Error de pronóstico: cómo calcular MAE, MAPE y RMSE

Pronosticar la demanda ayuda a planificar compras, inventario y producción, pero obtener una estimación no significa que sea suficientemente precisa para utilizarla en el negocio. Para comprobarlo, necesitas comparar lo que esperabas vender o consumir con lo que realmente ocurrió.

La medición del error de pronóstico permite evaluar esas diferencias mediante indicadores como MAE, MAPE y RMSE. Cada uno muestra una perspectiva distinta del error y ayuda a determinar qué método de pronóstico funciona mejor según las necesidades de la empresa.

En esta guía aprenderás qué significa cada métrica, cómo calcularla, cuáles son sus limitaciones y cómo interpretar los resultados mediante un ejemplo comparativo. También podrás descargar una plantilla gratuita de Excel para calcular MAE, MAPE y RMSE con tus propios datos, sin construir las fórmulas desde cero.

Qué es el error de pronóstico

El error de pronóstico es la diferencia entre el valor real observado y el valor que se había estimado para un periodo determinado. Permite medir cuánto se alejó una predicción de lo que finalmente ocurrió.

Por ejemplo, una tienda estima que venderá 100 unidades durante una semana, pero la demanda real termina siendo de 115 unidades. El pronóstico quedó 15 unidades por debajo de lo observado.

Ese error no significa necesariamente que el método sea inadecuado. Todos los pronósticos están sujetos a incertidumbre. Lo importante es identificar si las diferencias son aceptables, si aparecen de forma recurrente y qué consecuencias generan para la operación.

Como explica el libro académico Forecasting: Principles and Practice, la precisión de un pronóstico puede evaluarse mediante diferentes medidas del error, cada una con propiedades y limitaciones que deben considerarse antes de comparar métodos.

Por qué medir el error de pronóstico en una empresa

Medir el error permite dejar de evaluar los pronósticos únicamente por intuición. Una estimación puede parecer razonable, pero si se desvía constantemente de la demanda real puede provocar decisiones equivocadas.

• Compras: una demanda sobreestimada puede generar pedidos excesivos y dinero inmovilizado.
• Inventario: una demanda subestimada puede aumentar el riesgo de faltantes y ventas perdidas.
• Producción: los errores pueden provocar capacidad ociosa, falta de materiales o cambios urgentes en la programación.
• Presupuesto: las diferencias entre lo previsto y lo real afectan las necesidades de caja y la planificación de recursos.
• Selección de métodos: comparar errores permite identificar si una técnica genera mejores estimaciones que otra bajo condiciones equivalentes.

Estas mediciones complementan la planeación de compras y abastecimiento, donde la demanda prevista debe combinarse con inventario disponible, tiempos de reposición y presupuesto.

Sin embargo, un pronóstico con menor error no garantiza por sí solo menores costos. Su utilidad también depende de cómo se transforma en decisiones empresariales.

Cómo calcular el error de pronóstico

Antes de utilizar MAE, MAPE o RMSE, necesitas identificar tres elementos: el periodo evaluado, la demanda real y el pronóstico elaborado para ese mismo periodo.

La fórmula básica es:

Error de pronóstico = Demanda real − Demanda pronosticada

Supongamos que una empresa había pronosticado 95 unidades y la demanda real fue de 100.

Error = 100 − 95 = 5 unidades

Con esta convención, un error positivo significa que el pronóstico quedó por debajo de la demanda real. Un error negativo significa que el pronóstico fue superior a lo observado.

El signo ayuda a identificar la dirección de la desviación, pero no siempre sirve para medir su magnitud. Si una semana el error es +20 y la siguiente es −20, el promedio de los errores con signo será cero, aunque ambos pronósticos hayan fallado por 20 unidades.

Por esta razón se utilizan indicadores basados en errores absolutos o cuadrados, como MAE, MAPE y RMSE.

Qué datos debes utilizar

Los valores reales y pronosticados deben corresponder al mismo producto, unidad de medida, periodo y horizonte de anticipación. Por ejemplo, no es válido comparar un pronóstico semanal preparado con un mes de anticipación contra otro realizado el día anterior y atribuir toda la diferencia al método.

También conviene distinguir demanda real de ventas registradas. Si un producto estuvo agotado, las ventas pueden ser inferiores a la demanda que los clientes habrían generado. En ese caso, utilizar únicamente las ventas podría distorsionar la evaluación.

Si todavía necesitas comprender cómo se construyen las estimaciones comerciales, puedes consultar nuestra guía de análisis de la demanda.

MAE: error absoluto medio

El MAE (Mean Absolute Error), denominado error absoluto medio, mide cuánto se desvía el pronóstico respecto de los valores reales, en promedio y sin considerar si el error fue positivo o negativo.

Para calcularlo, se obtiene el valor absoluto del error de cada periodo, se suman esas diferencias y se divide el resultado entre el número de observaciones.

Fórmula del MAE

MAE = Suma de los errores absolutos ÷ Número de periodos evaluados

Un error absoluto es la distancia entre lo real y lo pronosticado, sin signo negativo. Por ejemplo, tanto un error de +15 como uno de −15 se convierten en 15 unidades.

Supongamos que una empresa obtiene los siguientes errores absolutos durante cuatro semanas:

8, 12, 6 y 14 unidades.

MAE = (8 + 12 + 6 + 14) ÷ 4 = 10 unidades

Esto significa que el pronóstico se alejó de la demanda real aproximadamente 10 unidades por semana, en promedio.

Ventajas y limitaciones del MAE

Su principal ventaja es la facilidad de interpretación. Si el negocio vende productos por unidades, el resultado también se expresa en unidades. Esto permite relacionar el error con compras, producción e inventario.

La limitación aparece cuando se comparan productos de escalas diferentes. Un MAE de 20 unidades puede ser pequeño para un producto con demanda de 5.000 unidades y elevado para otro que normalmente vende 30.

Además, MAE asigna el mismo peso a cada unidad de error absoluto. Por eso no destaca tanto las desviaciones excepcionalmente grandes como RMSE.

MAPE: error porcentual absoluto medio

El MAPE (Mean Absolute Percentage Error), o error porcentual absoluto medio, expresa la magnitud promedio del error como porcentaje del valor real de cada periodo.

Su principal atractivo es que permite interpretar los errores en términos relativos, en lugar de depender exclusivamente de las unidades vendidas o consumidas.

Fórmula del MAPE

Error porcentual absoluto de cada periodo = (|Demanda real − Pronóstico| ÷ Demanda real) × 100

MAPE = Suma de los errores porcentuales absolutos ÷ Número de periodos evaluados

Estas fórmulas se aplican directamente cuando la demanda real es positiva en todos los periodos evaluados.

Por ejemplo, si la demanda real de una semana fue de 200 unidades y se pronosticaron 180:

Error porcentual absoluto = (|200 − 180| ÷ 200) × 100 = 10 %

Si se repite el cálculo durante varios periodos, el MAPE será el promedio de esos porcentajes.

Cómo interpretar el MAPE

Un MAPE del 10 % indica que, en el conjunto evaluado, el promedio de los errores porcentuales absolutos fue del 10 % respecto de los valores reales de cada periodo.

Esto no significa que todos los pronósticos tengan exactamente ese error ni que la empresa alcance automáticamente una precisión del 90 % en términos operativos.

Tampoco existe un límite universal que permita clasificar cualquier MAPE como excelente, bueno o malo. La interpretación depende del comportamiento de la demanda, del horizonte de pronóstico y de las consecuencias de equivocarse.

La principal limitación del MAPE: demanda igual a cero

MAPE presenta un problema matemático importante cuando la demanda real de algún periodo es cero, porque su fórmula requiere dividir entre ese valor.

Si una semana la demanda real fue cero y el pronóstico fue de cinco unidades, el error absoluto puede calcularse, pero el error porcentual de ese periodo no está definido.

También pueden aparecer porcentajes extremadamente elevados cuando la demanda real se aproxima a cero. Por ejemplo, si la demanda real es de una unidad y se pronostican cuatro, el error porcentual absoluto alcanza el 300 %.

Estas limitaciones están documentadas por Hyndman y Koehler (2006), quienes analizan los problemas de varias métricas habituales de precisión.

Importante: si existen periodos con demanda real cero, no debes reemplazar automáticamente el error porcentual por 0 %. Tampoco conviene eliminar esas observaciones sin explicar que estás modificando el conjunto evaluado. En estos casos, MAE, RMSE y otras medidas apropiadas pueden ofrecer información más útil.

Este problema resulta especialmente relevante en productos con demanda intermitente, como repuestos e insumos de consumo ocasional. Para comprender ese comportamiento puedes consultar el método de Croston.

RMSE: raíz del error cuadrático medio

El RMSE (Root Mean Squared Error), denominado raíz del error cuadrático medio, mide la magnitud de los errores utilizando sus valores cuadrados antes de calcular un promedio y obtener su raíz cuadrada.

Su característica principal es que penaliza con mayor intensidad las desviaciones grandes. Por ello puede ser útil cuando los errores excepcionales generan consecuencias importantes para el negocio.

Fórmula del RMSE

RMSE = √(Suma de los errores al cuadrado ÷ Número de periodos evaluados)

El procedimiento consiste en calcular cada error, elevarlo al cuadrado, sumar los resultados, dividirlos entre el número de observaciones y obtener la raíz cuadrada.

Supongamos que los errores de tres semanas fueron 5, −5 y 20 unidades.

Sus cuadrados son 25, 25 y 400.

RMSE = √[(25 + 25 + 400) ÷ 3] = √150 ≈ 12,25 unidades

Observa que el error de 20 unidades produce un valor cuadrado de 400, muy superior al de los errores de cinco unidades. Esta es la razón por la que RMSE aumenta especialmente cuando aparecen desviaciones grandes.

Cuándo conviene utilizar RMSE

RMSE puede ser especialmente útil cuando interesa identificar pronósticos con errores puntuales elevados. Por ejemplo, un error considerable en la estimación de un insumo crítico podría provocar faltantes, compras urgentes o interrupciones de producción.

Sin embargo, esta sensibilidad también implica que una observación extraordinaria puede influir mucho en el resultado. Antes de descartar un método por su RMSE, conviene investigar si el error corresponde a una situación habitual, un evento excepcional o un problema en los datos.

Diferencias entre MAE, MAPE y RMSE

Las tres métricas evalúan errores de pronóstico, pero responden preguntas distintas. No es necesario elegir siempre una sola: utilizarlas de forma complementaria permite comprender mejor el comportamiento de las estimaciones.

Métrica	Qué mide	Resultado	Principal precaución
MAE	Magnitud promedio del error absoluto	Unidades originales	Depende de la escala del producto
MAPE	Promedio de errores porcentuales absolutos	Porcentaje	No está definido con demanda real cero
RMSE	Magnitud del error con mayor peso para desviaciones grandes	Unidades originales	Sensible a valores extremos

Como orientación práctica:

• Utiliza MAE cuando necesites expresar el error promedio en unidades fáciles de relacionar con la operación.
• Utiliza MAPE cuando los errores porcentuales tengan sentido y todos los valores reales evaluados sean positivos.
• Utiliza RMSE cuando quieras dar mayor importancia a las desviaciones grandes.

Estas recomendaciones no sustituyen la evaluación del costo real de equivocarse. Si una subestimación de demanda cuesta mucho más que una sobreestimación equivalente, las métricas absolutas tradicionales no representan por sí solas esa diferencia económica.

Ejemplo práctico: cómo comparar dos pronósticos con MAE, MAPE y RMSE

Supongamos que una tienda necesita pronosticar la demanda semanal de un producto. Para evaluar dos métodos, registra las cantidades que había pronosticado cada uno y las compara con la demanda real de seis semanas.

Los dos métodos fueron evaluados sobre los mismos periodos y con el mismo horizonte de anticipación. Los siguientes datos son ilustrativos.

Semana	Demanda real	Pronóstico A	Pronóstico B
1	100	95	90
2	120	125	130
3	90	85	80
4	110	115	120
5	130	125	120
6	100	70	110

Paso 1. Calcula los errores absolutos

Para cada semana se calcula la diferencia absoluta entre la demanda real y el pronóstico.

El método A presenta errores absolutos de:

5, 5, 5, 5, 5 y 30 unidades.

El método B presenta errores absolutos de:

10, 10, 10, 10, 10 y 10 unidades.

A primera vista, el método A parece más preciso durante cinco semanas, pero registra una desviación importante en la sexta. El método B mantiene errores de magnitud constante.

Paso 2. Calcula el MAE de cada método

MAE del método A = (5 + 5 + 5 + 5 + 5 + 30) ÷ 6 = 9,17 unidades

MAE del método B = (10 + 10 + 10 + 10 + 10 + 10) ÷ 6 = 10 unidades

Según MAE, el método A obtiene un resultado ligeramente mejor porque presenta un error absoluto promedio menor.

Paso 3. Calcula el MAPE

Para obtener MAPE, cada error absoluto se divide entre la demanda real de su semana y se multiplica por 100. Después se promedian los porcentajes obtenidos.

En la primera semana, el error porcentual absoluto del método A es:

(5 ÷ 100) × 100 = 5 %

Al repetir el procedimiento para las seis semanas:

MAPE del método A ≈ 8,85 %

MAPE del método B ≈ 9,37 %

MAPE también favorece al método A en este ejemplo, aunque la diferencia es relativamente pequeña. Como todas las demandas reales son positivas, la fórmula porcentual puede aplicarse sin el problema de división entre cero.

Paso 4. Calcula el RMSE

Para calcular RMSE, elevamos al cuadrado los errores de cada semana, obtenemos su promedio y calculamos la raíz cuadrada.

Para el método A:

RMSE = √[(25 + 25 + 25 + 25 + 25 + 900) ÷ 6] ≈ 13,07 unidades

Para el método B:

RMSE = √[(100 + 100 + 100 + 100 + 100 + 100) ÷ 6] = 10 unidades

En esta ocasión, el método B obtiene un RMSE menor. El error de 30 unidades de la sexta semana afecta de manera importante el resultado del método A.

Paso 5. Compara los resultados

Indicador	Método A	Método B	Menor error
MAE	9,17 unidades	10 unidades	A
MAPE	8,85 %	9,37 %	A
RMSE	13,07 unidades	10 unidades	B

¿Cuál método conviene elegir? No existe una respuesta automática.

Si la empresa busca reducir la desviación absoluta promedio, el método A tiene una ligera ventaja en estas seis semanas. Sin embargo, si los errores grandes pueden provocar faltantes costosos, el comportamiento del método B merece especial atención.

También conviene observar que el método B alterna sobreestimaciones y subestimaciones de diez unidades, mientras que el método A presenta una subestimación considerable en la última semana. Esto revela información sobre la dirección de los errores que MAE, MAPE y RMSE no muestran directamente.

El ejemplo demuestra por qué una métrica no siempre es suficiente para seleccionar un método de pronóstico. Además, seis semanas sirven para explicar el cálculo, pero no necesariamente constituyen una evaluación suficiente para una decisión empresarial definitiva.

Cómo saber si un pronóstico es bueno o necesita mejorar

Obtener un MAE, MAPE o RMSE bajo puede ser una señal favorable, pero el resultado necesita contexto. Para decidir si un pronóstico funciona, conviene realizar varias comprobaciones.

1. Compáralo con un método de referencia

Antes de utilizar un método complejo, establece una referencia sencilla. Por ejemplo, puedes pronosticar que la demanda de la próxima semana será igual a la última demanda observada.

Después compara los errores de ambos métodos sobre los mismos periodos. Si el modelo avanzado no mejora consistentemente esa referencia, debes investigar si su complejidad está justificada.

Esta lógica también se aplica cuando una empresa evalúa herramientas de inteligencia artificial para pronosticar demanda: la sofisticación tecnológica no garantiza una mejora operativa.

2. Utiliza datos que no se emplearon para ajustar el pronóstico

Un método puede mostrar errores pequeños sobre los mismos datos utilizados para configurarlo, pero funcionar peor cuando necesita anticipar periodos nuevos.

Por eso conviene reservar periodos posteriores para comprobar los resultados sin utilizar sus valores reales durante la elaboración del pronóstico.

Por ejemplo, una empresa puede utilizar los primeros meses de un historial para construir el modelo y evaluar después sus predicciones sobre meses posteriores. Cuando el volumen de información lo permite, repetir esta evaluación mediante varios cortes cronológicos ofrece una visión más sólida.

Esta separación temporal forma parte de las buenas prácticas de evaluación descritas por Hewamalage, Ackermann y Bergmeir (2023).

3. Evalúa periodos y horizontes comparables

La precisión puede cambiar considerablemente según la anticipación con la que se elabore el pronóstico.

Una predicción de ventas para mañana no enfrenta necesariamente la misma incertidumbre que una estimación para dentro de tres meses. Compara métodos con horizontes equivalentes y evita mezclar resultados de periodos que representan condiciones diferentes sin identificarlas.

4. Revisa si los errores son sistemáticos

MAE, MAPE y RMSE miden magnitudes, pero no muestran directamente si un método pronostica constantemente por encima o por debajo de la demanda.

Para identificar esa situación puedes revisar los errores con signo y calcular su promedio. A esto se le conoce como error medio o sesgo del pronóstico.

Un error medio persistentemente positivo, utilizando la convención demanda real menos pronóstico, puede indicar subestimación recurrente. Uno negativo puede indicar sobreestimación.

Sin embargo, un promedio cercano a cero tampoco garantiza precisión: errores positivos y negativos grandes pueden compensarse.

5. Relaciona los errores con decisiones del negocio

El resultado debe traducirse a consecuencias operativas. Pregúntate si las desviaciones provocan compras urgentes, inventario excesivo, faltantes o desperdicios.

También considera el comportamiento del producto. Un artículo de demanda estable puede ser más fácil de pronosticar que uno con fluctuaciones importantes. El análisis XYZ de inventarios permite estudiar esa variabilidad, aunque no mide directamente la precisión de los pronósticos.

Si el error genera faltantes frecuentes, puedes complementar el análisis con nuestra guía sobre stock de seguridad. La cantidad de seguridad no debe determinarse únicamente a partir de MAE, MAPE o RMSE, pero la evaluación de los errores ayuda a comprender parte de la incertidumbre que enfrenta el abastecimiento.

Errores frecuentes al evaluar pronósticos de demanda

Un cálculo matemáticamente correcto puede conducir a conclusiones equivocadas si los datos o las condiciones de comparación no son adecuados.

Comparar métodos con periodos diferentes

Si un método se evalúa durante semanas de demanda estable y otro durante temporada alta, sus resultados no representan una comparación equivalente. Ambos deben evaluarse sobre las mismas observaciones y con las mismas condiciones de anticipación.

Ignorar los ceros al calcular MAPE

Reemplazar errores porcentuales indefinidos por cero altera el indicador. Si existen observaciones con demanda real cero, debes señalar la limitación y utilizar una medida apropiada para ese comportamiento.

Eliminar errores grandes sin investigar su causa

Una promoción excepcional, un problema de abastecimiento o un evento extraordinario pueden generar desviaciones elevadas. No conviene eliminar esos periodos únicamente para mejorar los indicadores: primero debes determinar si representan errores de registro o situaciones relevantes del negocio.

Utilizar ventas como si siempre fueran demanda real

Las ventas registradas pueden ocultar demanda no atendida cuando faltó inventario. Si la empresa estuvo varios días sin producto, el volumen vendido puede subestimar lo que los clientes realmente querían comprar.

Elegir automáticamente la métrica más baja

No tiene sentido comparar directamente un MAE de 12 unidades con un MAPE del 8 % para decidir cuál indicador es mejor. Cada uno utiliza una escala distinta.

La comparación correcta consiste en evaluar el mismo indicador entre métodos equivalentes y complementar los resultados con las demás métricas.

Considerar que existe un porcentaje universal de precisión aceptable

Un MAPE del 15 % no significa lo mismo para todos los negocios. Su impacto depende de la variabilidad de la demanda, el producto, el horizonte de evaluación y el costo operativo de las desviaciones.

La investigación sobre métricas de precisión también ha identificado limitaciones y posibles sesgos al utilizarlas para seleccionar modelos. Por eso es importante interpretar los indicadores según el contexto y no como calificaciones universales.

En definitiva, medir el error de pronóstico no consiste únicamente en calcular un número. Consiste en comprobar qué tan confiables son las estimaciones, identificar sus limitaciones y decidir cuándo conviene ajustar el método antes de comprometer recursos.

Descarga la plantilla

Descarga gratuitamente nuestra plantilla Excel para medir errores de pronóstico. Podrás ingresar la demanda real y los valores estimados por dos métodos, calcular automáticamente MAE, MAPE y RMSE, y comparar los resultados para identificar desviaciones y evaluar la precisión de tus pronósticos. La herramienta también contempla advertencias para situaciones en las que MAPE no puede calcularse correctamente.

Preguntas frecuentes sobre MAE, MAPE y RMSE

¿Cuál es la diferencia entre MAE y RMSE?

MAE calcula el promedio de los errores absolutos, mientras que RMSE eleva los errores al cuadrado antes de promediarlos y obtener la raíz cuadrada. Por esta razón, RMSE es más sensible a desviaciones grandes. Ambos se expresan en las mismas unidades que la variable pronosticada.

¿Qué significa un MAPE del 10 %?

Significa que el promedio de los errores porcentuales absolutos fue del 10 % respecto de los valores reales de los periodos evaluados. No significa que todos los pronósticos tengan ese error ni garantiza por sí solo un nivel determinado de servicio o disponibilidad de inventario.

¿Qué métrica es mejor para pronosticar ventas?

Depende del objetivo. MAE facilita interpretar errores en unidades; MAPE permite expresarlos como porcentajes cuando sus condiciones de cálculo se cumplen; y RMSE destaca más los errores grandes. Conviene utilizar varias métricas y relacionarlas con sus consecuencias comerciales y operativas.

¿Puedo calcular MAPE si hubo semanas sin ventas?

Si la demanda real de algún periodo es cero, el MAPE convencional no está definido para el conjunto completo. Además, una semana sin ventas no siempre significa que no existió demanda: pudo haber un quiebre de inventario. Antes de calcular, revisa la calidad de los datos y considera métricas adecuadas para series con ceros.

¿MAE, MAPE y RMSE sirven para evaluar cualquier método de pronóstico?

Son medidas aplicables a numerosos pronósticos numéricos, siempre que se respeten sus condiciones matemáticas y metodológicas. Pueden utilizarse para evaluar estimaciones generadas por promedios móviles, el método de Holt, modelos ARIMA y otras técnicas. No obstante, algunos patrones de demanda requieren métricas adicionales o enfoques especializados.

¿Cada cuánto tiempo conviene revisar los errores de pronóstico?

La frecuencia depende del ciclo de planificación. Un negocio que pronostica ventas semanales puede revisar los errores cada semana y analizar tendencias durante periodos más amplios. Una empresa que planifica compras mensuales puede utilizar revisiones mensuales. Lo importante es mantener criterios consistentes y actuar cuando aparezcan desviaciones recurrentes o cambios significativos.

Fuentes académicas consultadas

• Hyndman, R. J. y Athanasopoulos, G. (2021). Forecasting: Principles and Practice, tercera edición. OTexts. Sección 5.8: evaluación de la precisión de pronósticos. Consultar publicación.
• Hyndman, R. J. y Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688. DOI: 10.1016/j.ijforecast.2006.03.001.
• Armstrong, J. S. y Collopy, F. (1992). Error measures for generalizing about forecasting methods: Empirical comparisons. International Journal of Forecasting, 8(1), 69–80. DOI: 10.1016/0169-2070(92)90008-W.
• Hewamalage, H., Ackermann, K. y Bergmeir, C. (2023). Forecast evaluation for data scientists: Common pitfalls and best practices. Data Mining and Knowledge Discovery, 37, 788–832. DOI: 10.1007/s10618-022-00894-5.
• Tofallis, C. (2015). A better measure of relative prediction accuracy for model selection and model estimation. Journal of the Operational Research Society, 66, 1352–1362. DOI: 10.1057/jors.2014.103.
• Makridakis, S., Spiliotis, E. y Assimakopoulos, V. (2022). M5 accuracy competition: Results, findings, and conclusions. International Journal of Forecasting, 38(4), 1346–1364. DOI: 10.1016/j.ijforecast.2021.11.013.