Qual è il valore considerato buono per mape?

Uno dei parametri più comunemente utilizzati per misurare l’accuratezza delle previsioni di un modello è MAPE , che sta per errore percentuale assoluto medio .

La formula per calcolare il MAPE è la seguente:

MAPE = (1/n) * Σ(|effettivo – previsto| / |effettivo|) * 100

Oro:

• Σ – un simbolo di fantasia che significa “somma”
• n – dimensione del campione
• reale : il valore effettivo dei dati
• previsione – il valore atteso dei dati

MAPE è comunemente usato perché è facile da interpretare e spiegare. Ad esempio, un valore MAPE dell’8% significa che la differenza media tra il valore previsto e il valore effettivo è dell’8%.

Una delle domande più comuni che le persone pongono quando utilizzano questa metrica è:

Qual è un buon valore per MAPE?

La risposta insoddisfacente: dipende .

Ovviamente più basso è il valore MAPE meglio è, ma non esiste un valore specifico che si possa definire “buono” o “cattivo”. Ciò dipende da diversi fattori:

• Il tipo di industria
• Il valore MAPE rispetto ad un semplice modello previsionale

Esploriamo questi due fattori in modo approfondito.

MAPE varia a seconda del settore

Spesso le aziende creano previsioni relative alla domanda per i loro prodotti e quindi utilizzano MAPE per misurare l’accuratezza delle previsioni.

Purtroppo non esiste un valore MAPE “standard” in quanto può variare notevolmente a seconda del tipo di attività.

Ad esempio, un’azienda che cambia raramente i suoi prezzi avrà probabilmente una domanda stabile e prevedibile, il che significa che potrebbe avere un modello che produce un MAPE molto basso, forse inferiore al 3%.

Per altre aziende che eseguono costantemente promozioni e offerte speciali, la loro domanda varierà in modo significativo nel tempo e quindi un modello di previsione avrà probabilmente più difficoltà a prevedere la domanda in modo altrettanto accurato, il che significa che i modelli potrebbero avere un valore più elevato per MAPE.

Dovresti essere molto scettico riguardo agli “standard di settore” per MAPE.

Confronta MAPE con un semplice modello previsionale

Invece di provare a confrontare il MAPE del tuo modello con un valore arbitrario “buono”, dovresti invece confrontarlo con il MAPE di semplici modelli di previsione.

Esistono due modelli di previsione semplici ben noti:

1. Il metodo di previsione media.

Questo tipo di modello di previsione prevede semplicemente che il valore del prossimo periodo sarà la media di tutti i periodi precedenti. Sebbene questo metodo sembri eccessivamente semplicistico, tende a dare buoni risultati nella pratica.

2. Il metodo di previsione ingenuo.

Questo tipo di modello di previsione prevede che il valore del periodo successivo sarà uguale al periodo precedente. Ancora una volta, sebbene questo metodo sia abbastanza semplice, tende a funzionare sorprendentemente bene.

Quando sviluppi un nuovo modello di previsione, dovresti confrontare il MAPE di quel modello con il MAPE di questi due semplici metodi di previsione.

Se il MAPE del tuo nuovo modello non è significativamente migliore di questi due metodi, non dovresti considerarlo utile.

Pensieri finali

Sebbene MAPE sia ampiamente utilizzato e facile da interpretare, esistono alcuni potenziali inconvenienti legati al suo utilizzo:

1. Poiché la formula per calcolare l’errore percentuale assoluto è |previsione-effettiva| / |reale| ciò significa che non verrà impostato se uno qualsiasi dei valori effettivi è zero.

2. MAPE non deve essere utilizzato con un volume ridotto di dati. Ad esempio, se la domanda effettiva per un articolo è 2 e la previsione è 1, il valore dell’errore percentuale assoluto sarà |2-1| / |2| = 50%, il che fa apparire l’errore di previsione piuttosto elevato, anche se la previsione è sbagliata solo di 1 unità.

Le potenziali alternative al MAPE includono la deviazione assoluta media e l’errore quadratico medio.

Risorse addizionali

Come calcolare MAPE in Excel
Come calcolare MAPE in R
Come calcolare MAPE in Python
Qual è considerato un buon valore RMSE?