“Buscamos alcanzar un 90% de precisión»
Es una petición habitual en proyectos de previsión de demanda. Y también el punto de partida de uno de los errores más frecuentes: asumir que la calidad de una previsión puede resumirse en un único porcentaje.
El MAPE (Mean Absolute Percentage Error) se utiliza mucho precisamente porque es fácil de comunicar. Decir que un modelo tiene “un error medio del 10%” resulta intuitivo y permite comparar resultados entre productos o categorías.
Sin embargo, utilizar el MAPE como el único criterio para seleccionar, evaluar u optimizar modelos predictivos presenta riesgos técnicos que pueden derivar en costes operativos innecesarios.
Las dos grandes limitaciones técnicas del MAPE
Aunque el MAPE ofrece ventajas en la divulgación de resultados, muestra debilidades estructurales en el análisis técnico y operativo:
1. Inviabilidad ante ceros y distorsión en escalas reducidas
El MAPE mide el error de la predicción en comparación con el volumen de ventas reales. Esto genera dos problemas en el día a día:
- División por cero: cuando en un periodo la venta real es igual a cero, la métrica intenta dividir entre cero. Esto genera un problema matemático que obliga a aplicar parches numéricos, ajustar la muestra o recurrir a métricas alternativas.
- Hiperreacción en volúmenes bajos: si la venta real de un producto es de solo 1 unidad y el modelo predice 2, el error registrado es del 100%. En contextos de demanda intermitente o alta granularidad (por ejemplo, a nivel de tienda o día), el MAPE penaliza de forma desproporcionada desviaciones pequeñas que, en términos de facturación o margen, resultan poco relevantes.
2. Asimetría matemática y tendencia al sesgo a la baja
El MAPE no trata por igual el quedarse corto que el pasarse:
- Infraprevisión (quedarse corto): si la demanda real es de 100 unidades y el modelo predice 0, el error porcentual tiene un tope máximo del 100%.
- Sobreprevisión (pasarse): si la demanda real es de 1 unidad y el modelo predice 6, el error porcentual se dispara al 500% (y no tiene límite superior).
El efecto en los algoritmos: un modelo configurado para minimizar de forma estricta el MAPE aprende rápido que sobreestimar la demanda conlleva un «castigo» estadístico mucho mayor que quedarse corto. Como consecuencia, el algoritmo tiende a favorecer predicciones orientadas a la baja para proteger su nota estadística.
El riesgo en la toma de decisiones (Accuracy-Only Trap)
El problema principal no es solo estadístico, sino de impacto en el negocio. Un modelo puede registrar una cifra favorable de MAPE ante un comité y, simultáneamente, afectar la operativa de la empresa:
- Favorecer roturas de stock y pérdida de ventas si el modelo tiende a la infraprevisión.
- Afectar el nivel de servicio fijado con los clientes.
En estos casos, se obtiene una mejora en el indicador porcentual, pero se compromete la calidad de la decisión logística y financiera.
Hacia un marco de evaluación equilibrado: del indicador único al valor económico
Para mitigar estos sesgos, resulta recomendable estructurar la evaluación de la previsión de demanda en dos niveles complementarios:
A. Sustituir el dato único por un panel de control
Ninguna métrica aislada refleja de forma completa el comportamiento de una predicción. Es aconsejable evaluar:
- Magnitud ponderada del error: indicadores como el WAPE o el MAE, que ponderan el error en función del volumen total o las unidades absolutas, reduciendo la distorsión producida por ventas bajas.
- Dirección del error (BIAS / Sesgo): mide si el modelo muestra una desviación recurrente hacia la sobreestimación o la infraestimación.
- Penalización de picos de error: el RMSE, que al elevar las desviaciones al cuadrado identifica con mayor claridad los errores de gran magnitud en picos de demanda.
- Valor añadido frente a referencias simples: métricas como el MASE o el FVA, que permiten comprobar si la complejidad del algoritmo aporta una mejora sustancial respecto a métodos básicos (baselines).
B. Separar la optimización matemática de la evaluación de negocio
Es oportuno diferenciar la función de pérdida (loss function) empleada durante el entrenamiento del algoritmo, de los criterios de negocio usados para juzgar el resultado.
En la gestión diaria, las consecuencias financieras del error no suelen ser simétricas: el impacto económico de una falta de stock en un recambio crítico para producción suele diferir del coste asociado al exceso de inventario de un producto con fecha de caducidad cercana.
Impacto en el negocio
El MAPE se mantiene como un recurso útil para la comunicación ejecutiva por su simplicidad. No obstante, conviene no utilizarlo como el único criterio para guiar la selección u optimización de modelos predictivos.
El objetivo principal en la previsión de demanda no consiste únicamente en minimizar un indicador porcentual genérico, sino en alinear los criterios de evaluación con la realidad operativa para que las métricas reflejen con precisión el impacto en el negocio.
