4、MAPE的对称性缺陷：当实际值A远小于预测值F时，MAPE为何会爆炸？促销场景中的“零库存”陷阱。

MAPE（平均百分比误差）是预测领域最常用的误差指标之一，但其在促销预测场景中隐藏着一个致命的对称性缺陷。当实际值（A）远小于预测值（F）时，MAPE会急剧膨胀甚至趋向无穷大，这一现象在促销场景中常被称为“零库存”或“低销量”陷阱。

4.1 MAPE的数学本质与不对称性根源

MAPE的计算公式为：

MAPE = (1/n) * Σ |(Aᵢ - Fᵢ) / Aᵢ| * 100%

分母为实际值Aᵢ，这是MAPE不对称性的根源。当实际值Aᵢ很小时，即使误差不大，百分比误差也会被放大。更严重的是，当Aᵢ趋近于0时，MAPE趋近于无穷大。

从表格可以清晰看出：高估（F > A）时MAPE被严重放大，而低估（F < A）时MAPE相对可控。这种不对称性使得MAPE在促销预测中偏向于惩罚“过度乐观”的预测，而对“过度悲观”的预测相对宽容。

4.2 促销场景中的“零库存”陷阱

在促销预测中，“零库存”陷阱特指以下三种典型情况：

1. 真实缺货： 促销活动导致商品售罄，实际销量为0或极低，但预测模型基于历史趋势给出了正数预测。
2. 数据记录缺失： 由于系统故障或渠道未覆盖，实际销售数据未被记录为0，但预测值不为0。
3. 新品/测试品： 新品上市初期实际销量为0，但预测模型基于类似品或市场预期给出了预测值。

这些场景的共同特征是：实际值A=0或接近0，预测值F>0。此时MAPE的单个样本贡献为：

当 A = 0 时：|0 - F| / 0 → 无穷大（数学上未定义）
当 A → 0 时：|A - F| / A → 无穷大（趋近于无穷）

一个零库存样本就足以让整体MAPE失去意义，导致模型评估完全失效。

4.3 MAPE不对称性的可视化分析

下图展示了MAPE在不同实际值水平下的误差贡献变化趋势，直观揭示其不对称性和爆炸边界。

4.4 零库存陷阱的实战影响

在促销预测项目中，零库存陷阱会引发以下连锁问题：

• 模型评估失真： 一个缺货SKU的MAPE贡献可能占整体误差的80%以上，掩盖了模型在正常销售日的真实表现。
• 调优方向错误： 优化器会优先降低零库存样本的误差，导致模型倾向于预测极低销量，反而损害正常促销日的预测精度。
• 跨SKU对比失效： 不同SKU的零库存频率不同，直接比较MAPE会系统性偏向低缺货率的SKU。
• 业务决策误导： 基于MAPE的模型选型可能错误地淘汰了在高销量日表现优异但偶尔遭遇缺货的模型。

4.5 MAPE vs sMAPE：对称性对比

sMAPE（对称平均百分比误差）通过将分母改为(A+F)/2来缓解不对称性问题：

sMAPE = (1/n) * Σ (2 * |Aᵢ - Fᵢ| / (|Aᵢ| + |Fᵢ|)) * 100%

sMAPE虽然不能完全消除零库存问题（当A=0且F=0时仍为0，但A=0且F>0时为200%），但其有界性使得指标不会崩溃，在促销预测中比MAPE更稳健。