Este artículo enfatiza la importancia de la previsión de la demanda en la gestión de inventarios en entornos empresariales dinámicos y competitivos. Para superar las limitaciones de las métricas de evaluación de un solo factor, como MAE y RMSE, proponemos una novedosa función de evaluación, la Función de Evaluación Jerárquica (HEF), que incorpora penalizaciones adaptativas dentro de un marco jerárquico y dinámico. HEF integra R2, MAE y RMSE y aprovecha técnicas de optimización como Grid Search, Particle Swarm Optimization (PSO) y Optuna para evaluar el rendimiento de diversos modelos de previsión en los conjuntos de datos Walmart, M3, M4 y M5. Los resultados experimentales demuestran que HEF supera a las métricas de evaluación convencionales basadas en MAE en R2, Precisión Relativa Global, RMSE y RMSSE, y, en particular, mejora la estabilidad y la explicabilidad frente a errores extremos. Sin embargo, MAE mantiene sus ventajas en simplicidad y eficiencia computacional. Por lo tanto, HEF presenta una alternativa potente y adaptativa para la selección de modelos y la optimización de hiperparámetros en entornos altamente volátiles.
