WAPE és molt utilitzada en forecasting perquè ofereix una propietat atractiva: una lectura percentual senzilla de l’error absolut total respecte al volum real. Aquesta simplicitat és útil. El problema comença quan una mètrica agregada es tracta com una explicació completa del sistema de forecasting. Un WAPE baix pot conviure amb errors seriosos en productes crítics, ubicacions concretes o períodes on operacions té poc marge de reacció. També pot ocultar un biaix persistent perquè suma errors absoluts. L’indicador respon quant error total hi ha, però no necessàriament on és ni en quina direcció.
Què fa bé WAPE
WAPE divideix l’error absolut total per la demanda real total. Això la fa intuïtiva en carteres grans i evita alguns problemes de mètriques percentuals calculades observació per observació. Quan volem saber si l’error total és petit o gran respecte al volum, és una referència útil. També facilita seguir l’evolució temporal. Si la mateixa cartera passa d’un WAPE alt a un de clarament inferior sota condicions comparables, hi ha una millora estadística real. Com a mètrica de resum, WAPE és compacta, interpretable i útil per governance.
El problema apareix quan es converteix en l’únic criteri. Una sola xifra no descriu distribució d’errors, biaix, criticitat empresarial ni cost de la decisió.
On desapareix informació
El denominador de WAPE és el volum real total. Els elements de gran volum dominen, per tant, el resultat. Un producte que ven milers d’unitats pot millorar prou per compensar diversos productes petits que empitjoren. Això pot ser acceptable si el negoci també decideix de manera agregada. Però si compres, reposició o nivell de servei es gestionen per SKU i magatzem, la granularitat de WAPE no coincideix amb la granularitat de la decisió.
La criticitat tampoc hi apareix. Un producte de poc volum pot ser estratègic, tenir un marge alt o aturar una operació si falta. El seu error pesa poc en WAPE tot i tenir un cost elevat. La mètrica pondera volum, no importància econòmica.
El biaix importa
WAPE utilitza error absolut, de manera que una sobrepredicció i una subpredicció iguals pesen el mateix. Una política d’inventari no necessàriament les viu igual. Un biaix persistent per sota pot generar ruptures; un biaix per sobre pot acumular excés d’estoc. Això significa que un WAPE estable pot ocultar un forecast sistemàticament esbiaixat. Dos models amb la mateixa xifra poden necessitar respostes operatives diferents si els errors tenen direccions oposades. Com a mínim, convé mirar una mètrica de bias al costat de WAPE. També és útil revisar error per horitzó, perquè una desviació llunyana pot ser corregible mentre la mateixa desviació prop del punt de comanda és cara.
Com usar WAPE amb criteri
WAPE funciona millor com una capa d’un conjunt petit de mètriques. Pot ser el resum executiu, mentre el diagnòstic es recolza en bias, error per segment, error per horitzó i una mesura d’impacte econòmic. La segmentació ha de seguir la decisió. No cal tallar totes les dimensions; cal tallar allà on canvien les conseqüències de l’error. Criticitat, lead time, marge, volatilitat o canal solen ser dimensions útils. També convé definir llindars diferents. Esperar el mateix WAPE en una referència estable de gran volum i en una sèrie intermitent pot generar objectius poc realistes.
La conclusió no és que WAPE sigui una mala mètrica. És que una bona mètrica de resum pot ser una mala eina de diagnòstic si s’utilitza sola. L’objectiu de forecasting no és reduir una xifra global, sinó millorar les decisions on l’error té conseqüències concretes. També convé observar l’estabilitat de WAPE entre períodes. Un indicador que millora molt en setmanes de gran volum i empitjora quan canvia el mix pot estar descrivint més el denominador que la qualitat real del sistema. La consistència temporal forma part del diagnòstic. Comparar finestres semblants ajuda a separar una millora estructural del forecast d’una millora aparent causada per la composició de la demanda.