Entrenamiento del modelo
Las métricas de esta página miden la calidad del modelo estadístico base que genera el forecast de IA. No reflejan los ajustes manuales realizados por Ventas, Mercadeo o Consenso; para evaluar esos ajustes, consulta Precisión del forecast y Forecast Value Added (FVA).
Estas métricas son calculadas internamente durante el proceso de entrenamiento y selección del mejor algoritmo. Su audiencia principal es técnica (equipo de data science / analítica). Los usuarios de negocio pueden ignorarlas con seguridad.
Catálogo de métricas
| KPI | Nombre completo | Qué mide | Unidad | Bueno cuando |
|---|---|---|---|---|
| MASE | Mean Absolute Scaled Error — Error Absoluto Escalado | Error absoluto normalizado por el error de un modelo naive de referencia (random walk) | Adimensional | < 1 (mejor que el naive) |
| WAPE | Weighted Absolute Percentage Error — Error Porcentual Absoluto Ponderado | MAPE ponderado por la demanda total, robusto a SKU con volumen bajo | % | Mínimo |
| wQL | Weighted Quantile Loss — Pérdida por cuantil ponderado | Qué tan bien el modelo estima cuantiles de la distribución de demanda (intervalos de confianza) | Adimensional / normalizado | Mínimo |
| MSE | Mean Squared Error — Error Cuadrático Medio | Igual al ECM de la sección de precisión; penaliza errores grandes | Unidades² | Mínimo |
El MSE (Mean Squared Error) que aparece en esta sección de entrenamiento es el mismo indicador que el ECM (Error Cuadrático Medio) documentado en Precisión del forecast. Se usa la misma fórmula (1/n) · Σ(Dᵢ − Fᵢ)²; la diferencia es solo de nomenclatura.
Descripción de cada métrica
MASE
El MASE escala el MAE del modelo contra el MAE de un modelo de referencia simple (habitualmente un random walk o diferencia estacional de orden 1). Un MASE < 1 indica que el modelo supera al naive; MASE > 1 indica que es peor.
TODO: fórmula exacta (pendiente de confirmar con el equipo de analítica).
WAPE
El WAPE pondera el error porcentual por la demanda de cada SKU, de modo que los SKU de alto volumen tienen mayor peso. Esto lo hace más estable que el MAPE cuando existen artículos con demanda muy baja o esporádica.
TODO: fórmula exacta (pendiente de confirmar con el equipo de analítica).
wQL (weighted Quantile Loss)
El wQL evalúa la calidad de las estimaciones probabilísticas del modelo: qué tan bien calibrados están los cuantiles (por ejemplo, el cuantil 0,9 debería cubrir el 90 % de los casos reales). Es especialmente relevante para el cálculo de safety stock y niveles de fill rate.
TODO: fórmula exacta (pendiente de confirmar con el equipo de analítica).
MSE
Ver ECM en Precisión del forecast. Fórmula: (1/n) · Σ(Dᵢ − Fᵢ)².
Relación con el proceso de selección de modelos
AInventory evalúa varios algoritmos de series de tiempo y selecciona el modelo con mejor desempeño agregado en estas métricas sobre el conjunto de validación (datos históricos reservados). El modelo seleccionado es el que genera el Baseline (IA) visible en el módulo de forecast.