Interpretar tus primeros KPIs
Lee tus primeros indicadores de precisión —BIAS, MAE, MAPE, RMSE, Accuracy— y entiende qué te están diciendo.
Al terminar este tutorial sabrás leer el panel de KPIs de un SKU, identificar si tu forecast tiene sesgo sistemático, y reconocer si los errores son aceptables o requieren acción.
Para las definiciones matemáticas de cada indicador, consulta la Referencia de métricas de precisión.
Lo que vas a necesitar
- Al menos un mes cerrado (versión cerrada) con demanda real registrada; sin eso, los KPIs no tienen con qué comparar.
- Acceso al panel de detalle de cualquier SKU en el módulo de Forecast.
Paso 1 — Abre el panel de KPIs de un SKU
- En el módulo de Forecast, haz clic en el nombre de un SKU de la grilla. Se abre su panel de detalle.
- Localiza la sección de KPIs o Métricas de precisión. Verás las tarjetas de resumen con los promedios acumulados y, debajo, el detalle por período.
TODO: captura del panel de KPIs de un SKU con tarjetas visibles
Paso 2 — Lee el BIAS primero
El BIAS mide la dirección del error sistemático:
| Valor de BIAS | Significado |
|---|---|
| Cercano a 0 | Tu forecast no tiene sesgo apreciable. Ideal. |
| BIAS positivo | Estás sobreestimando sistemáticamente (forecast > demanda real). |
| BIAS negativo | Estás subestimando sistemáticamente (forecast < demanda real). |
Un error grande pero sin dirección fija (BIAS ≈ 0) puede ser ruido del mercado. Un BIAS persistente en la misma dirección indica un problema estructural: el modelo o el equipo están sesgados en una dirección. Corrige el sesgo antes de optimizar la magnitud del error.
Ejemplo: si el BIAS acumulado de un SKU es −120 unidades/mes, estás ordenando de más todos los meses. Revisa si hay un factor de demanda que el modelo no captura (estacionalidad no modelada, fin de vida del producto, etc.).
Paso 3 — Lee la magnitud del error: MAE y MAPE
Una vez que sabes la dirección (BIAS), evalúa el tamaño del error:
-
MAE (Mean Absolute Error): error promedio en las mismas unidades del SKU. Útil para comparar SKUs del mismo producto o categoría. Un MAE de 50 unidades es muy diferente si el SKU vende 60 o 6 000 por mes.
-
MAPE (Mean Absolute Percentage Error): error en porcentaje. Permite comparar SKUs de distintas escalas.
| MAPE | Interpretación |
|---|---|
| < 5 % | Excelente. El modelo es muy preciso. |
| 5 % – 10 % | Bueno. Aceptable para la mayoría de categorías. |
| 10 % – 20 % | Mejorable. Revisa outliers, estacionalidad o promociones no capturadas. |
| > 20 % | Problemático. Requiere acción: revisar el modelo, los datos o la metodología de ajuste. |
Cuando la demanda real es muy baja (1 o 2 unidades), un pequeño error absoluto se convierte en un MAPE enorme. En esos casos, da más peso al MAE absoluto y al BIAS que al MAPE.
Paso 4 — Lee la Accuracy
La Accuracy es el complemento del MAPE:
Accuracy = 100 % − MAPE
El objetivo mínimo recomendado es 80 % (equivale a MAPE ≤ 20 %). Los SKUs de alta rotación y sin comportamiento estacional suelen alcanzar 90 %–95 %.
Las tarjetas de resumen del panel muestran la Accuracy promedio acumulada de todos los períodos cerrados. Úsala como indicador de salud general del forecast de ese SKU.
Paso 5 — Lee el RMSE como señal de grandes errores
El RMSE (Root Mean Square Error) penaliza los errores grandes más que el MAE porque eleva al cuadrado cada error antes de promediar.
- Si el RMSE es mucho mayor que el MAE, significa que hay uno o varios períodos con errores muy grandes que están distorsionando el promedio (posibles outliers o eventos no modelados).
- Si el RMSE es similar al MAE, los errores son bastante homogéneos: no hay un mes catastrófico que oculten el promedio.
Compara siempre MAE y RMSE. Una razón RMSE/MAE cercana a 1 indica errores consistentes. Una razón mayor de 1.5 o 2 pide investigar los períodos con error más alto.
Paso 6 — Lee los KPIs en conjunto
El diagnóstico correcto usa los cinco indicadores como un sistema:
- ¿Hay sesgo? → BIAS. Si es significativo, corrígelo primero.
- ¿Qué tan grande es el error típico? → MAE (en unidades) y MAPE (en %).
- ¿Estoy sobre el umbral aceptable? → Accuracy ≥ 80 %.
- ¿Hay períodos con errores catastróficos? → Compara RMSE vs MAE.
Un buen forecast tiene BIAS ≈ 0, MAPE < 10 % y RMSE no muy superior al MAE.
Resultado
Sabes leer el panel de KPIs de precisión de un SKU, identificar si el forecast tiene sesgo sistemático y evaluar si la magnitud del error es aceptable.
Siguiente paso: lleva este análisis a la optimización de inventario en Tu primera simulación de inventario.