Le MAPE est-il encore le bon indicateur de précision des prévisions ?

Un indicateur familier, mais structurellement limité

Le Mean Absolute Percentage Error, ou MAPE, reste l’un des indicateurs les plus utilisés en Demand Planning. Il est simple à exprimer, facile à comparer et connu des directions. Cette simplicité peut néanmoins produire une représentation trompeuse de la performance lorsque le portefeuille comprend de la demande intermittente, de nouveaux produits, des références saisonnières ou une longue traîne importante.

Le problème n’est pas que le MAPE soit mathématiquement inutile. Il vient plutôt du fait que les entreprises demandent souvent à un seul indicateur de remplir plusieurs fonctions : diagnostiquer les erreurs au niveau article, évaluer les planificateurs, suivre l’amélioration du portefeuille et expliquer la qualité des prévisions à la direction.

Quand le MAPE déforme la réalité

Le MAPE n’est pas défini lorsque la demande réelle est nulle. Selon l’implémentation, ces observations peuvent être exclues, remplacées ou traitées par des règles spécifiques. Ce cas est pourtant fréquent pour la demande intermittente, les lancements de produits et les prévisions détaillées par canal.

L’indicateur amplifie également les erreurs sur les références à faible volume. Une erreur de deux unités sur un article qui en vend deux génère un pourcentage très élevé, tandis qu’une erreur absolue beaucoup plus importante sur un produit à fort volume peut sembler modérée. Lorsque les résultats sont moyennés entre les références, les faibles rotations peuvent alors dominer le KPI global malgré un impact opérationnel ou financier limité.

Enfin, le MAPE traditionnel accorde le même poids à chaque article. Une référence critique à fort volume et un produit marginal de la longue traîne contribuent de manière identique à la moyenne, alors que leurs effets sur le stock, le service, la capacité et le chiffre d’affaires sont très différents.

Le WMAPE apporte une lecture pondérée par l’activité

Le Weighted Mean Absolute Percentage Error corrige une partie du problème en pondérant les erreurs par les volumes réels. Il donne généralement une vision plus représentative de l’erreur qui affecte le portefeuille et convient mieux au reporting exécutif ou au suivi de la performance agrégée.

Le WMAPE possède toutefois son propre angle mort. Une bonne performance sur les produits à fort volume peut masquer des prévisions médiocres sur la longue traîne. Un résultat agrégé satisfaisant ne signifie donc pas nécessairement que l’ensemble du portefeuille est maîtrisé, notamment lorsque les faibles rotations génèrent encore des ruptures, de l’obsolescence ou de la complexité opérationnelle.

Chaque décision nécessite des indicateurs adaptés

La réponse pratique consiste rarement à remplacer le MAPE par un seul autre indicateur. Un dispositif de mesure de la précision des prévisions plus robuste combine plusieurs métriques selon la décision et l’audience.

• Utiliser le WMAPE pour mesurer l’impact pondéré par les volumes et communiquer une vision globale à la direction.
• Utiliser le MAPE sur les segments où le pourcentage d’erreur reste pertinent et où les demandes nulles ne dominent pas.
• Suivre le biais de prévision afin d’identifier une tendance systématique à sur-prévoir ou sous-prévoir.
• Utiliser la MAE ou l’erreur absolue afin de conserver l’échelle opérationnelle des écarts.
• Segmenter les résultats par volume, valeur, variabilité, cycle de vie ou classe ABC-XYZ plutôt que de moyenner indistinctement tout le portefeuille.
• Utiliser la Forecast Value Add pour vérifier si les interventions de planification améliorent réellement la prévision de référence.

Les métriques font partie de la gouvernance de la planification

Un KPI de prévision n’est pas un simple choix de reporting. Il influence le comportement des planificateurs, la sélection des modèles, la priorisation des exceptions et la perception de la direction. Lorsque les équipes sont évaluées avec un indicateur inadapté, elles risquent d’optimiser le score plutôt que la décision de stock, de service ou de capacité.

L’entreprise doit donc documenter le mode de calcul de chaque indicateur, le traitement des périodes sans demande, le niveau d’agrégation analysé et la décision métier soutenue. Les définitions doivent être cohérentes entre l’APS, la couche analytique et les rapports de management afin d’éviter plusieurs versions concurrentes de la précision des prévisions.

La véritable question

La question n’est pas de savoir si le MAPE est universellement bon ou mauvais. Elle consiste à déterminer si la métrique retenue représente correctement les conséquences économiques et opérationnelles de l’erreur pour la décision concernée.

Une organisation de planification mature ne dépend pas d’un seul pourcentage. Elle utilise une hiérarchie maîtrisée d’indicateurs reliant l’erreur statistique, l’importance métier, le biais et les résultats opérationnels.

La discussion originale est disponible dans la publication LinkedIn de Jon Nichols.

Perspective Dataleo

Le choix entre le MAPE et le WMAPE relève de l’architecture de décision, et pas uniquement d’un débat statistique. L’indicateur doit être aligné avec la décision, le segment de portefeuille et l’audience qu’il doit servir.

Avant d’automatiser le suivi de la performance dans un APS, un tableau de bord BI ou un agent IA, les équipes doivent préciser qui possède le calcul, comment les exceptions sont traitées et quelle action chaque seuil doit déclencher. Dans le cas contraire, l’automatisation ne fait que déployer à plus grande échelle un KPI ambigu.