Glosario
Error absoluto medio escalado (MASE): qué es y cómo se calcula
Definición
El MASE (error absoluto medio escalado) mide el error de una previsión en relación con el error de una previsión ingenua, la que repite el valor anterior (o el de la misma temporada del año pasado). Un MASE inferior a 1 indica que la previsión mejora a la ingenua; superior a 1, que es peor. Como no depende de las unidades ni del volumen, permite comparar productos muy distintos y funciona también cuando hay semanas con venta cero.
El MASE responde a una pregunta que la MAD y el RMSE no pueden contestar: ¿esta previsión es mejor que no hacer nada listo? Lo hace dividiendo el error entre el de repetir la venta anterior. Con un solo número, comparable entre un producto de 5 unidades y uno de 500.
Qué es exactamente
El MASE es el error absoluto medio de una previsión dividido entre el error absoluto medio que habría tenido, sobre los datos de entrenamiento, una previsión ingenua. Para una serie sin temporada, la ingenua dice «la próxima semana venderé lo mismo que esta». Para una serie con temporada, dice «venderé lo mismo que en la misma semana del año pasado».
Lo propusieron Rob Hyndman y Anne Koehler hacia 2005 y 2006 para tener una medida comparable entre series y sin los problemas del porcentaje (el MAPE se rompe cuando la venta es cero). El resultado es un número sin unidades: con 1 como línea de corte. Por debajo, tu previsión gana a la ingenua; por encima, pierde.
Esa lectura es lo que lo hace útil en un negocio con cientos de referencias: una MAD de 3 no te dice si 3 es mucho o poco, pero un MASE de 0,7 te dice que tu previsión comete un 30 % menos de error que repetir la venta anterior.
También se le llama
MASE (Mean Absolute Scaled Error), error escalado o error medio absoluto escalado. En librerías de aprendizaje automático puedes encontrarlo con ese mismo nombre en inglés.
Cómo se calcula
En series sin temporada: MASE = MAE de la previsión ÷ MAE de la ingenua en la historia. El denominador es la media de las diferencias absolutas entre cada semana y la anterior, calculada sobre los datos con los que se entrenó el método.
Un ejemplo con un fabricante de tuercas de acero inoxidable que sirve a ferreterías. La historia de una referencia en ocho semanas es 20, 24, 19, 26, 22, 25, 21 y 23 cajas. Las diferencias entre semanas consecutivas, sin signo, son 4, 5, 7, 4, 3, 4 y 2, que suman 29. Dividido entre 7, el error de la ingenua es 4,14 cajas por semana.
Ahora medimos nuestra previsión sobre las cuatro semanas siguientes y su error absoluto medio sale 3,0 cajas. MASE = 3,0 ÷ 4,14 ≈ 0,72. La previsión comete un 28 % menos de error que repetir la última venta. Si en otra referencia el mismo cálculo diera 1,3, esa previsión es peor que no hacer nada, y la señal es que algo falla (datos, método o una demanda impredecible).
Para series con temporada marcada se sustituye la ingenua por la estacional: la diferencia se calcula contra la misma semana del año anterior. Es la versión que debes usar en productos como bebidas, calefacción o material escolar.
Ojo con esto
Antes de fiarte de un MASE ten en cuenta lo siguiente:
- Necesita historia suficiente para calcular el denominador. Con pocas semanas el valor es inestable; en productos recién lanzados no es fiable.
- Un MASE bueno no significa que la previsión sea útil. Si la ingenua es mala (una serie muy ruidosa), ganarle es fácil y el valor sale bajo aunque el error absoluto siga siendo grande.
- Mezclar la ingenua simple con la estacional da resultados no comparables. Usa siempre la misma para todo el catálogo que quieras comparar.
- No sustituye a las otras medidas: sirve para ordenar y comparar. Para fijar un colchón de stock necesitas el error en unidades (MAD o RMSE).
Dónde aparece en el sistema
Es la medida que usamos para ordenar el catálogo por calidad de previsión: los productos con MASE por encima de 1 son los que revisamos primero, porque en ellos la previsión no está aportando nada y conviene saber por qué (demanda muy irregular, datos incompletos, un cambio de precio sin avisar).
En la simulación con tus datos te enseñamos el MASE medio y cuántas referencias están por debajo de 1, además del detalle de las que no. Es una forma honesta de ver dónde el sistema ayuda y dónde no merece la pena. Para productos de demanda con muchos ceros, mira la guía de demanda intermitente.
Términos relacionados
Error de previsión, MAD, RMSE, MAPE, WMAPE, validación temporal y estacionalidad.
Preguntas frecuentes
¿Qué MASE es bueno?
Cualquiera por debajo de 1 mejora a la previsión ingenua; cuanto más bajo, mejor. Un valor de 0,5 significa la mitad de error que repetir la venta anterior. Por encima de 1, la previsión es peor que no hacer nada.
¿Por qué usar MASE en lugar de MAPE?
Porque el MAPE divide entre la venta real y se descontrola cuando es cero o muy baja, algo normal en referencias de salida lenta. El MASE divide entre un error de referencia y nunca tiene ese problema.
¿Se puede calcular el MASE en una hoja de cálculo?
Sí: una columna con la diferencia absoluta entre cada semana y la anterior, otra con el error absoluto de tu previsión, y un cociente de medias. Lo difícil no es la fórmula, sino mantenerlo al día para cientos de productos.
¿Qué hago con los productos con MASE mayor que 1?
Revísalos uno a uno. A menudo la causa es un dato mal cargado, una promoción sin marcar o una demanda tan irregular que ningún método la mejora; en ese caso es más sensato usar una regla de reposición simple.