MAPE (error porcentual absoluto medio)

El MAPE resulta atractivo porque no depende de la escala: un porcentaje se puede comparar entre referencias con volúmenes muy distintos y se lee sin contexto adicional. Esa comodidad es también su debilidad. En el denominador está el valor real, así que una misma desviación absoluta da porcentajes muy diferentes según lo que se haya vendido, y una sola referencia de bajo volumen puede dominar la media. Junto a una cifra de sesgo y a una alternativa ponderada por volumen, el MAPE es útil; en solitario dice menos de lo que parece.

• MAPE = (1/n) Σ |A − F| / A × 100, donde A es la demanda real y F la previsión
• Ejemplo: valores reales 100, 20 y 5 frente a previsiones 90, 30 y 10 dan errores del 10 %, 50 % y 100 % – MAPE 53 %, aunque la demanda total fue 125 y la previsión total 130
• WAPE = Σ|A − F| / ΣA × 100 – los mismos errores ponderados por volumen dan un 21 %
• Ratio MAD/media – desviación absoluta media dividida por la demanda media; funciona donde los valores reales son a menudo cero

El MAPE en la práctica

Dos propiedades convierten el MAPE en una trampa con datos de retail. La primera es un techo asimétrico. Una previsión por debajo puede equivocarse como máximo un 100 %, porque no puede bajar de cero; una previsión por encima no tiene límite. Un modelo o un planificador que minimice el MAPE prevé por tanto por debajo de la media en referencias volátiles y de baja rotación. Tomemos una referencia con una media de dos unidades por semana y un pico ocasional de diez: prever dos da un error del 80 % en la semana del pico, prever seis da un 200 % en una semana normal. Minimizar la métrica introduce un sesgo negativo en el plan, y ese sesgo se paga en roturas de stock, no en el informe de precisión.

La segunda propiedad es el cero. El MAPE no se puede calcular cuando la demanda real es cero, y al nivel de referencia × tienda × día –el nivel en el que se decide la reposición– una referencia que vende unas pocas unidades por semana tiene más días con cero que días con venta. Descartar esas observaciones elimina justo los casos en los que la previsión estaba por encima de cero y no se vendió nada: las sobreprevisiones. Queda una cifra optimista producida por la selección de datos, no por una previsión mejor. Sumar una constante al denominador o pasar al sMAPE esconde el problema más que resolverlo; la solución limpia es cambiar la métrica a ese nivel, no la aritmética.

La tercera cuestión es la ponderación uniforme. En un informe de 30 000 referencias, la media sin ponderar la marca la cola, no las referencias que generan facturación – por eso una empresa puede mejorar el MAPE dos puntos mientras cae la disponibilidad de sus referencias más vendidas. Para el trabajo con inventario, el montaje práctico es un error ponderado por volumen junto a un sesgo reportado aparte, medido al nivel y al horizonte en que se lanza el pedido. Veritico STOCK prevé a nivel de referencia, tienda y día, elige entre unos 80 métodos estadísticos el de menor error esperado y limpia de la historia las roturas de stock, las promociones y los valores extremos antes de calcular la previsión, así el modelo no se ajusta a ventas censuradas – véase previsión de la demanda y optimización de inventario y gestión de reposición y asignación. Mondelez pasó del 50 % al 70 % de precisión tras unificar la planificación entre funciones. En previsiones promocionales, donde las métricas porcentuales son menos indulgentes porque el volumen base es pequeño frente al uplift, Kofola alcanzó un 76 % con Veritico PROMO.

Términos relacionados

• Precisión de la previsión
• Previsión de la demanda
• Planificación de la demanda
• Demanda intermitente
• Sesgo de la previsión (forecast bias)
• Estacionalidad