MEDIDAS DE ERROR EN PRONÓSTICOS DE DEMANDA

Tiempo estimado de lectura: 5 Minutos

Anteriormente, hemos mencionado la importancia de tener mayor asertividad y disminuir el error en los pronósticos que hacemos en la cadena de suministro.

En esta ocasión te contamos cuáles son las medidas de error en pronóstico de demanda que puedes usar.

El error se refiere a que tan cerca está el pronóstico de lo que ocurre realmente.

Normalmente se usa como medición un promedio de los errores del pronóstico. Es una medida de seguimiento y usualmente se expresa cómo una proporción.

Existen varias maneras de medir el error y se usan para determinar el desempeño de modelos de inteligencia artificial y escoger el mejor por cada tipo de producto al que se le hace un pronóstico de demanda.

Seis (6) Medidas de error en pronósticos de demanda

1. MAE (Mean Average Error):

El error absoluto medio es una medida que se obtiene siguiendo estos pasos:

  1. Se resta la diferencia entre el valor pronosticado y el valor real en cada punto que se pronostica.
  2. Se saca el valor absoluto del punto anterior.
  3. Se suman todos los resultados del punto anterior.
  4. Se divide el valor de la suma entre la cantidad de puntos pronosticados.

Es un promedio de los errores. Se obtiene un número, un valor alto representa un error alto .

Es una medida que tiene un sesgo hacia items de mayor volumen y normalmente es inadecuado para medir ítems con baja demanda

2. RMSE (Root Mean Squared Error):

La raíz del error cuadrático medio  es una medida que se calcula así:

  1. Se resta la diferencia entre el valor pronosticado y el valor real en cada punto que se pronostica y se eleva al cuadrado
  2. Se suman todos los resultados del punto anterior.
  3. Se divide el valor de la suma entre la cantidad de puntos pronosticados.
  4. Se saca la raíz cuadrada del resultado del punto anterior.

Es una media que representa la raíz cuadrada del segundo momento de las diferencias. Entre mayor el resultado mayor es el error y menos preciso el modelo.

Es una medida altamente sensible a desviaciones grandes entre la demanda real y pronosticada. 

3. WMAE (Weighted Mean Average Error):

El error absoluto medio ponderado es una versión escalada de MAE para ajustar la desviación al tamaño de la demanda de cada ítem. De esta forma se evitan los sesgos hacia items de mayor volumen. Se calcula así:
  1. Se resta la diferencia entre el valor pronosticado y el valor real en cada punto que se pronostica.
  2. Se saca el valor absoluto del punto anterior.
  3. Se suman todos los resultados del punto anterior.
  4. Se divide el resultado entre la suma de todos los valores reales en cada punto.

4. WRMSE (Weighted Root Mean Squared Error):

La raíz del error cuadrático medio  ponderado es la versión escalada del RMSE para comparar equitativamente ítems de baja y alta demanda. Es sensible a outliers. Es una medida que se calcula así:
  1. Se calcula el RMSE
  2. Se divide entre el Promedio de valores reales.
Es una versión escalada de RMSE para comparar equitativamente ítems de baja y alta demanda.

5. MAPE (MEAN ABSOLUTE PERCENTAGE ERROR)

El error porcentual absoluto medio es otra medida de error que permite establecer el desempeño de un pronóstico de demanda. Mide el tamaño del error absoluto en términos porcentuales. Se calcula de la siguiente manera:
  1. Se resta la diferencia entre el valor pronosticado y el valor real en cada punto que se pronostica.
  2. Se saca el valor absoluto del punto anterior.
  3. Se divide cada valor entre el valor real de cada punto en el tiempo que se pronostica.
  4. Se suman todos los valores obtenidos
  5. Se divide el resultado de la suma entre la cantidad de puntos pronosticados.
Es una medida ampliamente utilizada para establecer la magnitud del error debido a su facilidad de interpretarla, sin embargo desviaciones en ítems de baja demanda, inflan el error global y desviaciones de alto volumen, subestiman el error global.

6. AIC (Akaike Information Criterion)

El criterio de información de Akaike es una media de calidad relativa de un modelo. Se basa en la entropía de información.  Se calcula así:
  1. Se multiplica la cantidad de parámetros del modelo estadístico por 2.
  2. Se calcula el logaritmo natural de la medida de similitud (log-likelihood) y se multiplica por dos.
  3. Se le resta ael resultado de a,  el resultado de b
En general esta media hace difícil la comprensión para la operación y el negocio. No permite orientar estrategias de mejoramiento claras.

De acuerdo al caso puedes usar una o varias medias de error para saber el desempeño de tu pronóstico. En términos generales entre menor sea el valor del error en cualquier de las medidas, mejor será el desempeño de tu modelo. Sin embargo, debes tener en cuenta que cada medida puede ser sensible a diferentes situaciones. 

 

Sin duda el primer impulso entre los equipos directivos, planeación y pronóstico es encontrar la métrica de desempeño que gobierne sobre cualquier otra. Desafortunadamente, tal medida no existe, o por lo menos no en términos absolutos. Los esfuerzos deben estar orientados a entender el mecanismo interno de la mediciones de error, con el fin de ser conscientes de los inevitables puntos ciegos en el seguimiento a los pronósticos de los diferentes ítems bajo estudio. Y sobretodo entender cuáles son las oportunidades de mejoramiento continuo que las métricas permiten plantear.

 

No obstante, tal vez si exista una métrica de error creada para gobernar  a todas las otras. Espera próximos posts acerca de Mean Absolute Scaled Error (MASE) para conocer más detalles.

Si tienes alguna inquietud o quieres conocer más a fondo nuestras soluciones no dudes en contactarnos!

INSCRÍBETE A NUESTRA LISTA DE CONTACTOS


About The Author

Related Posts

Leave a Reply