12.10.2017 | Blogi

5 vinkkiä ennusteiden avulla tehtävään päätöksentekoon

Olen ollut rakentamassa suunnittelu- ja ennustejärjestelmiä noin viidellekymmenelle asiakkaalle, mutta yhdessäkään toteutuksessa en ole ollut suunnittelemassa mittareita ennustejärjestelmän toimivuudelle. Ennusteiden tekeminen ei ole pelkkä matemaattinen harjoitus, jonka perusteella päätöksenteko automaatisoidaan. Ennustamisen päätarkoitus on auttaa päätöksentekijöitä tekemään parempia päätöksiä. Kerron tässä blogikirjoituksessa omat vinkkini aiheeseen.

Koska ennustamisen kehittämiseen liittyy monia erilaisia näkökulmia, olen rajannut tämän kirjoituksen käsittelemään laadun mittaamista matemaattiselta näkökulmalta. Tämä näkökulma on erityisen tärkeä, koska minkä tahansa asian kehittäminen on vaikeaa, jos sen laatua ei mitata. Lisäksi, mitä laadukkaampia ennusteet ovat, sitä helpompaa päätöksenteko ja johtaa luonnollisesti myös parempiin päätöksiin.

1. Älä hyväksy ennusteiden vinoumaa

Jos käytät muiden tekemiä ennusteita päätöksenteon pohjana, olet varmaankin oppinut tunnistamaan mitkä tai kenen ennusteet menevät yleensä ylä- tai alakanttiin. Mikäli löydät itsesi tästä tilanteesta, olet saanut vinkin, että ennusteessasi on vinouma.

Vinoumasta kannattaa hankkiutua eroon, sillä miksi ihmeessä korjaisit mielessäsi tai oikaisuilla samaa asiaa kuukaudesta toiseen?

Vinoumista on kirjoitettu paljon (katso esim. Bazerman, 2006) ja ilmiön syiden pohtimisesta on saatu jopa Nobel-palkintoja. Vinouma on yleensä aina korjattavissa, olipa sen syy kognitiivinen, sosiaalinen tai motivaatioon perustuva. Kun ennuste heittelee kuukausittain satunnaisesti ylös ja alas, voidaan puhua varianssista. Varianssia syntyy aina kun ennustetaan. Kun ennusteet summataan yhteen, kumoavat yli- ja aliennustetut luvut toisiaan.

2. Pitkällä aikavälillä ennusteiden kuuluukin olla vääriä

Kun lähetytään ennustehorisontin loppupäätä, alkavat ennusteiden perusteella tehdyt toimenpiteet vaikuttaa, eikä ennuste enää osu maaliin.

Mikä on sitten sopiva ennustehorisontti? Se voi riippua muun muassa toimialasta.

Konsultointialalla yksittäiset konsultit voivat arvioida seuraavan kuukauden työmääriään, koska suuri osa niistä on sovittu jo asiakkaan kanssa. Yksittäinen konsultti voi myös arvioida yli kuuden kuukauden päähän sekä nykyisiltä asiakkailta että sovituista alkavista asiakkuuksista tulevaa työkuormaa. Jos työkuorma alkaa näyttää laajalla rintamalla liian pieneltä, laitetaan myyntiin lisää panostusta, jotta konsulteille riittää töitä. Tällöin ennuste ei siis toteudu. Kyseisessä tapauksessa ennustetarkkuutta kannattaa mitata siis vain seuraavan kuukauden osalta.

Toisilla toimialoilla, kuten esimerkiksi prosessiteollisuudessa, seuraavan kuukauden myyntiä ei tarvitse ennustaa, koska se on jo tiedossa sopimusten kautta. Samalla myös toimenpiteiden vaikutus on yleensä hitaampi. Vaikka päättäisit ennusteiden perusteella sulkea tuotantolinjan tänään, sen vaikutus näkyisi ehkä vasta kolmen kuukauden päästä, eikä se vaikuttaisi seuraavan kolmen kuukauden ennusteisiin. Tässä tapauksessa sopiva aikahorisontti ennusteen osumistarkkuudelle on yksi kvartaali.

3. Jotta voit tarkastella ennusteen laatua käytännössä, varmista, että keskityt oikeisiin asioihin

Kun tiedostamme, mitä haluamme tarkastella (eli olemme määrittäneet vinoumat ja varianssit) ja kun olemme valinneet sopivan tarkasteluaikajakson, on valittava tarkasteluun vielä ennusteen kannalta tärkeimmät ajurit. Jos myyntiennusteet ovat tärkeintä päätöksentekemistä varten, kannattaa tuolloin seurata myyntiennusteiden osumatarkkuutta. Mikäli taas ostohintojen ennustaminen on tärkeää päätöksenteolle, kannattaa silloin silloin puolestaan tarkastella niitä.

Jos käytössä on nykyaikainen suunnittelu- tai seurantajärjestelmä, on sopivan virhe-luvun laskeminen ennusteille melko yksinkertaista.

Ennuste-virheissä paljon käytetty virhe-luku on MAPE, eli Mean Absolute Percentage Error. Ennen kuin tuloksia lähdetään tulkitsemaan, on sovittava siitä, mikä on sopiva varianssin taso. Voimme esimerkiksi sopia, että viiden prosentin heitto ylös tai alas on täysin hyväksyttävää.

Esimerkki:

Walgreensin apteekkiketjun CFO, Wade Miquelon arvioi huhtikuussa 2014, että vuonna 2016 apteekkidivisioonan EBIT olisi 8,5 miljardia dollaria. Kolme kuukautta myöhemmin hän joutui korjaamaan ennustetta, hieman enemmän kuin pyöristysvirheen verran, 1,1:llä miljardilla dollarilla.

Wade meni metsään siinä, ettei talousosastolla oltu huomioitu Medicare-ohjelmaan kuuluvien lääkkeiden ostohintojen nousua, asia joka varmasti liiketoiminnassa tiedettiin. Tässä tapauksessa päätöksenteon tueksi tehtävien ennusteiden kannalta tärkein ajuri olisi ollut juuri ostohintojen ennustaminen. Mikäli niitä ei oltu huomioitu aiemmin lainkaan, on ennusteiden täytynyt mennä metsään jo pidempään.

4. Tunnista ensin vinoumat ja mieti vasta sitten varianssia

Vinouman tunnistamiseen voidaan käyttää neljän peräkkäisen samansuuntaisen virheen sääntöä (Morlidge & Player 2010). Tilastotieteilijät kaipaisivat ehkä useampia havaintoja, mutta jos kyseessä on kuukausittainen ennustaminen, menisi mallin korjaamiseen turhan pitkä aika jos käytettäisiin esimerkiksi seitsemää havaintoa.

Alkuvaiheessa virheitä etsitään laajasta joukosta ja taulukko on siihen usein ainoa vaihtoehto. Värikoodaus auttaa kuitenkin asiaa. Alla olevasta esimerkistä on jo helppo huomata, että Saksan ja Ranskan ennusteita on syytä ryhtyä tutkimaan tarkemmin, sillä ennuste heittää ylöspäin elokuuta lukuunottamatta (katso oranssit ja punaiset laatikot).

Neljän samansuuntaisen ennustevirheen huomaaminen kuvasta käy helposti:

Esimerkki. Ennusteiden virheet on helppo huomata tästä kuvasta (elokuun oranssit värit).

Kun vinouma on havaittu, pitää selvittää sen syy. Johtuuko se ennusteen tekijästä, vai onko kenties ennustemallin pohjana toimineet olettamukset pielessä. Esimerkiksi, jos autokaupan myyntiennuste pohjautuu 110 000 auton kokonaismyyntiin tänä vuonna ja kesäkuussa havaitaan myynnin jäävän alle sadantuhannen, on mallin laskentasääntöjä päivitettävä.

5. Korjaavat toimenpiteet

Kun vinoumien syyt on tunnistettu, voidaan ne usein korjata mallia päivittämällä ja/tai ennusteen tekijöitä ohjeistamalla. Tämän jälkeen voidaan tarkastella malliin jäänyttä varianssia. Varianssin poistaminen on yleensä vaikeampaa (ja kalliimpaa).

Tilastolliset menetelmät ennustajan kaveriksi

Joissain tapauksissa ennusteiden tekemisen apuna voidaan käyttää tilastollisia menetelmiä, ja niillä voidaan saavuttaa parempia tuloksia kuin ihmisten tekemillä ennusteilla. Joskus mallin tarkkuustason muuttaminen karkeammaksi auttaa. Toimiva ennustemalli ei ole kuitenkaan itsetarkoituksellinen. Oleellisinta on tässä vaiheessa pohtia antaako ennuste oikeat ja riittävät tiedot päätöksentekoon?

Kirjoituksen otsikon voi ajatella viittaavan joko Burton Malkielin lausahdukseen salkunhoitajien osaamisesta maineekkaassa kirjassaan tai Philip Tetlockin kommenttiin asiantuntijoiden ennusteiden laadukkuudesta vuoden 2005 kirjassa. Vastaus kysymykseen on ennusteiden laadun mittaaminen ja jatkuva kehittäminen.

Noudata näitä toimenpiteitä ja ennusteesi laatu tulee takulla paranemaan:

  1. Selvitä miksi ennustamista tehdään. Eri ihmiset antavat todennäköisesti erilaisia vastauksia
  2. Selvitä mitkä ennusteet ovat tärkeimpiä päätöksenteon kannalta
  3. Päätä mikä on sopiva aikajakso ennusteiden laadun tarkasteluun
  4. Ryhdy mittaamaan ennusteiden osumatarkkuutta
  5. Tunnista vinoumat ja etsi niiden syyt
  6. Aseta tavoite varianssille
  7. Jatka kehittämistä

Kiinnostuitko, mutta et tiedä mistä lähteä liikkeelle? Autamme mielellämme alkuun pääsemisessä, esimerkiksi tarjoamalla helpon ja valmiiksi mietityn lähestymisen aiheeseen. Et ole ainoa, joka painii saman asian kanssa. Ota rohkeasti yhteyttä!

Henri Latvanen työskentelee Solitalla Business Insights –yksikössä ja omaa pitkän kokemuksen suunnitteluratkaisuiden matkaoppaana toimimisesta.