La prévision est caractérisée par son incertitude (Vous pouvez connaître mieux sur la prévision et ses principes de base en cliquant ici). Tout au long du processus de prévision, elle doit être accompagnée avec des indicateurs qui mesurent sa précision. Je vous présente par la suite les différents indicateurs à utiliser :
Soit l’erreur et = Dt - Ft avec : Dt : la demande actuelle et Ft : la prévision (forecast)
Les indicateurs de prévision:
1.Mean Deviation (MD) : "La déviation moyenne" est la moyenne de l’erreur montre si la prévision est trop forte ou trop faible.
2. Mean Absolute Deviation (MAD) : "La déviation moyenne absolue"
Vu que la déviation moyenne peut contenir des valeurs positives et négatives (même trop grandes), elles peuvent être compensées d’où l’importance du MAD qui prend la valeur absolue de l’erreur dont la formule est:
3.Mean Squared Error (MSE) : "L’erreur quadratique moyenne"
Pour se débarrasser du problème des valeurs positives et négatives, on peut également prendre leur carré. On met chaque erreur au carré puis on prend la moyenne. Sa formule est:
4.Root Mean Squared Error (RMSE): "Racine de l’erreur quadratique moyenne", représente la racine de la moyenne du carré de l’erreur comme présenté dans la formule :
5.Mean Percent Error (MPE) : "Pourcentage d’erreur moyen". Cet indicateur est formé par la somme de la division de l’erreur par la demande actuelle qui fournit un pourcentage et après on prend leur moyenne. Sa formule est:
6.Mean Absolute Percent Error (MAPE): Comme éviter le problème que les valeurs négatives et positives soient compensées, on utilise la valeur absolue (comme dans le cas du MD et MAD) comme présenté dans la formule :
Exemple d'application des indicateurs:
Soit le tableau suivant qui représente la demande actuelle et la prévision pour la période t (les données de base). Les colonnes (et - |et| -et² - et/At - |et|/At) sont calculées.
Alors
MD=-0,17
MAD= 4,17
MSE=28,17
RMSE= sqrt(28,17)=5,3
MPE= -1,14%
MAPE= 8,4%
Comments