In statistica accademica si valutano i modelli con metriche simmetriche come il MAPE o l'RMSE, trattando un errore del +10% esattamente come un errore del -10%. Nel business reale, questa equivalenza non esiste ed è altamente fuorviante.
Per un'azienda manifatturiera, una sottostima della domanda del 10% (stockout, ritardi di consegna, perdita di clienti) ha conseguenze finanziarie e operative radicalmente diverse da una sovrastima del 10% (costo del capitale immobilizzato in scorte, obsolescenza).
L'integrazione di funzioni di costo (o 'loss functions') asimmetriche direttamente nell'ottimizzazione dell'algoritmo permette di allineare i modelli al conto economico dell'azienda. Il modello impara a errare sul lato 'meno costoso', proteggendo attivamente i margini operativi.