SynapseOne /blog
en ← volver al blog

MAPE, MAE, RMSE: Cómo medir la precisión de tu forecast de demanda"

· SynapseOne Team

Si tu empresa hace pronósticos de demanda, necesitás saber si están funcionando. No alcanza con “sentir” que el forecast es bueno, necesitás métricas objetivas para medir qué tan preciso es.

Las tres métricas estándar en la industria son MAPE, MAE y RMSE. En este artículo te explicamos qué son, cómo se calculan, cuándo usar cada una y qué nivel de accuracy es profesional.

Por qué necesitás medir el Forecast Accuracy

Un forecast sin métricas es como un auto sin velocímetro: no sabés si vas a 30 km/h o a 120 km/h.

Medir la precisión te permite:

  • Comparar métodos: ¿Es mejor usar IA o promedios móviles?
  • Detectar productos problemáticos: ¿Qué SKUs tienen forecast muy errado?
  • Mejorar con el tiempo: Track si tu modelo está mejorando
  • Justificar inversiones: Demostrar ROI de herramientas de forecast

Según el International Journal of Forecasting, las empresas que miden accuracy sistemáticamente reducen errores de forecast en 15-25% en el primer año.

MAPE: Mean Absolute Percentage Error

¿Qué es?

MAPE mide el error promedio como porcentaje de la demanda real. Es la métrica más usada porque es fácil de interpretar: “mi forecast tiene un error del 15%”.

Fórmula

MAPE = (100 / n) × Σ |Actual - Forecast| / Actual

Donde:

  • n = número de períodos (días, semanas, meses)
  • Actual = demanda real
  • Forecast = demanda pronosticada
  • | | = valor absoluto (error sin signo)

Ejemplo Paso a Paso

Pronóstico de ventas de PROD-001 para 5 días:

Día Forecast Actual Error % Error
1 100 95 5 5.3%
2 110 120 10 8.3%
3 105 100 5 5.0%
4 90 85 5 5.9%
5 115 110 5 4.5%

Cálculo:

MAPE = (5.3 + 8.3 + 5.0 + 5.9 + 4.5) / 5
MAPE = 29.0 / 5 = 5.8%

Interpretación: Tu forecast tiene un error promedio del 5.8%. Si tu demanda promedio es 100 unidades/día, te estás equivocando por ±6 unidades en promedio.

Ventajas de MAPE

✅ Fácil de comunicar: “Tenemos 8% de error” es claro para gerentes ✅ Independiente de escala: Podés comparar productos de 10 unidades vs 10,000 ✅ Estándar de industria: Todos usan MAPE

Desventajas de MAPE

❌ Problema con demanda cero o muy baja: Si Actual = 0, MAPE = infinito ❌ Penaliza más los errores por encima: Subestimar 100 unidades duele más que sobrestimar ❌ No funciona para productos intermitentes: Productos con muchos días de 0 ventas

Más sobre limitaciones de MAPE en Hyndman & Athanasopoulos - Forecasting: Principles and Practice

MAE: Mean Absolute Error

¿Qué es?

MAE mide el error promedio en unidades absolutas. A diferencia de MAPE (que es porcentaje), MAE te dice: “tu forecast se equivoca por 8 unidades en promedio”.

Fórmula

MAE = (1 / n) × Σ |Actual - Forecast|

Ejemplo con los Mismos Datos

Día Forecast Actual Error Absoluto
1 100 95 5
2 110 120 10
3 105 100 5
4 90 85 5
5 115 110 5

Cálculo:

MAE = (5 + 10 + 5 + 5 + 5) / 5
MAE = 30 / 5 = 6 unidades

Interpretación: Tu forecast se equivoca por 6 unidades en promedio, independientemente de si subestima o sobreestima.

Ventajas de MAE

✅ Fácil de entender: “Me equivoco por 6 unidades” ✅ Funciona con demanda baja: No hay división por cero ✅ Penaliza errores linealmente: Un error de 10 unidades pesa el doble que un error de 5

Desventajas de MAE

❌ Dependiente de escala: No podés comparar un producto de 10 unidades/día con uno de 1,000 ❌ Requiere contexto: ¿Es bueno un MAE de 6? Depende de si vendés 50 o 500 unidades

RMSE: Root Mean Square Error

¿Qué es?

RMSE es similar a MAE pero penaliza más los errores grandes. Se usa cuando querés ser especialmente agresivo contra errores extremos.

Fórmula

RMSE = √[(1 / n) × Σ (Actual - Forecast)²]

Ejemplo con los Mismos Datos

Día Forecast Actual Error Error²
1 100 95 5 25
2 110 120 10 100
3 105 100 5 25
4 90 85 5 25
5 115 110 5 25

Cálculo:

RMSE = √[(25 + 100 + 25 + 25 + 25) / 5]
RMSE = √[200 / 5]
RMSE = √40
RMSE ≈ 6.3 unidades

Interpretación: El RMSE es 6.3 unidades, ligeramente mayor que el MAE (6.0). Esto indica que tenés algunos errores más grandes que inflan la métrica.

Ventajas de RMSE

✅ Penaliza outliers: Un error de 20 unidades pesa mucho más que dos errores de 10 ✅ Útil para ML: Muchos algoritmos minimizan RMSE por default ✅ Sensible a errores grandes: Detecta forecasts con picos muy errados

Desventajas de RMSE

❌ Difícil de interpretar: La raíz cuadrada complica la explicación ❌ Menos intuitivo que MAPE: No es un porcentaje ni unidades directas ❌ Dependiente de escala: Como MAE, no podés comparar productos de diferente magnitud

Más sobre RMSE en Journal of Business Forecasting

Tabla Comparativa: MAPE vs MAE vs RMSE

Métrica Unidad Pro Principal Con Principal Cuándo Usar
MAPE Porcentaje Fácil de comunicar Falla con demanda baja Productos con demanda estable >10
MAE Unidades Funciona con demanda baja No es escalable Todos los productos (default)
RMSE Unidades Penaliza errores grandes Difícil de explicar Cuando outliers son críticos

¿Qué es un Buen Forecast Accuracy?

Depende de la industria y el producto, pero aquí están los benchmarks generales:

Por MAPE

MAPE Interpretación Acción
< 10% Excelente ✅ Mantener método actual
10-20% Bueno ✅ Aceptable para mayoría de casos
20-30% Aceptable ⚠️ Considerar mejoras
30-50% Pobre ❌ Forecast poco confiable
> 50% Muy pobre ❌ Casi como tirar una moneda

Industria específica:

  • Retail de alta rotación: 5-15% (productos estables como alimentos básicos)
  • Moda / Fashion: 20-40% (alta variabilidad por tendencias)
  • Repuestos / Spare parts: 30-60% (demanda muy esporádica)
  • Farmacia OTC: 10-20% (demanda relativamente estable)

Fuente: APICS - Supply Chain Benchmarking

Por MAE

No hay estándar universal porque depende de la escala del producto. Usa este criterio:

MAE bueno ≤ 10% de Demanda Promedio

Ejemplo:

  • Demanda promedio: 100 unidades/día
  • MAE aceptable: ≤ 10 unidades

Combinando Métricas: El Enfoque Profesional

Las empresas avanzadas no usan una sola métrica, usan las tres en combinación:

Estrategia Recomendada

  1. MAPE como métrica primaria: Para comunicar accuracy al equipo
  2. MAE para debugging: Identificar productos con errores grandes en unidades
  3. RMSE para optimización: Al entrenar modelos de ML

Ejemplo Real

Producto MAPE MAE RMSE Diagnóstico
PROD-001 8% 5 u 6 u ✅ Excelente, errores consistentes
PROD-002 25% 8 u 18 u ⚠️ Tiene outliers (RMSE >> MAE)
PROD-003 45% 2 u 3 u ⚠️ MAPE alto pero MAE bajo = demanda baja

Insights:

  • PROD-001: Buen forecast, seguir así
  • PROD-002: Investigar por qué hay picos errados (promociones no capturadas?)
  • PROD-003: MAPE alto es engañoso, en realidad el error absoluto es pequeño

Cómo SynapseOne Calcula Accuracy Automáticamente

SynapseOne calcula las tres métricas (MAPE, MAE, RMSE) para cada producto automáticamente:

  1. Track histórico: Compara forecast vs ventas reales cada día
  2. Calcula métricas rolling: Últimos 30 días, 60 días, 90 días
  3. Detecta productos problemáticos: Alerta si MAPE > 30%
  4. Ajusta modelos: Si accuracy baja, prueba otro algoritmo de ML

Dashboard:

📊 PROD-001 - Forecast Accuracy (últimos 30 días)

  • MAPE: 8.2% ✅ Excelente
  • MAE: 5.1 unidades
  • RMSE: 6.3 unidades
  • Tendencia: Mejorando (+2% vs mes anterior)

Todo calculado automáticamente, sin hojas de cálculo.

Errores Comunes al Medir Accuracy

❌ Error 1: Usar solo MAPE para productos de baja demanda Si vendés 5 unidades/día y tu forecast dice 8, el MAPE es 60% pero el error real es solo 3 unidades. Usa MAE.

❌ Error 2: No filtrar datos anómalos Si tuviste un pico de ventas por una promoción no repetible, incluirlo en el cálculo sesga las métricas. Limpia outliers.

❌ Error 3: Medir accuracy solo una vez Accuracy debe monitorearse continuamente. Un modelo que hoy tiene MAPE 10% puede deteriorarse a 25% en 3 meses si cambian patrones de demanda.

❌ Error 4: Comparar productos de diferente escala con RMSE/MAE Un producto de 10 unidades/día con MAE = 2 es mejor que uno de 1,000 unidades/día con MAE = 50, aunque el número absoluto sea mayor. Usa MAPE para comparar.

Cuándo Recalcular Accuracy

  • Semanalmente: Para productos críticos o de alta rotación
  • Mensualmente: Para el resto del catálogo
  • Después de cambios: Nueva promoción, cambio de proveedor, nueva temporada
  • Cuando baja performance: Si notás más quiebres o sobrestock de lo normal

Conclusión

MAPE, MAE y RMSE son las tres métricas esenciales para medir si tu forecast está funcionando.

  • MAPE: Tu métrica principal, fácil de comunicar (objetivo: <20%)
  • MAE: Para productos de baja demanda o debugging
  • RMSE: Para optimizar modelos de ML

Un forecast sin métricas es como navegar sin brújula. Medir accuracy te permite mejorar continuamente y justificar inversiones en tecnología de forecasting.

¿Querés que calculemos el accuracy de tu forecast automáticamente?

SynapseOne rastrea MAPE, MAE y RMSE de cada producto y te alerta cuando el accuracy baja. Sin hojas de cálculo, sin fórmulas manuales.

Probar SynapseOne gratis →

Referencias

← volver al blog