01What it isQué es
Forecast accuracy measurement is the set of metrics — MAPE, WMAPE, bias, MAE — and the reporting cuts (by segment, horizon and lag) used to judge how good a forecast is and where its error comes from.
La medición de la precisión del pronóstico es el conjunto de métricas —MAPE, WMAPE, sesgo, MAE— y de cortes de reporte (por segmento, horizonte y desfase) que se usan para juzgar qué tan bueno es un pronóstico y de dónde viene su error.
02Why it mattersPor qué importa
The metric chosen shapes behavior: an error measure that explodes on low-volume items or ignores direction will send the team after the wrong problem. Percentage errors such as MAPE are undefined or unstable when actual values are near zero, which is why scaled and weighted alternatives are recommended (Hyndman and Koehler, 2006 — International Journal of Forecasting). Pairing a weighted error with bias tells leadership both how far off the forecast is and in which direction the inventory is drifting.
La métrica elegida moldea el comportamiento: una medida de error que se dispara en artículos de bajo volumen o que ignora la dirección mandará al equipo tras el problema equivocado. Los errores porcentuales como el MAPE quedan indefinidos o son inestables cuando los valores reales se acercan a cero, por lo que se recomiendan alternativas escaladas y ponderadas (Hyndman y Koehler, 2006 — International Journal of Forecasting). Combinar un error ponderado con el sesgo le dice a la dirección qué tan lejos está el pronóstico y hacia dónde se está desviando el inventario.
03How it is doneCómo se hace
1
Pick a weighted headline metric. Report WMAPE in value as the primary accuracy KPI so errors on high-revenue SKUs count the most.
2
Always pair error with bias. Track signed bias by family every month to catch systematic over- or under-forecasting early.
3
Translate error into money. Convert accuracy and bias into the safety stock and excess inventory they cost, so leadership sees the impact.
1
Elegir una métrica principal ponderada. Reportar el WMAPE en valor como KPI principal de precisión, para que los errores en los SKUs de mayores ingresos pesen más.
2
Acompañar siempre el error con el sesgo. Dar seguimiento mensual al sesgo con signo por familia para detectar a tiempo la sobreestimación o subestimación sistemática.
3
Traducir el error a dinero. Convertir la precisión y el sesgo en el inventario de seguridad y el excedente que cuestan, para que la dirección vea el impacto.
04The concept in depthEl concepto a fondo
Forecast accuracy measurement: the right KPIs for the right decision›
Forecast error can be measured in many ways — and the choice of the correct metric determines whether the team is managing the forecast correctly or optimizing the wrong indicator.
The most widely used forecast accuracy metrics›
MAPE (Mean Absolute Percentage Error): the average absolute percentage error. The most widely used metric for its ease of interpretation. Limitation: does not work well for SKUs with low or intermittent demand (division by zero or small values artificially inflates MAPE). WMAPE (Weighted MAPE): MAPE weighted by sales value. Penalizes errors more for higher-value SKUs. The most appropriate metric for evaluating overall forecast performance from a financial perspective. Forecast Bias: the systematic difference between the forecast and actual demand. A positive bias means the model systematically overestimates — generating excess inventory. A negative bias means systematic underestimation — generating stockouts. MAE (Mean Absolute Error): average absolute error in units. Useful for communicating the error to the production team in concrete terms.
Forecast error decomposition: MAPE root cause›
Forecast error has 3 sources: (1) Level Error: the model does not correctly capture the average demand level. (2) Trend Error: the model does not correctly capture the trajectory of level change. (3) Pattern Error: the model does not correctly capture seasonality patterns or special events. The error decomposition identifies which source is dominant — and determines the corrective action.
Intermediate vs. Advanced›
Intermediate: calculates and reports MAPE and forecast bias by product family and planning horizon.
Advanced: designs the accuracy measurement framework with the correct metrics for each decision; implements forecast error decomposition; connects forecast accuracy to financial impact (safety stock, stockout cost).
Advanced: designs the accuracy measurement framework with the correct metrics for each decision; implements forecast error decomposition; connects forecast accuracy to financial impact (safety stock, stockout cost).
Medición de la precisión del pronóstico: los KPIs correctos para la decisión correcta›
El error de pronóstico se puede medir de muchas formas, y elegir la métrica correcta determina si el equipo está gestionando bien el pronóstico o está optimizando el indicador equivocado.
Las métricas de precisión del pronóstico más utilizadas›
MAPE (Mean Absolute Percentage Error): el error porcentual absoluto promedio. Es la métrica más usada por su facilidad de interpretación. Limitación: no funciona bien para SKUs con demanda baja o intermitente (la división entre cero o entre valores pequeños infla artificialmente el MAPE). WMAPE (MAPE ponderado): MAPE ponderado por el valor de ventas; penaliza más los errores en los SKUs de mayor valor. Es la métrica más adecuada para evaluar el desempeño global del pronóstico desde una perspectiva financiera. Sesgo del pronóstico (forecast bias): la diferencia sistemática entre el pronóstico y la demanda real. Un sesgo positivo significa que el modelo sobreestima de forma sistemática, lo que genera inventario excedente; un sesgo negativo significa subestimación sistemática, lo que genera quiebres de inventario. MAE (Mean Absolute Error): error absoluto promedio en unidades. Es útil para comunicar el error al equipo de producción en términos concretos.
Descomposición del error de pronóstico: la causa raíz del MAPE›
El error de pronóstico tiene 3 fuentes: (1) Error de nivel: el modelo no captura correctamente el nivel promedio de la demanda. (2) Error de tendencia: el modelo no captura correctamente la trayectoria de cambio del nivel. (3) Error de patrón: el modelo no captura correctamente la estacionalidad o los eventos especiales. La descomposición del error identifica cuál fuente es la dominante y, con ello, la acción correctiva.
Intermedio vs. Avanzado›
Intermedio: calcula y reporta el MAPE y el sesgo del pronóstico por familia de productos y horizonte de planeación.
Avanzado: diseña el marco de medición de precisión con las métricas correctas para cada decisión; implementa la descomposición del error de pronóstico; conecta la precisión del pronóstico con su impacto financiero (inventario de seguridad, costo de quiebres de inventario).
Avanzado: diseña el marco de medición de precisión con las métricas correctas para cada decisión; implementa la descomposición del error de pronóstico; conecta la precisión del pronóstico con su impacto financiero (inventario de seguridad, costo de quiebres de inventario).
05In practiceEn la práctica
Use WMAPE — not MAPE — as the primary forecast accuracy KPI›
MAPE treats all SKUs equally. WMAPE weights error by the financial value of each SKU — which is the correct perspective for forecast management.
Forecast Bias is the highest financial-impact KPI of the forecasting process›
A positive systematic bias generates excess inventory. A negative bias generates stockouts. Bias must be monitored monthly to detect systematic deviations before their financial impact accumulates.
Decompose forecast error into its 3 components to identify the correct root cause›
A MAPE of 22% can stem from level error (model does not capture correct volume), trend error (model does not capture growth/decline), or pattern error (model does not capture seasonality). Root cause determines the corrective action.
Connect forecast accuracy to financial impact on inventory and customer service›
An 18% MAPE has a specific financial impact on the safety stock needed to maintain the target service level. Quantifying this connects the forecasting KPI to the financial language of leadership.
Usar el WMAPE, no el MAPE, como KPI principal de precisión del pronóstico›
El MAPE trata a todos los SKUs por igual. El WMAPE pondera el error por el valor financiero de cada SKU, que es la perspectiva correcta para gestionar el pronóstico.
El sesgo del pronóstico es el KPI de mayor impacto financiero del proceso de pronóstico›
Un sesgo positivo sistemático genera inventario excedente; un sesgo negativo genera quiebres de inventario. El sesgo debe monitorearse cada mes para detectar desviaciones sistemáticas antes de que su impacto financiero se acumule.
Descomponer el error de pronóstico en sus 3 componentes para identificar la causa raíz correcta›
Un MAPE de 22% puede venir de un error de nivel (el modelo no captura el volumen correcto), de tendencia (no captura el crecimiento o la caída) o de patrón (no captura la estacionalidad). La causa raíz determina la acción correctiva.
Conectar la precisión del pronóstico con su impacto financiero en inventario y servicio al cliente›
Un MAPE de 18% tiene un impacto financiero específico en el inventario de seguridad necesario para mantener el nivel de servicio objetivo. Cuantificarlo traduce el KPI de pronóstico al lenguaje financiero de la dirección.
06Illustrative caseCaso ilustrativo
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Illustrative case: Accuracy measurement framework — B2B distribution company, 2,800 active SKUs
The company only measures global MAPE. The team implements a more complete measurement framework.
The company only measures global MAPE. The team implements a more complete measurement framework.
| Metric implemented | Current value | Insight generated |
|---|---|---|
| MAPE by ABC segment (A: top 20% of SKUs by revenue, B: next 30%, C: remaining 50%) | A: 14% · B: 22% · C: 38% | Global MAPE of 24% hides that high-value SKUs have acceptable accuracy but C SKUs have very low accuracy — impacting safety stock for those SKUs |
| Forecast Bias (% of systematic over- or underestimation) | Global Bias: +8.4% (systematic overestimation) | The forecast systematically overestimates by 8.4% — generating excess inventory. Root cause: trend models not capturing market deceleration |
| WMAPE (weighted by revenue) | WMAPE: 16.2% | WMAPE is significantly lower than global MAPE (24%) — large errors are concentrated in low-value SKUs, not high-value ones |
Result: The more complete measurement framework reveals: (1) positive bias (+8.4%) is the most costly problem — generates systemic excess inventory. (2) WMAPE (16.2%) is better than MAPE (24%) — the team was overestimating the accuracy problem. (3) C SKUs have the highest MAPE — tolerable because their financial impact is lower.
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Caso ilustrativo: Marco de medición de precisión — empresa de distribución B2B, 2,800 SKUs activos
La empresa solo mide el MAPE global. El equipo implementa un marco de medición más completo.
La empresa solo mide el MAPE global. El equipo implementa un marco de medición más completo.
| Métrica implementada | Valor actual | Hallazgo generado |
|---|---|---|
| MAPE por segmento ABC (A: 20% de SKUs con mayores ingresos, B: siguiente 30%, C: 50% restante) | A: 14% · B: 22% · C: 38% | El MAPE global de 24% oculta que los SKUs de alto valor tienen una precisión aceptable, mientras que los SKUs C tienen una precisión muy baja, lo que afecta su inventario de seguridad |
| Sesgo del pronóstico (% de sobreestimación o subestimación sistemática) | Sesgo global: +8.4% (sobreestimación sistemática) | El pronóstico sobreestima de forma sistemática en 8.4%, lo que genera inventario excedente. Causa raíz: los modelos de tendencia no capturan la desaceleración del mercado |
| WMAPE (ponderado por ingresos) | WMAPE: 16.2% | El WMAPE es significativamente menor que el MAPE global (24%): los errores grandes se concentran en SKUs de bajo valor, no en los de alto valor |
Resultado: El marco de medición más completo revela: (1) el sesgo positivo (+8.4%) es el problema más costoso, porque genera inventario excedente sistémico. (2) El WMAPE (16.2%) es mejor que el MAPE (24%): el equipo estaba sobreestimando el problema de precisión. (3) Los SKUs C tienen el MAPE más alto, lo cual es tolerable porque su impacto financiero es menor.
07How it is measuredCómo se mide
WMAPE (Weighted Mean Absolute Percentage Error)›
WMAPE (Weighted Mean Absolute Percentage Error)
Σ(|Forecast_i − Demand_i|) / Σ(Demand_i) × 100 — computed in units it weights by volume; computed in currency (units × price) it weights by sales value of each SKU
Benchmark: <10% WMAPE in FMCG companies with advanced forecasting · <15% as industry benchmark for B2B distribution · <20% for e-commerce with high variability
⚠️ A WMAPE >25% indicates the forecasting process has structural problems — either in the model, data quality, or the human adjustment process.
Forecast Bias % (systematic forecast bias)›
Forecast Bias % (systematic forecast bias)
(Σ(Forecast_i − Demand_i)) / Σ(Demand_i) × 100 — positive = overestimation · negative = underestimation
Benchmark: Target: Bias between −2% and +2% · A bias >±5% indicates systematic deviation generating excess inventory (positive bias) or stockouts (negative bias)
🔑 Forecast Bias is frequently the highest financial-impact KPI of the forecasting process. A systematic positive bias of +8% in a $200M MXN revenue company generates $4–8M MXN of additional excess inventory that can be eliminated by correcting the bias.
WMAPE (Weighted Mean Absolute Percentage Error)›
WMAPE (Weighted Mean Absolute Percentage Error)
Σ(|Pronóstico_i − Demanda_i|) / Σ(Demanda_i) × 100 — calculado en unidades pondera por volumen; calculado en dinero (unidades × precio) pondera por el valor de ventas de cada SKU
Benchmark: <10% de WMAPE en empresas de consumo masivo con pronóstico avanzado · <15% como benchmark de la industria en distribución B2B · <20% en e-commerce con alta variabilidad
⚠️ Un WMAPE >25% indica que el proceso de pronóstico tiene problemas estructurales, ya sea en el modelo, en la calidad de los datos o en el proceso de ajuste humano.
Sesgo del pronóstico % (sesgo sistemático del pronóstico)›
Sesgo del pronóstico % (sesgo sistemático del pronóstico)
(Σ(Pronóstico_i − Demanda_i)) / Σ(Demanda_i) × 100 — positivo = sobreestimación · negativo = subestimación
Benchmark: Meta: sesgo entre −2% y +2% · Un sesgo mayor a ±5% indica una desviación sistemática que genera inventario excedente (sesgo positivo) o quiebres de inventario (sesgo negativo)
🔑 El sesgo del pronóstico suele ser el KPI de mayor impacto financiero del proceso de pronóstico. Un sesgo positivo sistemático de +8% en una empresa con ingresos de $200M MXN genera $4–8M MXN de inventario excedente adicional que puede eliminarse al corregir el sesgo.
08What you would useQué se usa
📌 Forecast Analytics
Python — sktime / statsforecast›
Module: Forecast Accuracy Metrics + Error Decomposition
Python libraries for MAPE, WMAPE, Bias calculation, and forecast error decomposition.
Python libraries for MAPE, WMAPE, Bias calculation, and forecast error decomposition.
SAP IBP Analytics / Power BI›
Module: Forecast Accuracy Dashboard
Power BI dashboard connected to SAP IBP for MAPE, WMAPE, and Bias reporting by family, channel, and planning horizon.
Power BI dashboard connected to SAP IBP for MAPE, WMAPE, and Bias reporting by family, channel, and planning horizon.
📌 Analítica del pronóstico
Python — sktime / statsforecast›
Módulo: Forecast Accuracy Metrics + Error Decomposition
Bibliotecas de Python para calcular MAPE, WMAPE y sesgo, y para descomponer el error de pronóstico.
Bibliotecas de Python para calcular MAPE, WMAPE y sesgo, y para descomponer el error de pronóstico.
SAP IBP Analytics / Power BI›
Módulo: Forecast Accuracy Dashboard
Dashboard de Power BI conectado a SAP IBP para reportar MAPE, WMAPE y sesgo por familia, canal y horizonte de planeación.
Dashboard de Power BI conectado a SAP IBP para reportar MAPE, WMAPE y sesgo por familia, canal y horizonte de planeación.
The bottom lineEn corto
Measure forecast error weighted by value and always next to bias — a small error that always leans one way still fills the warehouse.
Medir el error de pronóstico ponderado por valor y siempre junto al sesgo: un error pequeño que siempre se inclina hacia el mismo lado igual llena el almacén.
← PreviousAnteriorMachine learning forecasting: XGBoost, neural networks & gradient boostingPronóstico con ML: XGBoost, redes neuronales y gradient boostingNextSiguiente →Demand segmentation: ABC/XYZ, lifecycle & channel mixSegmentación de demanda: ABC/XYZ, ciclo de vida y mezcla de canal
All D10 componentsTodos los componentes de D10D10 artifactsArtifacts de D10SCRA