Precisión del forecast
Seis indicadores que evalúan qué tan cerca estuvo el forecast de la demanda real. Solo se calculan sobre periodos vencidos y versiones cerradas; los periodos futuros o versiones abiertas se excluyen.
Convención de error
error = D − F
donde D es la demanda real y F es el forecast. Los KPIs se calculan por SKU y luego se promedian (cada SKU pesa igual). "Acumulado" promedia varias versiones cerradas.
- Error positivo (D > F): nos quedamos cortos → riesgo de quiebre de stock.
- Error negativo (D < F): nos pasamos → riesgo de sobrante.
Catálogo de métricas
| KPI | Qué mide | Unidad | Bueno cuando | Fórmula |
|---|---|---|---|---|
| BIAS | Sesgo sistemático (sub vs. sobre-pronóstico) | Unidades | ≈ 0 | (1/n) · Σ(Dᵢ − Fᵢ) |
| MAE | Magnitud media del error (sin importar signo) | Unidades | Mínimo | `(1/n) · Σ |
| MAPE | Error porcentual medio | % | < 20 % | `(1/n) · Σ( |
| ECM (= MSE) | Error cuadrático medio; penaliza errores grandes | Unidades² | Mínimo | (1/n) · Σ(Dᵢ − Fᵢ)² |
| RMSE | Raíz del ECM; mismas unidades que la demanda | Unidades | Mínimo | √(ECM) |
| Exactitud (Accuracy) | Exactitud media por SKU con piso en 0 | % (0–100) | Máximo | `(1/n) · Σ máx(0, 100 − ( |
AInventory reporta ECM (Error Cuadrático Medio) y MSE (Mean Squared Error) como la misma métrica — ambos usan la fórmula (1/n) · Σ(Dᵢ − Fᵢ)². El RMSE es su raíz cuadrada: RMSE = √(ECM).
Descripción detallada
BIAS
El BIAS es el promedio aritmético de los errores. Porque los errores positivos y negativos se cancelan entre sí, siempre debe leerse junto con el MAE.
- BIAS = 0: el modelo no tiene sesgo sistemático.
- BIAS > 0: sub-pronóstico persistente (la demanda superó al forecast en promedio).
- BIAS < 0: sobre-pronóstico persistente (el forecast superó a la demanda en promedio).
Ejemplo: SKU A: D=100, F=120 → error=−20. SKU B: D=80, F=70 → error=+10. BIAS = (−20+10)/2 = −5.
MAE
El MAE promedia los valores absolutos de los errores. Es la medida más intuitiva de la magnitud del error porque está en las mismas unidades que la demanda.
Ejemplo (continuación): MAE = (|−20|+|10|)/2 = (20+10)/2 = 15 unidades.
MAPE
El MAPE expresa el error como porcentaje de la demanda real. Se excluyen los SKU con D=0 para evitar divisiones por cero.
| Rango | Calificación |
|---|---|
| < 10 % | Muy bueno |
| 10 – 20 % | Bueno |
| 20 – 50 % | Regular |
| > 50 % | Pobre |
Ejemplo: SKU A: (20/100)×100=20 %. SKU B: (10/80)×100=12,5 %. MAPE = (20+12,5)/2 = 16,25 %.
ECM (= MSE)
El ECM penaliza los errores grandes de forma cuadrática: un error doble pesa cuatro veces más. Se usa principalmente como paso intermedio para calcular el RMSE.
Ejemplo: ECM = (20²+10²)/2 = (400+100)/2 = 250 unidades².
RMSE
El RMSE devuelve el error a las unidades originales de la demanda. Siempre cumple RMSE ≥ MAE.
- Si RMSE ≫ MAE: hay errores atípicos (outliers) que están inflando la métrica.
- Si RMSE ≈ MAE: los errores son relativamente uniformes.
Ejemplo: RMSE = √250 ≈ 15,8 unidades.
Exactitud (Accuracy)
La exactitud es el único indicador donde un valor mayor es mejor. Aplica un piso de 0 % por SKU, de modo que los SKU con error muy alto no arrastren la métrica a negativos. Por eso no equivale exactamente a 100 − MAPE.
| Rango | Calificación |
|---|---|
| > 90 % | Excelente |
| 80 – 90 % | Bueno |
| 60 – 80 % | Aceptable |
| < 60 % | Pobre |
Ejemplo: SKU A: max(0, 100−20)=80 %. SKU B: max(0, 100−12,5)=87,5 %. Exactitud = (80+87,5)/2 = 83,75 %.
Lectura combinada de BIAS y MAE
| Situación | Interpretación |
|---|---|
| BIAS ≈ 0, MAE alto | Errores grandes pero sin sesgo sistemático (ruido) |
| BIAS negativo, MAE alto | Sobre-pronóstico consistente (ajustar a la baja) |
| BIAS positivo, MAE alto | Sub-pronóstico consistente (ajustar al alza) |
| BIAS ≈ 0, MAE bajo | Forecast de buena calidad |
Evalúa estas métricas al cierre de cada versión. En el módulo de forecast, el acumulado promedia todas las versiones cerradas disponibles del periodo seleccionado.