2、MAPE 定义与数学公式：百分比误差的加权逻辑
MAPE（Mean Absolute Percentage Error，平均百分比误差）是促销预测中最常用的误差指标之一。其核心思想是：将每个预测点的误差除以实际值，得到百分比误差，再取平均值。这种设计天然赋予了不同实际值水平下的“加权”特性。
2.1 数学公式与符号说明
MAPE 的标准数学表达式如下：
MAPE = (100% / n) * Σ|(Aᵢ - Fᵢ) / Aᵢ|其中：
- n：预测样本总数（促销活动次数或时间点数量）
- Aᵢ：第 i 个样本的实际值（实际销量/销售额）
- Fᵢ：第 i 个样本的预测值
- |(Aᵢ - Fᵢ) / Aᵢ|：第 i 个样本的百分比误差（APE）
- Σ：对所有样本的 APE 求和
- 100%：将结果转换为百分比形式
2.2 加权逻辑深度解析
MAPE 的“加权”并非显式设置权重，而是由分母 Aᵢ 自动引入的隐式加权机制。理解这一逻辑对促销预测选型至关重要：
| 实际值 Aᵢ 大小 | 对 APE 的影响 | 促销场景含义 |
|---|---|---|
| 小（如 10 件） | 相同误差（如 5 件）→ APE = 50% → 权重极高 | 低销量促销品（如清仓品、小众新品）的误差被放大 |
| 大（如 1000 件） | 相同误差（如 5 件）→ APE = 0.5% → 权重极低 | 爆款大促的误差被压缩，对 MAPE 贡献小 |
| 中等（如 100 件） | 相同误差（如 5 件）→ APE = 5% → 权重适中 | 常规促销品的误差贡献处于中间水平 |
关键洞察： MAPE 实际上对低实际值样本赋予了更高的误差权重。在促销预测中，这意味着一个预测偏差 10 件的清仓品（实际 20 件，APE=50%）对整体 MAPE 的“惩罚”远大于一个预测偏差 100 件的爆款（实际 1000 件，APE=10%）。
2.3 加权逻辑的数学本质
从数学角度看，MAPE 的加权逻辑可以拆解为：
MAPE = (100% / n) * Σ [ (|Aᵢ - Fᵢ|) * (1 / Aᵢ) ]其中 1/Aᵢ 就是隐式权重因子。该权重因子具有以下数学特性：
- 反比例关系：实际值越小，权重因子越大；实际值越大，权重因子越小。
- 非线性放大：当 Aᵢ 趋近于 0 时，权重因子 1/Aᵢ 趋近于无穷大，导致 MAPE 对极低销量样本极度敏感。
- 不对称性：对于相同的误差，低估（Fᵢ < Aᵢ）和高估（Fᵢ > Aᵢ）在 MAPE 中受到的惩罚相同（因为取值），但加权逻辑只取决于实际值 Aᵢ。
2.4 促销预测中的加权效应案例
以下是一个促销预测场景的对比案例，展示 MAPE 加权逻辑的实际影响：
| 促销品类型 | 实际销量 A | 预测销量 F | 误差 |A-F| | APE = |A-F|/A | 对 MAPE 贡献 |
|---|---|---|---|---|---|
| 清仓品 A | 20 | 30 | 10 | 50.0% | 极高 |
| 常规促销 B | 200 | 220 | 20 | 10.0% | 中等 |
| 爆款大促 C | 2000 | 2100 | 100 | 5.0% | 低 |
⚠ 选型警示： 如果促销预测业务重点关注低销量清仓品或小众新品的预测精度，MAPE 会因为这些品类的 APE 被过度放大而导致整体指标失真。此时应考虑使用 sMAPE 或其他对称性指标。
2.5 MAPE 加权逻辑的数学边界
理解 MAPE 的数学边界有助于在促销预测中正确使用：
- 下界为 0%：当所有预测完全准确时，MAPE = 0%。
- 上界无限制：当实际值 Aᵢ 很小且预测误差很大时，APE 可以超过 100%，MAPE 理论上无上界。
- Aᵢ = 0 时无定义：如果促销活动中某商品实际销量为 0，MAPE 公式出现除零错误，这是 MAPE 在促销预测中的致命缺陷之一。
- 非对称加权：MAPE 的加权完全由实际值决定，与预测值大小无关，这导致对高估和低估的惩罚在百分比上对称，但在业务影响上可能不对称。
💡 实践建议： 在使用 MAPE 评估促销预测模型时，建议同时计算加权 MAPE（wMAPE）或分位数 MAPE，以平衡低销量样本对整体指标的过度影响。对于实际值为 0 的促销记录，应在计算前进行过滤或使用平滑处理。