Supply Chain
Forecast-nauwkeurigheid: MAPE, WAPE en bias

Forecast-nauwkeurigheid meet je met minstens twee getallen: een maat voor de grootte van de fout en een voor de richting. Voor een groothandel met hardlopers en trage artikelen is WAPE (de totale absolute fout gedeeld door de totale verkoop) de beste maat voor de grootte, en bias (forecast min verkoop, gedeeld door de verkoop) de maat voor de richting. MAPE is bekender, maar misleidt zodra er trage artikelen of weken zonder verkoop in de meting zitten.
Geen van die getallen zegt iets zonder vergelijking. Een forecast is pas goed als hij beter is dan een naïeve forecast, gemeten op weken die het model niet gezien heeft.
Wat meten MAPE, WAPE, bias en MASE?
MAPE (mean absolute percentage error) is per periode de fout als percentage van de verkoop, gemiddeld over alle periodes. Makkelijk uit te leggen, en daarom populair.
WAPE (weighted absolute percentage error, ook wel wMAPE) telt eerst alle absolute fouten op en deelt dan door de totale verkoop. Een week met veel verkoop weegt zo zwaarder dan een week met weinig. Veel bedrijven rapporteren "nauwkeurigheid" als 100% min de WAPE.
Bias is de som van de fouten met hun teken, gedeeld door de totale verkoop. In dit artikel is de fout forecast min verkoop: negatief betekent structureel te laag voorspeld, positief te hoog. Een forecast die afwisselend te hoog en te laag zit, heeft een bias rond nul, ook als elke week fout is.
MASE (mean absolute scaled error) deelt de gemiddelde absolute fout door de gemiddelde fout die een naïeve forecast ("volgende week verkopen we wat we deze week verkochten") maakte in de historie. Onder 1 is beter dan naïef, boven 1 slechter. De maat is beschreven in Forecasting: Principles and Practice van Hyndman en Athanasopoulos, het standaardwerk dat ook de nadelen van procentuele maten zoals MAPE behandelt.
Rekenvoorbeeld: vier maten op dezelfde reeks
Een fictief artikel bij een groothandel, zes weken. De forecast staat elke week op 130 stuks.
| Week | Verkoop | Forecast | Fout | Absolute fout | Fout / verkoop |
|---|---|---|---|---|---|
| 1 | 120 | 130 | +10 | 10 | 8,3% |
| 2 | 150 | 130 | -20 | 20 | 13,3% |
| 3 | 110 | 130 | +20 | 20 | 18,2% |
| 4 | 160 | 130 | -30 | 30 | 18,8% |
| 5 | 130 | 130 | 0 | 0 | 0,0% |
| 6 | 140 | 130 | -10 | 10 | 7,1% |
| Totaal | 810 | 780 | -30 | 90 |
MAPE is het gemiddelde van de laatste kolom: 11,0%.
WAPE is 90 / 810 = 11,1%. Bij een hardloper met redelijk gelijke weken liggen MAPE en WAPE dicht bij elkaar. "Nauwkeurigheid" als 100% min WAPE is 88,9%.
Bias is -30 / 810 = -3,7%. Over zes weken is er 30 stuks te weinig voorspeld. Klein, maar wie dit elke maand ziet, heeft een forecast die structureel achterloopt.
MASE vraagt één getal uit de historie: in de 52 weken hiervoor veranderde de verkoop gemiddeld 18 stuks van week op week. De gemiddelde absolute fout is 90 / 6 = 15. MASE is 15 / 18 = 0,83, dus beter dan naïef.
De naïeve forecast zelf, met week 0 op 140 stuks, voorspelt 140, 120, 150, 110, 160 en 130. De absolute fouten zijn 20, 30, 40, 50, 30 en 10, samen 180. Naïeve WAPE: 180 / 810 = 22,2%. De forecast van 130 per week halveert de fout ten opzichte van naïef. Dat is de zin die in een rapport hoort, niet "88,9% nauwkeurig".
Waarom misleidt MAPE bij lage volumes en nulverkopen?
Neem een tweede artikel, een trage loper, met in dezelfde zes weken een verkoop van 2, 0, 1, 4, 0 en 3 stuks. De forecast staat elke week op 2.
In de twee weken zonder verkoop is de MAPE niet te berekenen: delen door nul. De meeste tools laten die weken weg. Daarmee verdwijnt precies de fout van "2 voorspeld, 0 verkocht", een derde van de weken. Over de overige vier weken is de MAPE 45,8%. De WAPE telt alles mee: 8 / 10 = 80,0%, met een bias van +20,0%.
Het tweede probleem ontstaat bij het samenvatten van het assortiment. Het gemiddelde van de MAPE van beide artikelen is (11,0% + 45,8%) / 2 = 28,4%. Het trage artikel verkocht 10 stuks, de hardloper 810, maar ze tellen even zwaar. De WAPE over beide artikelen samen is 98 / 820 = 12,0%. Wie met MAPE stuurt, besteedt zijn tijd aan de staart van het assortiment, waar per stuk het minste geld zit.
Op welk niveau meet je de forecast?
Hoe hoger het niveau, hoe kleiner de fout. Fouten van verschillende artikelen en weken vallen tegen elkaar weg. Tel de hardloper per drie weken op en de verkoop is 380 en 430, tegen een forecast van 390 en 390: een WAPE van 6,2% in plaats van 11,1%. Over de hele zes weken is de fout nog maar 3,7%.
Daarom is de vraag niet welk niveau het mooiste getal geeft, maar op welk niveau er een besluit valt. Een inkoopbestelling gaat per artikel de deur uit, voor de periode van de levertijd. Meet de forecast dus per artikel, over een horizon gelijk aan de levertijd, en per week of per maand afhankelijk van hoe vaak er besteld wordt. Een maandcijfer per productgroep is nuttig voor de capaciteitsplanning, maar zegt niets over de vraag of de veiligheidsvoorraad van een artikel klopt.
Let op weken waarin het artikel niet op voorraad lag. Daar is de verkoop nul of laag omdat er niets lag, niet omdat niemand het wilde. Die weken horen niet in de meting, anders wordt de forecast afgerekend op een vraag die nooit gemeten is. Hoe zwaar dat doortikt, staat in het artikel over voorraadtekorten.
Wat is een eerlijke vergelijking?
Drie regels.
Een naïeve forecast als ondergrens. Vorige week, of dezelfde week vorig jaar bij seizoenswerk. Een model dat dat niet verslaat, voegt niets toe, hoe mooi het nauwkeurigheidspercentage ook oogt. Zet de huidige methode ernaast, of dat nu een gemiddelde in Excel is of de forecast uit het ERP.
Toetsen op data die het model niet zag. Een model dat op twee jaar historie is gebouwd en op diezelfde twee jaar wordt gemeten, scoort altijd te goed. Houd de laatste maanden apart, of beter: laat het model week voor week vooruit voorspellen alsof het toen was, met alleen de data die toen bekend was. Dat heet een backtest.
Dezelfde artikelen, hetzelfde niveau, dezelfde periode. Een leverancier die 85% nauwkeurigheid op productgroep per maand meldt, kan niet vergeleken worden met de eigen 70% op artikel per week. Vraag altijd: welke maat, welk niveau, welke periode, en vergeleken met wat? Hoe een proef met een nieuwe partij op deze drie regels wordt opgezet, staat in forecastbureau kiezen.
Welke maten horen samen op het rapport?
Voor een groothandel volstaan er twee per artikelgroep: WAPE voor de grootte van de fout en bias voor de richting, allebei naast de naïeve forecast. MASE is handig als er artikelen met heel verschillende volumes vergeleken worden, of als er veel weken zonder verkoop zijn. MAPE kan blijven voor de hardlopers, waar het weinig verschil maakt, maar hoort niet op het totaal.
Bias verdient elke maand een blik. Een kleine maar aanhoudende onderschatting zorgt voor tekorten op precies de artikelen die het best lopen, terwijl een willekeurige fout elkaar over de maanden grotendeels opheft. De bias vertelt de inkoper ook wat te doen: bijstellen. Een hoge WAPE zegt alleen dat er iets mis is.
Hoe pakken wij dit aan?
Bij een forecast-benchmark zetten we onze voorspelling naast de huidige methode en een naïeve basislijn, op de eigen verkoophistorie en per productgroep, met weken die het model niet gezien heeft. Zo staat vooraf vast welke verbetering realistisch is: gemeten, niet beloofd. Hoe dat traject loopt, staat bij forecast accuracy. Wat een betere forecast in euro's waard is, rekent de rekentool voor: vrijgemaakt werkkapitaal, lagere voorraadkosten en teruggewonnen nee-verkoop. Welke servicegraad bij welke artikelklasse past, staat in een apart artikel.
Plan een kennismaking van 30 minuten, vrijblijvend.
Veelgestelde vragen
Wat is het verschil tussen MAPE en WAPE?
MAPE middelt de procentuele fout per periode of per artikel, zodat een week met 1 stuk verkoop even zwaar telt als een week met 150. WAPE telt alle absolute fouten op en deelt door de totale verkoop, zodat drukke weken en hardlopers zwaarder wegen. Voor een assortiment met trage artikelen is WAPE het eerlijkere getal.
Wat is een goede forecast-nauwkeurigheid?
Daar bestaat geen algemeen getal voor. Een WAPE van 30% kan uitstekend zijn voor trage artikelen per week, en zwak voor een hardloper per maand. Vergelijk daarom met een naïeve forecast op dezelfde artikelen, hetzelfde niveau en dezelfde periode. Pas als het verschil daarmee bekend is, zegt het percentage iets.
Wat betekent een negatieve bias?
Met bias gedefinieerd als forecast min verkoop, gedeeld door de verkoop, betekent een negatieve bias dat er structureel te laag voorspeld wordt. Dat leidt tot tekorten. Een positieve bias betekent te hoog voorspellen, en dat leidt tot overvoorraad. Leg de definitie vast, want sommige systemen draaien het teken om.
Waarom kan MAPE niet met nulverkopen?
MAPE deelt de fout door de werkelijke verkoop. Is die nul, dan is de deling niet gedefinieerd. Veel tools laten die weken dan stilzwijgend weg, en daarmee verdwijnen precies de weken waarin te veel voorspeld werd. In het rekenvoorbeeld valt een derde van de weken van het trage artikel zo uit de meting.
Wat is MASE en wanneer gebruik je het?
MASE deelt de gemiddelde absolute fout door de gemiddelde fout die een naïeve forecast in de historie maakte. Onder 1 is de forecast beter dan die naïeve forecast, boven 1 slechter. Het werkt ook bij nulverkopen en maakt artikelen met heel verschillende volumes vergelijkbaar.
Stel een vraag over forecast-nauwkeurigheid
Laat je e-mailadres achter. Een solution architect uit het team reageert binnen een werkdag, met een eerste inschatting.
Liever het uitgebreide contactformulier




