平均絕對誤差

平均絕對誤差（Mean Absolute Error, MAE）是一種統計量，用來衡量預測模型的準確度，其計算方式為所有單個觀測值的「預測值」與「實際值」之間差的絕對值的平均數。其公式為：MAE = (1/n) * Σ|預測值ᵢ - 實際值ᵢ|。MAE的核心概念是提供一個直觀的、與原始數據單位相同的平均誤差大小。在風險管理體系中，MAE主要應用於「風險評鑑」階段的模型驗證環節。雖然ISO 31000風險管理標準未直接定義MAE，但其應用符合模型驗證的要求，特別是在導入人工智慧進行風險預測時，依據ISO/IEC TR 24028:2020（AI可信賴性）與NIST AI風險管理框架（AI 100-1），MAE是評估模型效能與可靠性的關鍵指標。相較於均方誤差（MSE）會放大異常大誤差的影響，MAE對所有誤差給予相同權重，因此在存在極端值時更具穩健性，也更容易向非技術背景的利害關係人解釋。

在企業風險管理中，MAE的應用旨在量化並降低預測不確定性，尤其在營運持續管理（BCM）領域。具體導入步驟如下：1. **模型選擇與資料準備**：針對特定風險場景（如：預測供應商交貨延遲天數、預測未來三個月的現金流缺口），選擇合適的預測模型，並收集至少2-3年的歷史數據作為訓練與驗證資料集。2. **MAE計算與基準設定**：應用MAE公式計算模型的預測誤差。企業需根據營運衝擊分析（BIA）結果，設定可接受的MAE基準值。例如，關鍵物料的交期預測MAE不得超過2天，否則可能觸發產線中斷風險。3. **模型驗證與持續監控**：定期（如每季）使用新數據重新計算MAE，若超出基準則需調整模型。此流程符合ISO 22301:2019（營運持續管理系統）對風險評鑑與績效評估的持續改善要求。台灣某半導體廠即透過MAE優化其產能需求預測模型，將預測準確率提升12%，有效降低了庫存成本與缺料風險。

台灣企業在導入MAE進行模型風險管理時，主要面臨三大挑戰：1. **數據品質與可用性不足**：許多中小企業缺乏長期、結構化且乾淨的歷史數據，導致模型訓練不足，MAE計算結果失真。2. **缺乏跨領域專業人才**：企業內部缺少同時具備數據科學、特定產業知識與風險管理背景的專家，難以建立、詮釋及優化預測模型。3. **模型詮釋與管理溝通困難**：MAE本身是技術指標，難以向無技術背景的管理層有效溝通其對業務決策的具體意涵，導致模型無法真正落地。解決方案：首先，應建立數據治理框架，從關鍵風險領域（如核心供應鏈）開始試點，確保數據品質（預期時程：6個月）。其次，與外部專業顧問合作，導入最佳實務，並同步規劃內部人才培訓計畫（優先行動）。最後，建立風險儀表板，將MAE轉化為「預測準確率%」或「因預測失準導致的潛在財務損失」等業務KPI，以視覺化方式呈現，強化決策支持力道（預期時程：3個月）。