WAPE (Error Absoluto Ponderado)

Actualizado 2020-07-01 Lectura 2 min

Resumen

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 #

1
2
3
4
5
6
7
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.