequeno em relacao ao erro tipico, e e ai que entra o sinal de rastreamento: sinal de rastreamento = RSFE dividido pelo MAD. Ele expressa o erro acumulado em multiplos do erro tipico, o que o torna comparavel entre series de escalas diferentes. Um sinal de rastreamento de 3 significa que a previsao acumulou tres MADs de erro numa direcao, um sinal claro de vies. Recalculado a cada periodo, ele desenha a trajetoria do vies e avisa, muito antes de o erro medio parecer alarmante, que a previsao esta pendendo para um lado de forma persistente.

Lendo os limites de controle

Os limites de controle do sinal de rastreamento, mais ou menos 4 por padrao (alguns textos usam mais ou menos 3), transformam o monitoramento de previsao num grafico de controle, o mesmo conceito do controle estatistico de processo. Enquanto o sinal de rastreamento oscila dentro da faixa de mais ou menos 4, o erro acumulado e compativel com ruido aleatorio, e a previsao esta sob controle: nao ha evidencia de vies sistematico. Quando o sinal cruza um dos limites, a interpretacao muda: a probabilidade de aquele acumulo ter vindo do acaso fica baixa demais, entao a conclusao e que existe um vies real, e a previsao esta fora de controle e deve ser investigada e reajustada.

A direcao do cruzamento diz o que fazer. Um sinal que cruza mais 4 significa erros positivos acumulados, ou seja, a real vem superando a previsao de forma persistente: a previsao subestima e precisa ser elevada, talvez porque ha uma tendencia de alta que o metodo nao capta. Um sinal que cruza menos 4 significa o oposto: a previsao superestima, talvez porque a demanda caiu e o metodo ainda projeta o nivel antigo. Escolher o limite e um ajuste de sensibilidade: mais ou menos 3 dispara antes e pega o vies mais cedo, ao custo de mais alarmes falsos; mais ou menos 4 e mais tolerante e dispara so quando o vies esta bem estabelecido. A ferramenta deixa voce mudar o limite e recalcular, e destaca em vermelho na tabela exatamente os periodos em que o sinal saiu da faixa, para voce ver quando o controle se perdeu.

sMAPE e MASE: metricas para comparar e ranquear

Alem das metricas classicas, o painel traz duas medidas que resolvem problemas especificos de comparacao. O sMAPE, MAPE simetrico, e a media de 2 vezes o erro absoluto dividido pela soma do real absoluto com a previsao absoluta, em porcentagem. A ideia por tras dele e corrigir uma assimetria do MAPE comum: no MAPE, uma previsao que passa da real e uma que fica abaixo dela nao sao penalizadas do mesmo jeito, porque o denominador e sempre o real. O sMAPE coloca real e previsao no denominador, entao trata os dois lados de forma mais equilibrada e fica limitado, o que evita valores explosivos. No exemplo padrao, o sMAPE de 11,30 por cento fica bem proximo do MAPE de 11,29 por cento, porque os erros ali sao pequenos e simetricos; a diferenca cresce quando os erros sao grandes ou muito assimetricos.

O MASE, erro absoluto escalonado medio, e a metrica para comparar previsoes de itens de escalas diferentes. Ele divide o MAD da sua previsao pelo MAD de um referencial ingenuo, o naive-1, que preve que cada periodo sera igual ao anterior; na pratica, esse referencial e a variacao absoluta media de um periodo para o outro dos reais. Como o resultado e uma razao, ele nao tem unidade: um MASE de 0,42, como no exemplo padrao, significa que a sua previsao erra 42 por cento do que erraria o palpite ingenuo, ou seja, ela e mais que duas vezes melhor que nao fazer nada. Abaixo de 1, a sua previsao vale a pena; acima de 1, ela e pior que o referencial mais simples possivel e voce estaria melhor sem ela. Por ser sem escala e ancorado num referencial universal, o MASE e a metrica ideal para ranquear muitos SKUs de tamanhos diferentes numa unica lista e decidir quais previsoes merecem atencao.

Medindo previsoes sazonais ou com tendencia

As metricas de erro sao as mesmas para qualquer previsao, mas a leitura do sinal de rastreamento ganha significado extra quando a demanda tem tendencia ou sazonalidade, porque nesses casos o vies costuma denunciar um descasamento de metodo. Se voce previu uma serie com tendencia de alta usando uma media movel simples, que sempre olha para tras, a previsao vai ficar sistematicamente abaixo da real, os erros positivos vao se acumular e o sinal de rastreamento vai subir em direcao a mais 4. O painel de erro nao so mostra que a previsao e ruim, ele mostra como e ruim: um vies para baixo persistente aponta direto para a falta de um componente de tendencia, o que a regressao linear ou o metodo de Holt na suavizacao exponencial resolvem.

Com sazonalidade, o padrao do erro e diferente e igualmente informativo. Uma previsao que ignora a sazonalidade vai errar para cima nos vales e para baixo nos picos, entao o erro medio ao longo de um ciclo inteiro pode ate ficar perto de zero, mascarando o problema no MFE. Mas o erro por periodo na tabela vai mostrar um padrao que se repete, grande e alternado, e o RMSE vai ficar alto porque os erros nos picos sao grandes. A leitura correta e olhar a tabela e ver se os erros seguem o calendario: se os maiores erros caem sempre nas mesmas estacoes, falta sazonalidade, e a calculadora de indice sazonal e o caminho. Medir o erro de uma previsao sazonal ou com tendencia, portanto, nao e so pontuar a acuracia; e diagnosticar qual componente da demanda o metodo deixou de fora.

Preparando dados pareados limpos

A qualidade das metricas depende de duas colunas bem preparadas, a real e a previsao, e alguns cuidados evitam numeros enganosos. Primeiro, alinhe corretamente cada real com a previsao que a antecedeu: a previsao tem que ser a que foi feita antes de o periodo acontecer, e nao um valor recalculado depois de conhecer a real, senao voce mede um ajuste, e nao uma previsao de verdade. Segundo, use a mesma quantidade de valores nas duas colunas e na mesma ordem cronologica, do mais antigo para o mais recente, para que o emparelhamento periodo a periodo bata; um deslocamento de uma linha inventa erros que nao existem.

Terceiro, cuide da demanda zero e dos valores faltantes. Um real de zero e legitimo em demanda intermitente, e a ferramenta o trata pulando aquele periodo no MAPE e mantendo-o no WMAPE e nas metricas absolutas, mas um zero que na verdade e um dado faltante distorce tudo, entao confirme se o zero e demanda real ou ausencia de registro. Quarto, use a demanda, e nao apenas as vendas: se houve ruptura de estoque, as vendas ficaram abaixo da demanda real, e medir o erro contra as vendas subestima o erro verdadeiro da previsao. Quinto, decida o horizonte que voce esta avaliando e mantenha-o constante: misturar previsoes de um periodo a frente com previsoes de seis periodos a frente na mesma coluna mistura dificuldades diferentes e borra a leitura. Com colunas alinhadas, do mesmo horizonte, medindo demanda e nao vendas, as metricas medem a acuracia verdadeira da previsao, e nao um artefato da preparacao do dado.

Referencias e boas praticas

As metricas usadas aqui sao as classicas dos manuais de previsao de demanda, de planejamento e controle da producao e de gestao de operacoes. O MAD e o MAE como media dos erros absolutos; o MSE e o RMSE como media dos quadrados e a sua raiz; o MAPE como media dos erros percentuais absolutos e o WMAPE como a versao ponderada por volume; o MFE ou vies como media dos erros com sinal e o vies percentual como a soma dos erros sobre a soma dos reais; a RSFE como soma acumulada e o sinal de rastreamento como RSFE sobre MAD com limites de controle de mais ou menos 4; e o sMAPE e o MASE como metricas de comparacao aparecem da mesma forma na literatura de forecasting e no corpo de conhecimento de planejamento de demanda, como o da APICS e do CPIM. A convencao de sinal e = A menos F e a mais comum nesse corpo, e e a que a ferramenta segue do comeco ao fim.

Dois pontos de bom senso fecham o uso responsavel da ferramenta. Primeiro, os resultados sao estimativas para planejamento e educacao, e medir o erro passado nao garante o erro futuro: use as metricas para saber se pode confiar na previsao e para escolher o metodo, e reavalie a cada novo periodo, porque um metodo que vinha sob controle pode sair de controle quando o padrao da demanda muda. Segundo, esta e a ferramenta que avalia o que as outras produzem: gere a previsao na media movel, na suavizacao exponencial, na regressao linear ou no indice sazonal, e volte aqui para medir o erro. Esta calculadora e este guia sao criados e revisados pela equipe da OpsCalculators; veja a nossa Politica Editorial para saber como cada ferramenta e pesquisada, construida e testada.

Perguntas frequentes sobre erro de previsao

Fontes, aviso legal e transparencia editorial

As metricas usadas aqui seguem as definicoes consagradas do erro de previsao: o MAD ou MAE como media dos erros absolutos; o MSE como media dos quadrados e o RMSE como a sua raiz; o MAPE como media dos erros percentuais absolutos e o WMAPE como a soma de |e| sobre a soma de |A|; o MFE ou vies como media dos erros com sinal e o vies percentual como a soma dos erros sobre a soma dos reais; a RSFE como soma acumulada e o sinal de rastreamento como RSFE sobre MAD com limites de controle de mais ou menos 4; e o sMAPE e o MASE como metricas de comparacao. A convencao de sinal e sempre e = A menos F, real menos previsao. Essas definicoes aparecem da mesma forma na literatura de estatistica aplicada, de forecasting e de gestao de operacoes, e no corpo de conhecimento de planejamento de demanda da APICS e do CPIM. Esta calculadora e este guia sao criados e revisados pela equipe da OpsCalculators; veja a nossa Politica Editorial para saber como cada ferramenta e pesquisada, construida e testada.

Os resultados sao estimativas para planejamento e educacao, nao uma garantia de resultado futuro. Medir o erro passado diz se a previsao vinha acertando, mas o padrao da demanda pode mudar, entao reavalie a cada novo periodo e trate um sinal de rastreamento que sai de controle como um convite a reajustar o metodo. Como esta e a ferramenta que avalia o que as outras produzem, gere a previsao na media movel, na suavizacao exponencial, na regressao linear ou no indice sazonal, e volte aqui para medir o erro. Volte ao hub de Previsao de Demanda e Analitica para ver o silo completo, ou explore o hub de Cadeia de Suprimentos. Veja o nosso Aviso Legal completo. OpsCalculators.com e operado por MAFHH INTERNATIONAL LTD. Os seus dados sao processados no seu navegador e nunca sao armazenados; veja a nossa Politica de Privacidade.