MAE, RMSE y WAPE suelen compararse como si una de ellas tuviera que ser “la correcta”. La realidad es menos cómoda. Cada métrica responde a una pregunta distinta sobre el error, y ninguna conoce por sí sola cuánto le cuesta ese error al negocio. La elección importa porque la misma colección de forecasts puede parecer razonable bajo una métrica y problemática bajo otra. Un modelo que evita grandes desviaciones puede salir favorecido por RMSE; otro que mantiene un error absoluto estable puede verse mejor con MAE; WAPE puede dar una lectura intuitiva a nivel agregado. La métrica no solo evalúa el modelo: también define qué tipo de fallo consideramos más importante.
Qué está midiendo cada métrica
MAE promedia el valor absoluto de los errores. Su principal ventaja es la interpretación directa en las mismas unidades de la variable. Si estamos prediciendo unidades, MAE responde aproximadamente cuántas unidades nos desviamos de media. Es simple, robusta y fácil de explicar, pero trata de forma lineal un error pequeño y uno grande. RMSE eleva los errores al cuadrado antes de agregarlos y luego vuelve a la escala original. Eso hace que las desviaciones grandes pesen más. Puede ser adecuado cuando los errores extremos son especialmente dañinos, pero también puede hacer que unos pocos episodios dominen la comparación.
WAPE divide el error absoluto total entre la demanda real total. Su lectura porcentual facilita comparar periodos o carteras. El problema es que el volumen agregado determina el peso de cada segmento. Un conjunto de SKUs de gran rotación puede ocultar un comportamiento mediocre en referencias pequeñas pero críticas.
La escala cambia la lectura
MAE y RMSE dependen de la escala. Un error de 100 unidades puede ser enorme en una referencia que vende 200 y casi irrelevante en otra que vende 100.000. Por eso comparar directamente productos heterogéneos exige cuidado. WAPE resuelve parte de esa comparabilidad, pero introduce otra consecuencia: las observaciones de mayor volumen dominan el indicador. Si el negocio toma decisiones por SKU, almacén o cliente, un WAPE global puede ser demasiado agregado para representar la decisión real.
Tampoco conviene olvidar la intermitencia. En series con muchos ceros, algunas métricas porcentuales se comportan mal o pierden interpretabilidad. El diseño de la evaluación debe reflejar la naturaleza de la demanda y la granularidad operativa.
El negocio introduce asimetría
Ninguna de estas métricas distingue automáticamente entre sobrepredecir y subpredecir. Sin embargo, el negocio sí puede distinguirlos. Una subestimación en un componente crítico puede detener una línea, mientras una sobreestimación moderada solo aumenta inventario. En perecederos puede ocurrir justo lo contrario. Eso significa que dos modelos con el mismo MAE pueden tener costes empresariales muy distintos. Si uno se equivoca principalmente por debajo y otro por encima, la decisión de reposición puede reaccionar de manera completamente diferente.
También importa el horizonte. Un error grande a tres meses puede ser corregible; el mismo error a dos días del pedido puede ser caro. La métrica estadística debería acompañarse de una lectura por horizonte y, cuando tenga sentido, de una función de coste.
Elegir desde la decisión
Una forma práctica de elegir es empezar por la pregunta operativa. Si queremos una medida sencilla y estable en unidades, MAE suele ser un buen punto de partida. Si los grandes errores son especialmente peligrosos, RMSE puede aportar sensibilidad adicional. Si necesitamos una lectura agregada relativa al volumen, WAPE puede ser útil. Pero ninguna debería ser la única métrica cuando existe una decisión económica importante detrás. Conviene añadir segmentación por criticidad, horizonte y dirección del error, y comprobar qué ocurre cuando el forecast alimenta la política real.
La mejor práctica no consiste en buscar una métrica universal. Consiste en construir una pequeña jerarquía: una métrica estadística principal, varias métricas diagnósticas y un indicador de impacto empresarial. El modelo gana cuando mejora la decisión, no cuando gana una tabla de accuracy. Un control adicional útil es repetir la comparación con varios cortes del portfolio. Un modelo puede parecer mejor en total y perder en referencias críticas, demanda intermitente o productos con lead time largo. La métrica principal debe sobrevivir a una lectura segmentada. Si cambia la conclusión al separar esos grupos, no significa que la métrica sea inútil; significa que el negocio tiene más de un régimen de error y necesita tratarlo explícitamente.