WAPE es una de las métricas más utilizadas en forecasting porque ofrece algo muy atractivo: una lectura porcentual sencilla del error absoluto respecto al volumen real. Esa simplicidad es útil. El problema aparece cuando una métrica agregada se convierte en una explicación completa del sistema. Un WAPE bajo puede convivir con errores serios en productos críticos, ubicaciones concretas o periodos donde la operación tiene menos margen de reacción. También puede ocultar sesgos persistentes porque suma magnitudes absolutas. El indicador responde cuánto error total existe, no necesariamente dónde está ni en qué dirección ocurre.
Lo que WAPE hace bien
WAPE calcula el error absoluto total y lo divide por la demanda real total. Eso lo hace intuitivo para carteras grandes y evita algunos problemas de métricas porcentuales calculadas observación a observación. Cuando se quiere saber si, en conjunto, la desviación representa una parte pequeña o grande del volumen, puede ser una buena referencia. También facilita seguir una tendencia temporal. Si la misma cartera pasa de un WAPE alto a otro claramente inferior bajo condiciones comparables, existe una mejora estadística real. Como métrica de resumen, WAPE es compacta, interpretable y útil para governance.
El error empieza cuando se utiliza como criterio único. Una cifra agregada no puede describir por sí sola la distribución de errores, el sesgo, la criticidad de cada referencia ni el coste de la decisión.
Dónde empieza a esconder información
El denominador de WAPE es el volumen real total. Esto hace que los elementos de gran volumen tengan mucho peso en el resultado. Un SKU que vende miles de unidades puede mejorar lo suficiente para compensar varios SKUs pequeños que empeoran. Eso puede ser perfectamente aceptable si el negocio también decide de forma agregada. Pero si compras, reposición o nivel de servicio se gestionan por SKU y almacén, la granularidad de WAPE puede no coincidir con la granularidad de la decisión.
La criticidad tampoco aparece. Un producto de bajo volumen puede ser estratégico, tener un margen alto o detener una operación si falta. Su error pesa poco en WAPE aunque su coste sea elevado. El indicador está ponderando volumen, no importancia empresarial.
El sesgo importa
WAPE utiliza error absoluto, de modo que una sobrepredicción y una subpredicción de igual tamaño contribuyen lo mismo. Sin embargo, una política de inventario no los vive igual. Un sesgo sistemático por debajo puede generar roturas; uno por encima puede acumular stock. Por eso un WAPE estable puede esconder un forecast sistemáticamente sesgado. Dos modelos con la misma cifra agregada pueden necesitar respuestas operativas diferentes si uno se desvía sobre todo en una dirección.
Conviene mirar al menos una métrica de bias junto a WAPE. También es útil revisar error por horizonte, porque una desviación a largo plazo puede ser tolerable mientras la misma desviación cerca del punto de pedido es costosa. El cuándo y el signo del error aportan información que WAPE elimina.
Cómo usar WAPE sin engañarse
WAPE funciona mejor como una capa dentro de un conjunto pequeño de métricas. Puede ocupar el papel de resumen ejecutivo, mientras el diagnóstico se apoya en bias, error por segmento, error por horizonte y una medida de impacto económico. La segmentación debe seguir la decisión. No hace falta medir todo por todo; hace falta cortar el dato donde cambian las consecuencias del error. Criticidad, lead time, margen, volatilidad o canal suelen ser dimensiones más útiles que una segmentación arbitraria.
También conviene definir umbrales distintos. Esperar el mismo WAPE en una referencia estable de gran volumen y en una serie intermitente puede llevar a objetivos poco realistas. La métrica debe interpretarse dentro del comportamiento esperado del segmento. La conclusión no es que WAPE sea mala. Es que una buena métrica de resumen puede ser una mala herramienta de diagnóstico si se utiliza sola. El objetivo de forecasting no es reducir una cifra global; es mejorar decisiones donde el error tiene consecuencias concretas.
También conviene observar la estabilidad de WAPE entre periodos. Un indicador que mejora mucho en semanas de gran volumen y empeora cuando el mix cambia puede estar describiendo más el denominador que la calidad real del sistema. La consistencia temporal es parte del diagnóstico. Revisar la métrica por ventanas comparables ayuda a distinguir una mejora estructural del forecast de una mejora aparente provocada por composición de demanda.