MAPE 계산법과 해석, 실제값이 0이면? 수요예측 오차 지표 5종 비교

TECH
2026-10-06
This is some text inside of a div block.

수요예측 오차를 평가할 때 가장 널리 사용하는 지표가 바로 MAPE, 즉 평균 절대 비율 오차입니다. MAPE는 예측 결과가 실제 수요에 비해 평균적으로 몇 퍼센트 정도 빗나갔는지 보여줍니다. 덕분에 판매량이 서로 다른 여러 품목도 같은 기준에서 쉽게 비교할 수 있습니다.

이번 글에서는 MAPE 계산 방법과 결과 해석부터 설명드리겠습니다. 이어서 실제값이 0인 경우는 어떻게 처리해야 하는지, 그리고 MAE, RMSE, WMAPE, sMAPE와의 차이점도 함께 살펴보겠습니다. 마지막으로 엑셀에서 직접 활용할 수 있는 수식까지 순서대로 정리해보겠습니다.

‍

MAPE 계산 예시와 결과 해석

MAPE는 시점마다 오차를 실제값으로 나눈 비율(APE)을 구하고, 이 비율들의 평균을 백분율로 나타낸 값입니다.

MAPE 공식: MAPE = 1/n × Σ |(Xt − Ft) ÷ Xt| × 100

Xt는 시점 t의 실제 수요량, Ft는 예측값, n은 데이터 개수입니다. 오차의 방향은 절대값으로 없애고 크기만 비율로 계산합니다.

3개월 판매 데이터로 계산하기

어느 제품의 3개월 실적과 예측값이 아래와 같다고 가정해 보겠습니다.

월 실제값(개) 예측값(개) 절대 오차 APE
1월 100 90 10 10.0%
2월 80 100 20 25.0%
3월 120 110 10 8.3%

‍

세 달의 APE를 더한 뒤 3으로 나누면 MAPE는 약 14.4%입니다.

계산 결과 읽는 법

MAPE 14.4%라는 건 매달 예측이 실제 판매량과 평균적으로 14.4% 정도 차이가 났다는 뜻입니다. 실무에서는 100%에서 MAPE를 뺀 85.6%를 정확도라고 부르기도 합니다. 다만 이 값은 관행적으로 쓰는 환산값일 뿐 엄밀한 정확도 지표는 아니므로, 의사결정용 KPI로 쓸 때는 정의를 따로 정해 두는 것이 좋습니다.

월별로 살펴보면, 판매량이 가장 적었던 2월의 오차율이 25.0%로 전체 평균을 크게 올렸습니다. 2월의 절대 오차는 20개로 다른 달의 두 배였는데, 실제 판매량까지 적다 보니 오차율은 그보다 더 크게 벌어졌습니다. 이렇게 판매량이 적은 달이나 품목이 있으면, MAPE가 실제 체감보다 더 크게 나올 수 있습니다. 그래서 결과를 해석할 때는 월별이나 품목별 APE도 함께 확인해 보는 게 좋습니다.

‍

실제값이 0일 때 MAPE 계산은?

MAPE는 실제값이 분모에 들어가기 때문에, 판매가 0인 시점이 있으면 그 순간의 오차율은 아예 계산할 수 없습니다. 앞의 데이터에 4월(실제값 0, 예측값 5)처럼 판매가 없었던 시점을 추가하면, 지표별 결과가 아래처럼 달라집니다.

지표 1~3월 1~4월 비고
MAPE 14.4% 계산 불가 4월의 분모가 0
WMAPE 13.3% 15.0% 전체 판매량 합계를 분모로 사용
sMAPE 13.8% 60.4% 4월은 상한인 200%로 계산(실제값과 예측값이 모두 0이면 계산 불가)

‍

실무에서 쓰는 처리 방법

  • 실제값이 0인 시점을 MAPE에서 제외할 수는 있지만, 이 경우 판매가 있었던 시점만의 MAPE가 되어 0 수요를 맞혔는지는 평가하지 못합니다. 제외한 건수와 비율을 함께 보고합니다.
  • APE를 0으로 채우면 오차가 전혀 없었던 것처럼 보이므로 피하는 것이 좋습니다.
  • 판매가 없는 시점이 잦은 품목은 WMAPE로 전체 흐름을 보되, MASE 같은 척도 독립 지표와 품절·과잉 재고 같은 운영 지표를 함께 확인합니다.

WMAPE로 보완하는 방법

WMAPE(가중 평균 절대 비율 오차)는 각 시점별 오차율을 단순히 평균 내는 대신, 절대 오차의 합을 실제 판매량의 합으로 나눕니다

WMAPE 공식: WMAPE = Σ|Xt − Ft| ÷ ΣXt × 100

이렇게 하면, 분모가 전체 판매량이 되기 때문에 특정 시점에 실제값이 0이어도 계산이 가능합니다. 또, 판매량이 많은 시점의 오차가 결과에 더 크게 반영되죠. 그래서 판매 수량을 기준으로 예측 성과를 확인하고 싶을 때 적합합니다. 다만 전체 실제 판매량 합계가 0이면 계산할 수 없고, 판매량이 많은 품목에 가려 저판매 품목의 오차가 잘 드러나지 않을 수 있다는 점은 유의해야 합니다.

‍

수요예측 오차 지표 5종 비교표

지표마다 오차를 바라보는 관점이 다르기 때문에, 실무에서는 목적에 맞게 두 가지 이상의 지표를 함께 사용합니다. 앞선 1~3월 예시에 각 지표를 적용한 값과 적합한 상황을 표로 정리해두었습니다.

지표 계산 방식 예시 값 적합한 상황 유의할 점
MAE (평균 절대 오차)절대 오차의 평균13.3개단일 품목의 오차를 수량으로 파악할 때판매 규모가 다른 품목끼리 비교하기 어려움
RMSE (평균 제곱근 오차)제곱 오차 평균(MSE)의 제곱근14.1개큰 오차를 특히 경계할 때, 모델 간 성능 비교이상치 하나에 값이 크게 흔들림
MAPE (평균 절대 비율 오차)실제값 대비 오차율의 평균14.4%판매 규모가 다른 품목 비교, 경영진 보고실제값이 0이거나 작으면 결과가 왜곡됨
WMAPE (가중 평균 절대 비율 오차)절대 오차 합계 ÷ 실제값 합계13.3%여러 품목을 묶은 전체 성과 관리판매량이 많은 품목이 결과를 좌우해 저판매 품목의 오차가 묻힐 수 있음
sMAPE (대칭 평균 절대 비율 오차)실제값과 예측값 평균 대비 오차율13.8%오차율 범위를 0~200%로 제한해 비교할 때같은 크기의 오차라도 과소 예측에 더 큰 오차율이 나옴

‍

예측 편향을 확인하는 MPE

sMAPE 공식: sMAPE = 1/n × Σ |Xt − Ft| ÷ ((|Xt| + |Ft|) ÷ 2) × 100

위의 정확도 지표는 단순히 오차의 크기만 보여줍니다. 예측이 특정 방향으로 쏠려 있는지를 확인하려면 MPE, 즉 평균 비율 오차를 따로 살펴봐야 합니다. MPE는 절대값을 적용하지 않기 때문에, 예측이 실제보다 높으면 양수, 낮으면 음수로 나타나 서로 상쇄되는 특징이 있습니다. 이 글에서는 (예측값 − 실제값) ÷ 실제값의 평균으로 계산하며, 문헌에 따라 (실제값 − 예측값)을 쓰기도 하므로 부호 기준을 먼저 확인하는 것이 좋습니다.

이 기준으로 앞의 예시를 계산하면 +2.2%가 나옵니다. 이는 전반적으로 예측이 약간 높았다는 의미입니다. 이렇게 양의 편향이 계속되면 재고가 지나치게 쌓일 수 있고, 반대로 음의 편향이 지속되면 품절 위험이 커질 수 있습니다. 그래서 정확도 지표와 더불어 예측의 방향성을 보여주는 편향 지표도 함께 모니터링하는 것이 좋습니다.

‍

MAPE의 장점과 한계

실무에서 MAPE를 많이 쓰는 이유

파란색 막대그래프와 상승 추세선으로 예측값과 실제값의 변동 추이를 비교하여 측정하는 수요예측 오차 지표 및 MAPE 분석 차트.

"MAE 500개"라는 보고는 전체 판매량이 얼마인지 알아야 해석이 가능하지만, "MAPE 5%"는 예측이 평균적으로 실제값에서 5% 정도 벗어났다는 의미를 바로 전달합니다. 그래서 기술적인 배경이 없는 사람들도 쉽게 이해할 수 있고, 부서 간 정확도 목표를 정할 때 공통 언어로 사용됩니다. 또, 판매 규모가 서로 다른 품목도 같은 백분율 기준으로 비교할 수 있는 점이 실무에서 많이 사용하는 이유입니다.

결과를 해석할 때 유의할 점

하지만 결과를 해석할 때 주의할 점도 있습니다. 먼저, 실제값이 0이거나 아주 작을 때는 MAPE 결과가 크게 왜곡될 수 있습니다. 예를 들어 실제 판매가 1~2개밖에 안 되는 품목의 경우, 작은 오차만 나도 오차율이 몇백 %까지 치솟을 수 있습니다. 이런 소량 판매나 간헐적으로 팔리는 품목은 MAPE만으로 판단하기 어렵습니다.

또 한 가지는 과대 예측과 과소 예측의 오차율이 비대칭이라는 점입니다. 실제값이 100인데 예측값을 0으로 하면 오차율은 100%에서 더 이상 늘지 않지만, 예측값을 500으로 하면 오차율이 400%까지 올라갑니다. 그래서 MAPE만 낮추는 데 집중하면 예측값이 실제보다 낮아지는 쪽으로 모델이 치우칠 수 있습니다. 품절 손실이 큰 신선식품이나 필수 의약품 분야에서는 편향 지표 등 다른 평가 지표와 함께 보는 것이 좋습니다.

‍

MAPE 몇 %면 좋을까? 산업별 참고 기준

좋은 MAPE 기준은 딱 떨어지게 정해진 값이 없습니다. 다만 Lewis(1982)의 해석 기준이 널리 알려져 있어 참고용 구간으로 자주 활용됩니다. 업종, 집계 수준, 예측 기간에 따라 적정 수준이 달라지므로 산업 공통 합격선으로 보기는 어렵습니다.

MAPE해석 (Lewis, 1982)
10% 미만매우 정확
10~20%양호
20~50%합리적
50% 초과부정확

‍

같은 산업에서도 기준이 달라지는 이유

실제로 달성할 수 있는 수준은 업종과 품목, 측정 방식에 따라 달라질 수 있습니다.

  • 반복 구매가 많은 생필품은 수요 변동이 작고, 유행과 신제품 주기가 짧은 패션·가전은 변동이 큰 편입니다.
  • 프로모션이 잦은 품목은 평시와 행사 기간의 수요 차이가 커서 오차율이 높아지기 쉽습니다.
  • 같은 품목이라도 주 단위보다 월 단위로, SKU 단위보다 카테고리 단위로 집계하면 품목 간 오차가 서로 상쇄되면서 오차율이 낮아질 수 있습니다.

자사 목표를 정하는 방법

노트북 화면 위로 증감 그래프와 파이 차트 홀로그램이 떠 있는 정밀한 수요예측 오차 지표 모델링 작업 화면.

외부 기준에 얽매이기보다는 우리 회사의 과거 예측 성과를 기준선으로 삼는 게 현실적입니다. 예를 들어, 전월 실적을 그대로 다음 달 예측값으로 쓰는 단순 예측의 MAPE를 산출해 보면, 지금 쓰고 있는 예측 방법이 이 기준선보다 얼마만큼 개선됐는지 알 수 있습니다. 이때 성과는 모델이 학습한 데이터가 아니라 실제 운영과 같은 예측 시점과 기간으로 따로 떼어 둔 데이터에서 측정해야 공정하게 비교할 수 있습니다.  

목표는 품목군별로 따로 정하는 게 좋고, 판매량이 적은 품목군은 품목군 단위의 WMAPE로 묶어 관리하는 방법도 생각해 볼 수 있습니다.

‍

엑셀로 MAPE·WMAPE 계산하기

수요예측 오차 관리를 처음 시작한다면 엑셀만으로도 기본 관리 체계를 만들 수 있습니다.

데이터 구성과 수식

A열부터 날짜, SKU, 실제값(C열), 예측값(D열)을 입력하고 2행부터 데이터가 시작된다고 가정하면 아래 수식을 사용할 수 있습니다.

항목수식설명
절대 오차 (E열)=ABS(C2-D2)행마다 입력
APE (F열)=IF(C2=0,"",E2/C2)실제값이 0이면 빈칸으로 처리
MAPE=AVERAGE(F2:F100)빈칸은 자동으로 제외
제외 건수=COUNTIF(C2:C100,0)실제값이 0이라 제외된 시점 수
WMAPE=SUM(E2:E100)/SUM(C2:C100)실제값 0인 시점도 포함해 계산
총합 편향률(Bias %)=(SUM(D2:D100)-SUM(C2:C100))/SUM(C2:C100)+면 과대 예측, -면 과소 예측

‍

결과 셀은 백분율 서식으로 표시합니다. 총합 편향률은 오차의 합계로 계산하므로, 시점별 비율을 평균하는 MPE와 값이 다를 수 있습니다.

대시보드로 관리하기

계산 결과는 피벗 테이블로 품목군별·담당자별로 집계하고, 조건부 서식으로 기준을 넘는 품목을 색으로 표시하면 한눈에 확인할 수 있습니다. MAPE와 WMAPE를 나란히 두면 저판매 품목 때문에 MAPE만 높게 나온 경우를 쉽게 구분할 수 있습니다.

‍

AI 수요예측으로 오차 관리 고도화하기

SKU가 수백, 수천 개로 늘어나고 날씨나 프로모션 같은 외부 변수까지 반영해야 하는 단계가 되면, 품목마다 지표를 계산하고 오차 원인을 해석하는 데 드는 시간도 크게 늘어납니다. 임팩티브AI의 딥플로우(Deepflow)는 이 단계의 실무자를 위한 AI 수요예측 SaaS입니다.

SKU별 판매 패턴에 맞는 모델 자동 선정

딥플로우는 224개 이상의 머신러닝·딥러닝 모델 가운데 SKU마다 판매 패턴에 맞는 모델을 자동으로 선정하고, 75건의 특허 기술을 바탕으로 예측값을 산출합니다. 판매가 꾸준한 주력 품목과 판매가 들쭉날쭉한 품목에 서로 다른 모델이 적용되므로, 실무자가 품목마다 예측 방식을 따로 조정하는 수고를 덜 수 있습니다.

오차의 원인까지 설명하는 LLM 분석 리포트

품목별 오차 지표 및 정확도 수치와 미래 수요 변동 시계열 차트를 시각화한 Deepflow 수요예측 오차 지표 대시보드 인터페이스.

오차율 숫자만으로는 무엇을 바꿔야 할지 판단하기 어렵습니다. 딥플로우의 LLM 기반 분석 리포트는 과거 판매 추이, 예측 근거, 부서별 맞춤 실행 전략(Action Plan)을 자동으로 정리합니다. 영업, 생산, 구매 부서가 같은 예측 근거를 보며 각자의 대응 방안을 논의할 수 있어, 오차 원인을 해석하고 보고 자료를 만드는 시간을 줄일 수 있습니다. 실제로 일동후디스는 딥플로우 도입 후 재고 리스크를 26% 이상 줄였습니다.

단계별로 확장하는 오차 관리

수요예측 오차 관리는 MAPE로 현재 수준을 파악하는 데서 시작합니다. 여기에 WMAPE와 편향 지표를 차례로 더하고, 품목 수와 외부 변수가 늘어나는 시점에 AI 솔루션을 검토하면 조직 전체가 같은 숫자를 기준으로 논의하는 체계를 갖출 수 있습니다. 자사 판매 데이터로 어떤 예측 결과가 나오는지 궁금하다면 딥플로우 PoC로 직접 확인해 보세요.

‍

MAPE 자주 묻는 질문

MAPE와 WMAPE는 무엇이 다른가요?

MAPE는 시점별 오차율을 단순 평균하고, WMAPE는 전체 오차 합계를 전체 판매량 합계로 나눕니다. WMAPE는 판매량이 많은 시점의 오차에 더 큰 비중을 두며, 실제값이 0인 시점이 있어도 계산할 수 있습니다.

MAPE가 100%를 넘을 수 있나요?

넘을 수 있습니다. 예측값이 실제값의 두 배를 넘으면 그 시점의 오차율은 100%를 초과합니다. 과대 예측 쪽에는 오차율의 상한이 없기 때문입니다.

예측 정확도는 어떻게 계산하나요?

실무에서는 흔히 100%에서 MAPE를 뺀 값을 정확도라고 부릅니다. MAPE가 14.4%라면 85.6%입니다. 다만 관행적인 환산값이라 MAPE가 100%를 넘으면 음수가 나오는 한계가 있으므로, 보고할 때는 어떤 지표를 환산한 값인지 함께 적어 두는 것이 좋습니다.

sMAPE는 언제 쓰나요?

sMAPE는 실제값과 예측값의 평균을 분모로 쓰는 상대 오차로, 결과가 0~200% 범위로 제한된다는 점이 특징입니다. 이름과 달리 같은 크기의 오차라도 과소 예측에 더 큰 값이 나옵니다. 실제값이 100일 때 예측 90은 약 10.5%, 예측 110은 약 9.5%입니다. 또 실제값이 0이고 예측값이 0이 아니면 200%, 둘 다 0이면 계산할 수 없어 판매가 드문 품목에는 단독 지표로 쓰기 어렵습니다.

판매가 드문 품목은 어떤 지표로 보나요?

판매가 없는 시점이 잦은 간헐 수요 품목은 비율 기반 지표만으로 판단하기 어렵습니다. 이럴 때는 전 시점 실적을 그대로 쓰는 단순 예측의 평균 절대 오차 와 비교해 몇 배인지를 보는 MASE(평균 절대 척도 오차)가 대안으로 쓰입니다(Hyndman & Koehler, 2006). MASE가 1보다 작으면 해당 기준선보다 평균 오차가 작다는 의미입니다. 여기에 품절률이나 과잉 재고 같은 운영 지표를 함께 보면 오차가 실제 비용으로 이어지는지도 확인할 수 있습니다.

‍

뉴스레터 구독하기
최신 수요예측 인사이트와 업계 동향, 임팩티브AI가 전해드려요
무료 PoC 상담 신청하기
" "