WAPE（Weighted Absolute Percentage Error）は、絶対誤差の総和を実測値の総和で割った指標です。需要予測や在庫計画で「どれだけの量を外したか」を百分率で伝えるのに適しています。

1. 定義 #

$$ \mathrm{WAPE} = \frac{\sum_{i=1}^n |y_i - \hat{y}i|}{\sum{i=1}^n |y_i|} \times 100% $$

• 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 #

import numpy as np

def wape(y_true, y_pred):
    return 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。

3. WAPE と MAPE の比較 #

需要予測では SKU ごとの需要量が大きく異なるため、WAPE で全体的な外れ方を評価するとわかりやすくなります。

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。