GESTIN DE LA PRODUCCIN

Y OPERACIONES

PRONSTICOS DE
DEMANDA
Profesor: Francisco Yuraszeck
francisco.yuraszeck@unab.cl
Ingeniero Comercial Universidad Tcnica Federico Santa Mara
Master of Science en Marketing Universidad Adolfo Ibez
Socio Individual Instituto Chileno de Investigacin Operativa (ICHIO)

Mayo 2015

Pronsticos de Demanda y Monitoreo

de Errores
Los pronsticos son vitales para toda organizacin de
negocios, as como para cualquier decisin importante de la
gerencia.
El pronstico es la base de la planeacin corporativa a largo
plazo.

Los pronsticos al ser la base del plan de produccin,

cumplen un rol fundamental en las decisiones tctico
operacionales.
Por lo regular un pronstico perfecto es imposible.

Por qu?

Ejemplos

Sony subestim su demanda de Playstation 2, teniendo los clientes que

esperar semanas para recibir sus consolas
Microsoft Xbox pens que sera un xito similar. Al tener ms de
100.000 unidades en las tiendas sin vender, tuvo que reducir el precio
en $100 USD.
Las dosis de vacunas de influenza el 2002-2003 se sobreestimaron,
debiendo destruir 12 millones de dosis (de un total de 95 millones).
El ao siguiente se produjeron 87 millones, pero ese ao hubo escasez
causando muchas muertes, especialmente en Colorado.
Nike 2003 us un nuevo sistema computarizado para estimar la demanda,
sin mayor revisin del resultado que entregaba el software
Nike perdi 108 millones de dlares en ventas, y su accin cay un
33%.
Justo antes del lanzamiento del Iphone, Goldman Sachs aument la
estimacin de ventas del primer fin de semana de 350.000 a 700.000
unidades, y la demanda total de 4 a 5.3 millones de unidades
El primer fin de semana Apple no vendi todo sus equipos, cay su
accin un 6.1% y 2 meses despus tuvo que reducir el precio del Iphone
en $200 USD.

Ciclo del Pronstico de Demanda

4

Formular el
problema

Obtener
Informacin

Seleccin de un
mtodo

Implementar el
mtodo

Usar el pronstico

Evaluar el
mtodo

Pronsticos de Demanda y Monitoreo

de Errores
Se debe buscar el mejor mtodo de pronstico disponible
dentro de lo razonable.

La revisin y la actualizacin continua tomando en cuenta la

informacin nueva son bsicas para pronsticos exitosos.

Fuentes bsicas de la Demanda

Existen dos fuentes bsicas de la demanda: dependiente e
independiente.

Demanda Dependiente: es la demanda de un producto o

servicio provocada por la demanda de otros productos o
servicios.
Demanda Independiente: no se deriva directamente de la
demanda de otros productos.

Fuentes bsicas de la Demanda

Por ejemplo, si una empresa vende 1.000 triciclos, entonces se
van a necesitar 1.000 ruedas delanteras y 2.000 traseras. Este
tipo de demanda interna no necesita un pronstico, sino slo una
tabulacin (demanda dependiente).

Por otra parte la cantidad de triciclos que la empresa podra

vender es la demanda independiente.

Fuentes bsicas de la Demanda

En cuanto a la demanda independiente, una empresa puede
adoptar distintas estrategias:

1) Adoptar un papel activo para influir en la demanda (a

travs de un mix de las variables del marketing operativo)
2) Adoptar un papel pasivo y simplemente responder a la
demanda.

Mtodos de Pronsticos
El pronstico se puede clasificar en cuatro tipos bsicos:
Cualitativo o subjetivos
Anlisis de series de tiempo
Relaciones causales
Simulacin

Mtodos de Pronsticos
Aplicacin de
los
Pronsticos
Diseo de
Procesos

Horizonte de
Tiempo

Exactitud
Requerida

N de
Productos

Nivel
Administrativ
o

Mtodo de
Pronstico

Largo Plazo

Mediana

Uno o Pocos

Alto

Cualitativos y
Causales

Planeacin de
Capacidad de
Instalaciones

Largo Plazo

Mediana

Uno o Pocos

Alto

Cualitativos y
Causales

Planeacin
Agregada

Mediano
Plazo

Alta

Pocos

Medio

Causales y
Series de
Tiempo

Corto Plazo

Superior

Muchos

Bajo

Series de
Tiempo

Corto Plazo

Superior

Muchos

Bajo

Series de
Tiempo

Programacin
de
Actividades
Administraci
n de
Inventarios

Mtodos de Pronsticos
La seleccin de la tcnica de pronstico a utilizar est influida
por diversos factores:

La precisin deseada del pronstico

El costo del procedimiento
Los periodos futuros a proyectarse
La disponibilidad de personal calificado
Validez y disponibilidad de datos histricos
Se debe buscar:
Precisin y objetividad
Sensibilidad

Mtodos Cualitativos o Subjetivos

Es utilizado cuando los mtodos cuantitativos basados en
informacin histrica no pueden explicar por si solos el
comportamiento futuro esperado de alguna de sus variables, o
cuando no existen suficientes datos histricos.

Este tipo de mtodos son subjetivos, basados en juicios y

opiniones.

Mtodos Cualitativos o Subjetivos

Tcnicas acumulativas: Deriva un pronstico a travs de la
compilacin de entradas de aquellos que se encuentran al final
de la jerarqua y que tratan con lo que se pronostica. Por
ejemplo, un pronstico de ventas se puede derivar combinando
las entradas de cada uno de los vendedores que estn ms
cerca de su territorio.

Investigacin de Mercados: Se establece para recopilar datos

de varias formas (encuestas, entrevistas, etc) con el fin de
comprobar hiptesis acerca del mercado. Por lo general, se usa
para pronosticas ventas a largo plazo y de nuevos productos.

Mtodos Cualitativos o Subjetivos

Grupos de Consenso: Intercambio libre en reuniones. La idea
es que la discusin en grupo produzca mejores pronsticos que
cualquier individuo. Los participantes pueden ser ejecutivos,
vendedores o clientes.

Analoga Histrica: Relaciona lo pronosticado con un artculo

similar. Es importante al planear nuevos productos en los que las
proyecciones se pueden derivar mediante el uso del historial de
un producto similar.

Mtodos Cualitativos o Subjetivos

Mtodo Delphi: Es probablemente la tcnica cualitativa que ms se utiliza.
Un grupo de expertos responde un cuestionario. Un moderador recopila los
resultados y formula un nuevo cuestionario que se presenta al grupo. Por lo
tanto existe un proceso de retroalimentacin para el grupo mientras recibe
informacin nueva. No existe influencia por la presin del grupo o individuos
dominantes.

Mtodos Causales
Proyeccin del mercado en base a datos histricos.
Buscar la causa del comportamiento de la variable a
proyectar relacionndola con variables explicativas.

Las variables explicativas son variables independientes, que

determinan en consecuencia las variables a proyectar.

Mtodos Causales
Los modelos causales de uso ms frecuente son:
Modelo de Regresin
Modelo Economtrico
Mtodo de encuestas de intenciones de compra
Modelo de insumo-producto

Modelos de Serie de Tiempo

Se refieren a la medicin de una variable en el tiempo a
intervalos espaciados uniformemente.

El objetivo de la identificacin de la informacin histrica es

determinar un patrn bsico en su comportamiento, que permita
la proyeccin futura de la variable deseada.
Por ejemplo, las ventas trimestrales recopiladas durante los
ltimos aos se pueden utilizar para pronosticar los trimestres
futuros.

Componentes de la Serie de Tiempo

En una serie histrica de datos existen cuatro patrones bsicos
que pueden o no presentarse en dicha serie:

La tendencia
La estacionalidad
El componente cclico
La componente no sistemtica

Componentes de la Serie de Tiempo

Cantidad

Demanda sin tendencia

ni estacionalidad

Demanda con estacionalidad

Ao 2
Ao 1

Cantidad

Demanda con tendencia

Tiempo

Tiempo

Tiempo

Cantidad

20

Modelos de Proyeccin (ST)

Los modelos de series de tiempo ms usados son:
Promedios de Mviles Simples
Promedios de Mviles Ponderados
Alisamiento (o Suavizamiento) Exponencial
Mtodo de Descomposicin

Promedios Mviles Simples

Cuando la demanda de un producto no crece ni baja con
rapidez y si no tiene caractersticas estacionales, un promedio
mvil puede ser til para eliminar las fluctuaciones aleatorias
del pronstico.

Es una tcnica que se utiliza en pronsticos a corto plazo.

Es un mtodo que requiere de una serie histrica para obtener
el valor a pronosticar.

Promedios Mviles Simples

Esta tcnica tiene algunas limitaciones:
Requiere mucha informacin
No se adapta rapidamente al cambio. Cuanto ms largo sea
el periodo del promedio mvil, ms se uniformarn los
elementos aleatorios, pero si existe una tendencia en los datos,
el promedio mvil tiene la caracterstica adversa de retrasar la
tendencia. Por lo tanto, aunque el periodo ms corto produce
ms oscilacin, existe un seguimiento cercano a la tendencia.

Promedios Mviles Simples

La frmula de un promedio mvil simple es:

Promedios Mviles Simples (Ejemplo)

Promedios Mviles Simples (Ejemplo)

Pronstico de la demanda para promedios mviles de tres y
cinco semanas comparados con la demanda:

Promedio Mvil Ponderado

Permite asignar cualquier importancia a cada elemento siempre
y cuando la suma de todas las ponderaciones sea igual a uno.

La experiencia y las pruebas son las formas ms sencillas de

elegir las ponderaciones.
Por regla general, el pasado ms reciente es el indicador ms
importante de lo que se espera en el futuro y, por lo tanto,
debe tener una ponderacin ms alta.
No obstante, si los datos son estacionales, las ponderaciones se
deben establecer en forma correspondiente.

Promedio Mvil Ponderado

Cuando existe una tendencia, las ponderaciones pueden ser
utilizados para poner ms nfasis en los valores recientes.

Donde:
At-i : demanda real del periodo (t-i)
n : nmero de periodos incluidos en el promedio
pt-i: ponderacin del periodo (t-i);
Ft : pronostico para el periodo t

Promedio Mvil Ponderado

Consideremos el siguiente ejemplo para obtener un promedio
ponderado para 3 semanas utilizando las siguientes
ponderaciones:
SEMANA DEMANDA SEMANA DEMANDA
1
800
16
1700
2
1400
17
1800
3
1000
18
2200
4
1500
19
1900
5
1500
20
2400
6
1300
21
2400
7
1800
22
2600
8
1700
23
2000
9
1300
24
2500
10
1700
25
2600
11
1700
26
2200
12
1500
27
2200
13
2300
28
2500
14
2300
29
2400
15
2000
30
2100

N-1
N-2
N-3

70%
20%
10%

Promedio Mvil Ponderado

Promedio Mvil Ponderado

3.000

2.500

2.000
DEMANDA
1.500

N=3
N=9
Prom. Pond

1.000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Alisamiento Exponencial
En estos mtodos, cada vez que se aade un nuevo dato, se
elimina la observacin ms antigua y se calcula el nuevo
pronstico.
Considera vlida la premisa de que la importancia de los datos
disminuye mientras ms antiguos sean.

El alisamiento o suavizacin exponencial es una de las tcnicas

ms utilizada de pronstico.

Alisamiento Exponencial
El nombre se debe a que cada incremento del pasado se
reduce en (1 - ). Para realizar el pronstico slo se necesitan
tres datos: el pronstico ms reciente, la demanda que se
present para ese perodo y una constante de suavizamiento .
Donde:
F(t) = El pronstico suavizado exponencialmente para el
periodo t
F(t-1) = El pronstico suavizado exponencialmente para el
periodo anterior
A(t-1) = La demanda real para el periodo anterior
= El ndice de respuesta deseado o constante de alisamiento

Constante : Alisamiento Exponencial

tiene un valor entre 0 y 1.
Esta constante determina el nivel de suavizamiento y la
velocidad de reaccin ante las diferencias entre pronsticos y
hechos.
Si la demanda real es estable, un pequeo reduce los
efectos de cambios a corto plazo.
Si la demanda real aumenta o decrece con rapidez un de
gran magnitud puede seguir el ritmo de los cambios.
La principal desventaja de este mtodo es que no se puede
pronosticar el valor de .
Se requiere un mtodo para rastrear y cambiar los valores
de , de manera de ajustarlo a los datos reales.

Alisamiento Exponencial
Para poner en marcha el mtodo de alisamiento exponencial se
requiere de un pronostico inicial. Hay dos formas de realizar el
pronostico inicial.
Usar la demanda del ltimo periodo.
Calcular el promedio de varios periodos recientes de
demanda.

Ejemplo: Alisamiento Exponencial

Ejemplo: Alisamiento Exponencial

Ejemplo: Alisamiento Exponencial

3.500
3.000
2.500
2.000
1.500
1.000
500
0
ENE

FEB

MAR
DEMANDA

ABR

MAY

JUN

ALFA = 0,1

JUL

AGO

ALFA = 0,5

SEP

OCT

ALFA = 0,9

NOV

DIC

Constante : Alisamiento Exponencial

El suavizamiento exponencial requiere de dar a la constante
un valor entre 0 y 1.

Si la demanda real es estable (como la demanda de

electricidad o alimentos), sera deseable un pequeo para
reducir los efectos de los cambios a corto plazo o aleatorios.
Si la demanda real aumenta o disminuye con rapidez (como en
los artculos de moda) se busca un grande para tratar de
seguir el paso al cambio.

Mtodos de Descomposicin
Considera simultneamente los patrones de una serie histrica
de datos:

La tendencia
El componente cclico
El componente estacional
Componente no sistemtico

Mtodos de Descomposicin
El mtodo de descomposicin considera que los cuatro
componentes se relacionan a travs de:

S= T C Y +
Donde:
S= Valor pronosticado
T= Factor de tendencia
C= Componente cclico
Y= Componente estacional
= Variacin no sistemtica

Ejemplo: Mtodos de Descomposicin

Ejemplo: Mtodos de Descomposicin

Paso 1
Calcular
el
factor
de
estacionalidad, realizando el
cuociente entre el valor
pronosticado
segn
el
promedio mvil y el valor real
de la demanda.

Ejemplo: Mtodos de Descomposicin

Ejemplo: Mtodos de Descomposicin

Paso 2
Se calcula el factor de estacionalidad promedio para cada
perodo.

Ejemplo: Mtodos de Descomposicin

Paso 3
Ajustar cada factor promedio, multiplicndolo por el factor de
estacionalidad K, calculado de:

En nuestro ejemplo:

Ejemplo: Mtodos de Descomposicin

Paso 4
Calcular la tendencia, ajustando los datos a una regresin
simple:
x(i) =1,2,...48 (perodos)
y(i) = dda(i) (demanda)

y = mx + b
con m = -36.6 ; b= 25.465

=> s(t) = -36,6*t + 25.465

Ejemplo: Mtodos de Descomposicin

45.000
40.000
35.000
30.000
25.000
20.000
15.000

y = -36,648x + 25465
R = 0,008

10.000
5.000
0
1

9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47

Ejemplo: Mtodos de Descomposicin

Recuerde
Para encontrar los valores de las variables a y b, en cualquier
lnea de regresin, se pueden utilizar las siguientes ecuaciones.

Ejemplo: Mtodos de Descomposicin

Paso 5
Se calcula el factor cclico de la serie histrica a partir de la
siguiente expresin:

En nuestro ejemplo:
Enero 1991 t = 13

Ejemplo: Mtodos de Descomposicin

Paso 6
Determinar el factor cclico promedio para cada perodo

Ejemplo: Mtodos de Descomposicin

Paso 7
Se realiza el pronostico en base a la siguiente relacin

S(t)= T(t) Y C +
Donde:
S= Valor pronosticado
T= Factor de tendencia
C= Componente cclico
Y= Componente estacional
= Variacin no sistemtica

Ejemplo: Mtodos de Descomposicin

En nuestro ejemplo:
Enero de 1994

t=49

T(49) = -36,6*49+25.465 = 23.672

Y = 146,5/100
C = 1,0051

=> S(49) = 34.785

Errores de Pronsticos
El trmino error se refiere a la diferencia entre el valor del
pronstico y lo que ocurri en la realidad.

La demanda de un producto se genera mediante la interaccin

de varios factores demasiado complejos para describirlos con
precisin en un modelo. Por lo tanto, todas las proyecciones
contienen algn grado de error.
Al analizar los errores de pronstico, es conveniente distinguir
entre las fuentes de error y la medicin de errores.

Fuentes de Error
Los errores se pueden clasificar como sesgados o aleatorios.
Los errores sesgados ocurren cuando se comete un error
consistente. Las fuentes de sesgo incluyen el hecho de no incluir
las variables correctas, el uso de relaciones equivocadas entre
las variables, etc.

Los errores aleatorios se definen como aquellos que el modelo

de pronstico utilizado no puede explicar.

Medicin de Errores
Varios trminos comnmente empleados para describir el grado
de error son el error estndar, error cuadrado medio (o
varianza) y desviacin absoluta media (MAD).
La desviacin absoluta media (MAD) es el error promedio en
los pronsticos, mediante el uso de valores absolutos.

Es valiosa porque, al igual que la desviacin estndar, mide la

dispersin de un valor observado en relacin con un valor
esperado.
En resumen la MAD es igual a la suma de las desviaciones
absolutas dividida entre el nmero de perodos.

Medicin de Errores
Recuerde que el error de un pronstico se define como:

E(t) = A(t) F(t)

Donde:
A(t) : demanda real del periodo t.
F(t) : pronostico para el periodo t.
E(t) : error en el periodo t.

Medicin de Errores
La expresin para la Desviacin Media Absoluta (MAD) es:

Desviacin Estndar del Error es:

Desviacin Absoluta Media (MAD)

Cuando los errores que ocurren en el pronstico tienen una
distribucin normal (el caso ms comn) la desviacin absoluta
media se relaciona con la desviacin estndar como:

1 desviacin estndar 1,25 MAD

Por el contrario
1 MAD 0,8 desviaciones estndar

Desviacin Absoluta Media (MAD)

TS (#
MADs)

% datos dentro
del rango

+- 1

57.62 %

+-1.5

76.98%

+-2

89.04%

+-3

98.36%

+-4

99.86%

Seal de Rastreo
Una manera de monitorear los pronsticos para asegurar que
se estn llevando a cabo en forma adecuada es el empleo de
una seal de rastreo.
Una seal de rastreo es una medida de desempeo de la
efectividad del pronostico, al predecir los valores reales. Al
actualizar los pronsticos en forma semanal, mensual o
trimestral, el nuevo valor disponible de la demanda se compara
con los valores pronosticados.

Seal de Rastreo
La seal de rastreo se calcula como la suma de los errores de los
pronsticos dividido entre la desviacin media absoluta.

El numerador de la seal de rastreo consiste en la suma corriente de

los errores pronosticados, considerando la naturaleza del error (por
ejemplo, los errores negativos cancelan los positivos y viceversa)

Ejemplo

Comentarios
Es posible formarse una mejor idea sobre lo que la MAD y la
seal de seguimiento significan trazando los puntos en una
grfica. Aunque esto no es completamente legitimo dado el
tamao de la muestra de nuestro ejemplo, se grafica cada mes
de modo de mostrar el cambio en la seal de seguimiento.

Comentarios
Observe que cambi de menos 1 MAD a ms 3.3 MAD. Esto
sucedi porque la demanda real fue mayor que el pronstico
en cuatro de los seis periodos.
Si la demanda real no cayera por debajo del pronstico para
compensar el numerador de la seal de rastreo positiva
continua, la seal de seguimiento seguira aumentando y se
llegara a la conclusin de que suponer una demanda de 1.000
mensual constituye un mal pronstico.

Comentarios
Los lmites aceptables para la seal de seguimiento dependen
del tamao de la demanda pronosticada (los artculos de
volumen alto o ingreso alto se deben vigilar con frecuencia) y la
cantidad de tiempo del personal disponible (los lmites
aceptables ms estrechos hacen que mayor cantidad de
pronsticos estn fuera de los lmites y por lo tanto requieren de
ms tiempo para investigarlos).