MAPE nella Supply Chain: misurare e migliorare la precisione delle previsioni

Il MAPE (Mean Absolute Percentage Error) è uno degli indicatori più utilizzati nella pianificazione della domanda. Misura in media quanto una previsione si discosta dalla domanda reale e consente di valutare la precisione del forecast per prodotto, canale o area geografica.

In questo articolo spieghiamo cos’è il MAPE, come si calcola, quali sono i suoi limiti e come ridurlo. Una guida pratica per utilizzare questa metrica con criterio e migliorare il processo decisionale in ambito acquisti, approvvigionamento o produzione. Perché misurare bene è il primo passo per pianificare meglio.

Cos’è il MAPE e a cosa serve nella pianificazione della domanda

Il MAPE è una metrica che misura l’errore percentuale medio tra la domanda reale e la previsione. In altre parole, indica quanto si discosta in media la previsione rispetto al valore osservato. Il suo principale vantaggio è la facilità di interpretazione: un MAPE del 15% indica che, in media, il forecast si discosta del 15% dal valore reale.

Viene utilizzato ampiamente nei processi di Sales & Operations Planning (S&OP), nella pianificazione degli acquisti, dell’approvvigionamento e della produzione. Essendo una metrica espressa in percentuale, permette di confrontare la performance delle previsioni tra diverse famiglie di prodotto, canali o regioni. Nei settori come largo consumo, farmaceutico, industriale o retail, è uno degli indicatori più monitorati dai demand planner.

Come si calcola il MAPE: formula ed esempio pratico

La formula del MAPE è:

Dove:
• D è la domanda reale.
• F è il valore previsto.
• n è il numero di periodi o referenze.

Esempio di calcolo del MAPE

Se in tre settimane si sono previste vendite di 100, 150 e 200 unità, ma le vendite reali sono state 110, 140 e 180 unità, il MAPE si calcola così:

Questo significa che, in media, il forecast si discosta del 9,1% rispetto alla domanda reale.

Qual è un buon livello di MAPE? Benchmark per settore

Non esiste una soglia universale per definire un “buon” o “cattivo” MAPE. Dipende dal contesto aziendale, dalla variabilità della domanda e dalla maturità del processo di previsione. Tuttavia, esistono benchmark di riferimento:

• FMCG: tra il 15% e il 25% è considerato accettabile.
• Industria: può variare tra il 20% e il 40%.
• Farmaceutico: con domanda stabile, tra il 10% e il 20%.
• Retail moda: supera facilmente il 30% a causa della stagionalità e dei cicli brevi.

Un MAPE inferiore al 10% è generalmente considerato eccellente, ma realizzabile solo in contesti molto controllati o con alta stagionalità prevedibile. L’aspetto più importante è monitorare la sua evoluzione, identificare deviazioni rilevanti e analizzarne le cause.

I limiti del MAPE e quando può essere fuorviante

Nonostante sia una metrica diffusa, il MAPE presenta alcune limitazioni. La principale è la sua sensibilità ai valori bassi di domanda: quando il valore reale si avvicina allo zero, l’errore percentuale si amplifica, distorcendo la media complessiva.

Inoltre, il MAPE penalizza in modo simmetrico gli errori per eccesso e per difetto, senza considerare che overstock e stockout possono avere impatti economici molto diversi. Ad esempio, sovrastimare la domanda di un articolo a basso costo non ha le stesse conseguenze di sottostimare un articolo critico.

Un’altra limitazione è che il MAPE non mostra quanti SKU concentrano l’errore. Due cataloghi con lo stesso MAPE globale possono avere comportamenti molto diversi: uno con errori distribuiti, l’altro con pochi SKU che generano la maggior parte dello scostamento.

Come ridurre il MAPE in contesti complessi

Ridurre il MAPE in ambienti complessi non dipende solo dal modello statistico. La natura della domanda, la presenza di outlier o il livello di collaborazione tra aree aziendali possono influenzare fortemente l’affidabilità della previsione. Ecco tre approcci chiave per migliorare la precisione del forecast in contesti difficili e ad alta variabilità.

Serie intermittenti

Le serie intermittenti (con molti zeri e picchi irregolari) aumentano strutturalmente il MAPE. In questi casi è preferibile utilizzare modelli dedicati come Croston o Teunter-Syntetos-Babai (TSB), specificamente pensati per queste dinamiche. Può essere utile anche cambiare unità temporale (es. da settimanale a mensile) per ridurre la variabilità.

Effetto degli outlier e stagionalità

Eventi anomali (promozioni, rotture, lanci) possono alterare il MAPE se non gestiti correttamente. Si consiglia di applicare algoritmi di rilevamento outlier e correggere la serie per evitare impatti sproporzionati. Anche includere la stagionalità e gli eventi noti nel modello aiuta a migliorare l’accuratezza della previsione.

Uso di modelli avanzati e forecast collaborativo

L’utilizzo di metodi avanzati (regressioni multiple, machine learning, reti neurali) può migliorare il MAPE se si dispone di storico sufficiente e variabili esplicative. Tuttavia, la tecnologia da sola non basta: è fondamentale coinvolgere il team commerciale e operativo nella validazione del forecast. La combinazione tra modelli quantitativi e contributo umano (forecast collaborativo) è ciò che consente di ottenere i risultati migliori.

MAPE e decisioni operative: stock di sicurezza, approvvigionamento e produzione

Un MAPE elevato non è solo sintomo di una previsione imprecisa: ha impatti diretti su tutta la supply chain. Un errore elevato implica maggiori scorte di sicurezza per compensare l’incertezza, con conseguente aumento dei costi di inventario.

Nell’approvvigionamento, un forecast inaffidabile genera ordini erratici, rotture di stock o costi extra per urgenze. Nella produzione, complica la sequenziatura e richiede continui aggiustamenti. Ridurre il MAPE permette di pianificare meglio, ottimizzare le risorse, il capitale e il livello di servizio.

Oltre il MAPE: Misurare bene per pianificare meglio

Il MAPE è una metrica utile per valutare la qualità delle previsioni, ma non va considerata isolatamente. Integrarla con altri KPI come il bias, la copertura di stock o l’affidabilità per segmento offre una visione più completa.

In definitiva, misurare bene è il primo passo per pianificare meglio. E pianificare meglio significa non solo ridurre l’errore, ma comprenderne la causa, l’impatto e le azioni da intraprendere. In contesti sempre più volatili, disporre di un sistema di previsione robusto e allineato agli obiettivi aziendali rappresenta un vantaggio competitivo fondamentale per ogni impresa industriale o del largo consumo.

In Imperia aiutiamo le aziende a migliorare la loro pianificazione, ottimizzando i processi e aumentando l’efficienza della supply chain. Grazie al nostro software SCM avanzato, trasformiamo i dati in decisioni strategiche. Vuoi sapere come possiamo supportarti? Richiedi una consulenza gratuita con i nostri esperti. Ti aspettiamo!