Comment interpréter les valeurs MAPE

L’une des mesures les plus couramment utilisées pour mesurer la précision des prévisions d’un modèle est le pourcentage d’erreur absolu moyen , souvent abrégé en MAPE .

Il est calculé comme suit :

MAPE = (1/n) * Σ(|réel – prévision| / |réel|) * 100

où:

• Σ – Un symbole qui signifie « somme »
• n – Taille de l’échantillon
• actual – La valeur réelle des données
• prévision – La valeur des données prévue

MAPE est couramment utilisé car il est facile à interpréter. Par exemple, une valeur MAPE de 14 % signifie que la différence moyenne entre la valeur prévue et la valeur réelle est de 14 %.

L’exemple suivant montre comment calculer et interpréter une valeur MAPE pour un modèle donné.

Exemple : interpréter la valeur MAPE pour un modèle donné

Supposons qu’une chaîne d’épicerie construise un modèle pour prévoir les ventes futures. Le graphique suivant montre les ventes réelles et les ventes prévues du modèle pour 12 périodes de ventes consécutives :

Nous pouvons utiliser la formule suivante pour calculer le pourcentage d’erreur absolu de chaque prévision :

• Pourcentage d’erreur absolu = |prévision réelle| / |réel| * 100

Nous pouvons alors calculer la moyenne des pourcentages d’erreurs absolus :

Le MAPE pour ce modèle s’avère être de 5,12 % .

Cela nous indique que le pourcentage d’erreur absolu moyen entre les ventes prédites par le modèle et les ventes réelles est de 5,12 % .

Déterminer s’il s’agit d’une bonne valeur pour MAPE dépend des normes de l’industrie.

Si le modèle standard de l’industrie alimentaire produit une valeur MAPE de 2 %, alors cette valeur de 5,12 % pourrait être considérée comme élevée.

À l’inverse, si la plupart des modèles de prévision du secteur de l’épicerie produisent des valeurs MAPE comprises entre 10 % et 15 %, alors une valeur MAPE de 5,12 % peut être considérée comme faible et ce modèle peut être considéré comme excellent pour prévoir les ventes futures.

Comparaison des valeurs MAPE de différents modèles

Le MAPE est particulièrement utile pour comparer l’ajustement de différents modèles.

Par exemple, supposons qu’une chaîne d’épicerie souhaite créer un modèle pour prévoir les ventes futures et souhaite trouver le meilleur modèle possible parmi plusieurs modèles potentiels.

Supposons qu’ils correspondent à trois modèles différents et trouvent leurs valeurs MAPE correspondantes :

• MAPE du Modèle 1 : 14,5%
• MAPE du Modèle 2 : 16,7%
• MAPE du Modèle 3 : 9,8%

Le modèle 3 a la valeur MAPE la plus basse, ce qui nous indique qu’il est capable de prévoir les ventes futures avec la plus grande précision parmi les trois modèles potentiels.

Ressources additionnelles

Comment calculer MAPE dans Excel
Comment calculer MAPE dans R
Comment calculer MAPE en Python
Calculateur MAPE