Qu’est-ce qui est considéré comme une bonne valeur pour MAPE ?

L’une des mesures les plus couramment utilisées pour mesurer la précision des prévisions d’un modèle est MAPE , qui signifie erreur de pourcentage absolue moyenne .

La formule pour calculer le MAPE est la suivante :

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

où:

• Σ – un symbole fantaisiste qui signifie « somme »
• n – taille de l’échantillon
• réel – la valeur réelle des données
• prévision – la valeur des données prévue

MAPE est couramment utilisé car il est facile à interpréter et à expliquer. Par exemple, une valeur MAPE de 8 % signifie que la différence moyenne entre la valeur prévue et la valeur réelle est de 8 %.

L’une des questions les plus courantes que les gens se posent lorsqu’ils utilisent cette métrique est :

Qu’est-ce qu’une bonne valeur pour MAPE ?

La réponse insatisfaisante : cela dépend .

Évidemment, plus la valeur de MAPE est basse, mieux c’est, mais il n’y a pas de valeur spécifique que vous puissiez qualifier de « bonne » ou de « mauvaise ». Cela dépend de plusieurs facteurs :

• Le type d’industrie
• La valeur MAPE comparée à un modèle de prévision simple

Explorons ces deux facteurs en profondeur.

MAPE varie selon l’industrie

Souvent, les entreprises créent des prévisions concernant la demande de leurs produits, puis utilisent MAPE pour mesurer l’exactitude des prévisions.

Malheureusement, il n’existe pas de valeur MAPE « standard » car elle peut varier considérablement selon le type d’entreprise.

Par exemple, une entreprise qui modifie rarement ses prix aura probablement une demande stable et prévisible, ce qui signifie qu’elle peut avoir un modèle qui produit un MAPE très faible, peut-être inférieur à 3 %.

Pour les autres entreprises qui organisent constamment des promotions et des offres spéciales, leur demande variera considérablement au fil du temps et un modèle de prévision aura donc probablement plus de mal à prédire la demande avec autant de précision, ce qui signifie que les modèles peuvent avoir une valeur plus élevée pour MAPE.

Vous devriez être très sceptique quant aux « normes industrielles » pour MAPE.

Comparez MAPE à un modèle de prévision simple

Plutôt que d’essayer de comparer le MAPE de votre modèle avec une « bonne » valeur arbitraire, vous devriez plutôt le comparer au MAPE de modèles de prévision simples.

Il existe deux modèles de prévision simples bien connus :

1. La méthode de prévision moyenne.

Ce type de modèle de prévision prédit simplement que la valeur de la prochaine période à venir sera la moyenne de toutes les périodes précédentes. Bien que cette méthode semble trop simpliste, elle a tendance à donner de bons résultats dans la pratique.

2. La méthode de prévision naïve.

Ce type de modèle de prévision prédit que la valeur de la prochaine période à venir sera égale à la période précédente. Encore une fois, bien que cette méthode soit assez simple, elle a tendance à fonctionner étonnamment bien.

Lors du développement d’un nouveau modèle de prévision, vous devez comparer le MAPE de ce modèle au MAPE de ces deux méthodes de prévision simples.

Si le MAPE de votre nouveau modèle n’est pas significativement meilleur que ces deux méthodes, alors vous ne devriez pas le considérer comme utile.

Pensées finales

Bien que MAPE soit largement utilisé et facile à interpréter, son utilisation présente quelques inconvénients potentiels :

1. Puisque la formule pour calculer le pourcentage d’erreur absolu est |actual-forecast| / |réel| cela signifie qu’il ne sera pas défini si l’une des valeurs réelles est nulle.

2. MAPE ne doit pas être utilisé avec des données à faible volume. Par exemple, si la demande réelle pour un article est de 2 et que la prévision est de 1, la valeur du pourcentage d’erreur absolu sera |2-1| / |2| = 50 %, ce qui donne l’impression que l’erreur de prévision est assez élevée, même si la prévision n’est décalée que d’une unité.

Les alternatives potentielles au MAPE incluent l’écart absolu moyen et l’erreur quadratique moyenne.

Ressources additionnelles

Comment calculer MAPE dans Excel
Comment calculer MAPE dans R
Comment calculer MAPE en Python
Qu’est-ce qui est considéré comme une bonne valeur RMSE ?