Devemos usar a métrica MAPE em previsão de demanda?

A previsão de demanda é um componente essencial da análise econômica e empresarial. Para avaliar a precisão das previsões, diversas métricas de erro são utilizadas. Entre elas, o Erro Percentual Absoluto Médio (MAPE - Mean Absolute Percentage Error) é uma das mais conhecidas.

Definição do MAPE

O MAPE é definido como a média dos erros absolutos percentuais entre os valores reais e os previstos:

    \[MAPE = \frac{1}{n} \sum_{i=1}^{n} \left| \frac{Y_i - \hat{Y}_i}{Y_i} \right| \times 100\]

Onde:

  • Y_i é o valor real na observação i;
  • \hat{Y}_i é o valor previsto;
  • n é o número total de observações.

Vantagens do MAPE

  1. Facilidade de Interpretação: Expressa o erro em termos percentuais, facilitando a comunicação dos resultados.
  2. Escala Invariante: Pode ser comparado entre diferentes séries temporais, pois não depende da magnitude dos valores.
  3. Amplamente Utilizado: É uma métrica conhecida e frequentemente encontrada na literatura.

Desvantagens do MAPE

  1. Problema com Valores Pequenos: Se Y_i for próximo de zero, o erro percentual explode, tornando o MAPE menos confiável.
  2. Assimetria: Penaliza mais previsões que superestimam a demanda do que aquelas que a subestimam. Exemplo: se Y_i=150 e \hat Y_i=100, temos um MAPE de 33%, enquanto que se Y_i=100 e \hat Y_i=150, temos um MAPE de 50%.
  3. Não Diferenciável em Zero: Para séries com valores negativos ou zeros, o MAPE não pode ser calculado diretamente sem ajustes.

Alternativas ao MAPE

Dada as limitações do MAPE, outras métricas são frequentemente recomendadas:

  • Mean Absolute Scaled Error (MASE): Considera a escala dos dados.
  • Symmetric Mean Absolute Percentage Error (sMAPE): Ajusta a fórmula para evitar assimetria.
  • Root Mean Squared Error (RMSE): Penaliza grandes erros mais do que pequenos.

Exemplo Prático em Python

A seguir, um exemplo prático de cálculo do MAPE em Python:

MAPE: 4.57%

Conclusão

O MAPE é uma métrica útil, mas apresenta limitações que devem ser consideradas ao avaliar previsões de demanda. Dependendo do contexto, outras métricas podem ser mais apropriadas para medir a precisão da previsão.

Referências

Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679-688.

Quer aprender mais?

Conheça nossa Formação do Zero à Análise de Dados Econômicos e Financeiros usando Python e Inteligência Artificial. Aprenda do ZERO a coletar, tratar, construir modelos e apresentar dados econômicos e financeiros com o uso de Python e IA. 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é e como funcionam Sistemas Multi-Agentes

Sistemas multi-agentes (MAS) representam uma nova forma de estruturar aplicações de inteligência artificial, especialmente úteis para lidar com problemas complexos e distribuídos. Em vez de depender de um único agente generalista, esses sistemas são compostos por múltiplos agentes especializados que colaboram, competem ou se coordenam para executar tarefas específicas. Neste post, explicamos o que são os MAS, seus principais componentes (como LLMs, ferramentas e processos) e as arquiteturas mais comuns.

O que é um Vector Database e como criar um com LangChain

Nesta postagem, mostramos como construir um pipeline simples de RAG (Retrieval-Augmented Generation) usando o LangChain, o modelo Gemini 2.0 Flash e o Vector Database Chroma. Utilizamos como exemplo o Relatório de Inflação de junho de 2025 do Banco Central do Brasil. O fluxo envolve o download e leitura do PDF, divisão do texto com RecursiveCharacterTextSplitter, geração de embeddings com Gemini, armazenamento vetorial com Chroma e busca semântica para responder perguntas com base no conteúdo do relatório. É uma aplicação prática e didática para economistas que desejam integrar IA ao seu fluxo de análise.

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.