WAPE

1. 定義 #

• 実測値の総量でスケーリングするため、アイテム間の規模が大きく違っても比較しやすい。
• MAPE と異なり、ゼロに近い実測値でも暴走しにくい。

2. Python で計算 #

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

import numpy as np

def wape(y_true: np.ndarray, y_pred: np.ndarray) -> float:
    """WAPE（加重平均絶対誤差率）を計算する。

    Args:
        y_true: 観測された実測値。
        y_pred: モデルの予測値。

    Returns:
        WAPE の値。
    """
    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), "%")

実測の総量が 0 に近い場合はエラーになるため、そのようなデータは除外するか、平均需要で割るなど工夫します。

計算例 #

具体的な数値で WAPE を手計算してみましょう。

MAPE の場合は \(\frac{1}{3}(10% + 10% + 10%) = 10%\) で同じ値になりますが、SKU ごとの需要量に偏りがあると結果が変わります。たとえば SKU B の需要が 5 に減ると MAPE は急騰しますが、WAPE は全体量で割るため安定します。

3. WAPE と MAPE の比較 #

4. 実務での使い方 #

• 在庫計画：全 SKU の WAPE を KPI として管理し、10% 以下を保つなどの目標を設定。

• モデル比較：MAE だと単位に依存するが、WAPE なら百分率で比較できる。

• アイテム別詳細：全体 WAPE が良くても一部 SKU が酷い可能性があるため、SKU スライスごとの WAPE も併せて確認。

5. 注意点 #

• 需要がゼロの期間が多い場合は、需要が発生した期間だけをベースに計算するなど前処理が必要。
• 期間をまたいで比較する場合は、同じ期間・同じアイテムセットで計算する。
• 単一アイテムの評価には MAE や MAPE も併用し、個別の改善余地を把握する。

まとめ #

• WAPE は絶対誤差の総量を実測量で割り、需要予測の精度をわかりやすい百分率で示せる。

• MAPE の弱点であるゼロ需要の発散問題を緩和し、実務 KPI として使いやすい。

• SKU 単位やセグメント単位での WAPE 分析と併用し、精度改善の優先順位を決めよう。

よくある質問 #

WAPEとMAPEはどちらを使うべき？ #

需要量に大きなばらつきがあるSKUを一括評価する場合はWAPEが安定しています。MAPEは各サンプルを均等に扱うため、少量SKUで実測値がゼロに近いと値が爆発します。一方、個々のSKUごとに精度を把握したい場合や、需要量が均質なデータではMAPEも有効です。実務では「全体KPIはWAPE、詳細分析はMAPEやMAE」と使い分けるケースが多いです。

WAPEの目標値（ベンチマーク）は？ #

業界・商材・予測期間によって大きく異なります。食品・日用品の週次需要予測では10〜20%が「良好」とされることが多く、季節性が強い商品や新商品では30%前後も許容されます。自社の過去モデルや単純移動平均などのベースラインと比較して、改善率で評価するのが現実的です。

ゼロ需要のSKUが多い場合は？ #

WAPEの分母（実測総量）がゼロまたは極小になると不安定です。対策として：

• 需要が発生した期間・SKUだけを集計する（ゼロ需要期間を除外）
• ゼロ需要SKUを別グループに分けてWAPEを別途集計する
• ゼロ需要の発生自体を別途Binary予測指標（F1など）で評価する

WAPEとMAEの違いは何？ #

MAEは絶対誤差の平均で単位が元のデータと同じ（例：個数・円）。WAPEはMAEを実測総量で割るためパーセント表現となり、単位が異なるカテゴリ間やスケールが違うモデル間の比較に適しています。

アイテム別WAPEとカテゴリ全体WAPEはどう解釈する？ #

全体WAPEが良くても特定SKUの誤差が大きい場合があります。全体WAPEをKPIとしつつ、SKU別・カテゴリ別にWAPEを分解して誤差の大きい箇所を特定する「WAPE分解」が精度改善の優先順位付けに有効です。

ノイズと各指標の変化 #

ノイズ量を変えた場合の各指標の変化を確認できます。