O que é considerado um bom valor para o mape?

Uma das métricas mais comumente usadas para medir a precisão da previsão de um modelo é MAPE , que significa erro percentual médio absoluto .

A fórmula para calcular o MAPE é a seguinte:

MAPE = (1/n) * Σ(|real – previsão| / |real|) * 100

Ouro:

• Σ – um símbolo sofisticado que significa “soma”
• n – tamanho da amostra
• real – o valor real dos dados
• previsão – o valor esperado dos dados

MAPE é comumente usado porque é fácil de interpretar e explicar. Por exemplo, um valor MAPE de 8% significa que a diferença média entre o valor previsto e o valor real é de 8%.

Uma das perguntas mais comuns que as pessoas fazem ao usar essa métrica é:

Qual é um bom valor para o MAPE?

A resposta insatisfatória: depende .

Obviamente, quanto menor o valor do MAPE, melhor, mas não existe um valor específico que você possa chamar de “bom” ou “ruim”. Isso depende de vários fatores:

• O tipo de indústria
• O valor MAPE comparado a um modelo de previsão simples

Vamos explorar esses dois fatores em profundidade.

MAPE varia de acordo com o setor

Muitas vezes, as empresas criam previsões relativas à procura dos seus produtos e depois utilizam o MAPE para medir a precisão das previsões.

Infelizmente, não existe um valor MAPE “padrão”, pois pode variar significativamente dependendo do tipo de negócio.

Por exemplo, uma empresa que raramente altera os seus preços terá provavelmente uma procura estável e previsível, o que significa que poderá ter um modelo que produza um MAPE muito baixo, talvez inferior a 3%.

Para outras empresas que realizam constantemente promoções e ofertas especiais, a sua procura variará significativamente ao longo do tempo e, portanto, um modelo de previsão terá provavelmente mais dificuldade em prever a procura com a mesma precisão, o que significa que os modelos podem ter um valor mais elevado para o MAPE.

Você deve ser muito cético em relação aos “padrões da indústria” para o MAPE.

Compare o MAPE com um modelo de previsão simples

Em vez de tentar comparar o MAPE do seu modelo com um valor “bom” arbitrário, você deve compará-lo com o MAPE de modelos de previsão simples.

Existem dois modelos de previsão simples bem conhecidos:

1. O método de previsão média.

Este tipo de modelo de previsão simplesmente prevê que o valor do próximo período será a média de todos os períodos anteriores. Embora este método pareça demasiado simplista, tende a dar bons resultados na prática.

2. O método ingênuo de previsão.

Este tipo de modelo de previsão prevê que o valor do próximo período será igual ao período anterior. Novamente, embora esse método seja bastante simples, ele tende a funcionar surpreendentemente bem.

Ao desenvolver um novo modelo de previsão, você deve comparar o MAPE desse modelo com o MAPE desses dois métodos simples de previsão.

Se o MAPE do seu novo modelo não for significativamente melhor que esses dois métodos, você não deverá considerá-lo útil.

Pensamentos finais

Embora o MAPE seja amplamente utilizado e fácil de interpretar, existem algumas desvantagens potenciais no seu uso:

1. Como a fórmula para calcular o erro percentual absoluto é |previsão-real| / |real| isso significa que não será definido se algum dos valores reais for zero.

2. O MAPE não deve ser usado com dados de baixo volume. Por exemplo, se a demanda real de um item for 2 e a previsão for 1, o valor percentual absoluto do erro será |2-1| / |2| = 50%, o que faz com que o erro de previsão pareça bastante alto, mesmo que a previsão esteja errada apenas em 1 unidade.

As alternativas potenciais ao MAPE incluem o desvio médio absoluto e o erro quadrático médio.

Recursos adicionais

Como calcular o MAPE no Excel
Como calcular o MAPE em R
Como calcular MAPE em Python
O que é considerado um bom valor RMSE?