まとめ
- WAPE relaciona el error absoluto con el volumen total real.
- Calcula WAPE en pronósticos y observa cómo se reporta en paneles de negocio.
- Conoce su inestabilidad cuando el volumen es pequeño y cómo combinarlo con MAE.
1. Definición #
$$ \mathrm{WAPE} = \frac{\sum_{i=1}^n |y_i - \hat{y}i|}{\sum{i=1}^n |y_i|} \times 100% $$
- Escala el error absoluto por el total real, por lo que es comparable entre artículos con magnitudes distintas.
- A diferencia de MAPE, no explota cuando algunos valores reales se acercan a cero.
2. Implementación en Python #
import numpy as np
def wape(y_true: np.ndarray, y_pred: np.ndarray) -> float:
"""Weighted Absolute Percentage Error."""
return float(np.sum(np.abs(y_true - y_pred)) / np.sum(np.abs(y_true)))
print("WAPE:", round(wape(y_test, y_pred) * 100, 2), "%")
Si el volumen total de referencia es prácticamente cero, excluye ese segmento o normaliza con la demanda media.
3. WAPE frente a MAPE #
| Métrica | Características | Precaución |
|---|---|---|
| MAPE | Error porcentual medio por muestra | Diverge cuando el valor real ≈ 0 |
| WAPE | Error absoluto total ÷ volumen real total | Dominada por artículos de gran volumen |
| sMAPE | Usa la media de real y predicho | Permite ceros pero es menos intuitiva |
Retail y CPG suelen usar WAPE porque resume la precisión global sin sobrerrepresentar SKU de bajo volumen.
4. Uso en la práctica #
- Planificación de inventario: monitoriza WAPE como KPI (ej. objetivo ≤ 10%). Compara por región o categoría.
- Comparación de modelos: MAE depende de la unidad; WAPE al ser porcentaje, permite comparar modelos entre escalas.
- Análisis detallado: un WAPE global bueno puede ocultar SKU problemáticos; revisa WAPE por marca, región o segmento.
5. Consideraciones #
- Si hay largos periodos con demanda cero, calcula WAPE solo en periodos activos o usa MAE.
- Compara períodos y conjuntos de artículos idénticos para garantizar consistencia.
- Complementa con MAE/MAPE a nivel de SKU para detectar casos críticos.
Resumen #
- WAPE expresa el error absoluto como porcentaje de la demanda total y es fácil de explicar como KPI.
- Atenúa el problema de MAPE con demanda cero, pero sigue requiriendo métricas absolutas para diagnósticos detallados.
- Combina el WAPE global con vistas segmentadas para priorizar acciones de mejora.