Apuntes - Winters (Prevision de La Demanda) PDF

PREVISIN DE LA DEMANDA
1. Introduccin
1.1. Necesidad y uso de las previsiones en las empresas
1.2. Principios bsicos en previsin de la demanda
2. Seleccin y tipos de tcnicas de previsin de la demanda
2.1. Factores a considerar en la seleccin de tcnicas de previsin de la demanda
2.2. Tipos de tcnicas de previsin de la demanda
2.2.1. Tcnicas cualitativas
2.2.2. Tcnicas cuantitativas
3. Modelos de previsin de la demanda basados en series temporales
3.1. Modelos de media mvil
3.1.1. Media mvil
3.1.2. Media mvil ponderada
3.2. Modelos de alisado exponencial
3.2.1. Alisado exponencial simple
3.2.2. Mtodo de Winters
3.2.3. Estudio del error
4. Ejemplo de definicin y uso del mtodo de Winters

Organizacin de la Produccin
ETSI Industriales
Universidad Politcnica de Madrid

Previsin de la demanda
U.D. Organizacin de la Produccin ETSI Industriales Universidad Politcnica de Madrid 1 de 27
1. Introduccin

La satisfaccin de la demanda es uno de los fines de cualquier sistema productivo, siendo
sta la que, directa o indirectamente, desencadena los procesos de distribucin, de
produccin y de aprovisionamiento.

Al planificar la produccin, se va a tratar de acoplar la fabricacin de productos con su
demanda, que finalmente se manifiesta mediante operaciones de venta, normalmente en
forma de pedidos.

Aunque puede darse el caso de que un sistema productivo funcione sin estimaciones de
demanda, un nmero muy elevado de decisiones que se toman en la empresa est basado
en previsiones. Un fabricante de un producto con un plazo de entrega al cliente
suficientemente grande podra trabajar directamente a partir de los pedidos que recibe,
pero, de cara a la toma de decisiones a medio y largo plazo, sin duda le es de gran
importancia disponer de informacin acerca de pedidos que an no ha recibido y pueden
llegar en un futuro ms o menos prximo. Esto es lo que se pretende mediante la previsin
de la demanda.

1.1. Necesidad y uso de las previsiones en las empresas

Las previsiones son utilizadas por diferentes reas funcionales de la empresa para la toma
de diversos tipos de decisiones. Como se puede observar en los ejemplos contenidos en la
figura 1, un subsistema de la organizacin puede requerir previsiones realizadas a menor o
mayor plazo con el fin de desempear funciones que pueden tener desde un carcter
estratgico hasta uno meramente operativo.

Necesitada por
Ventas/produccin 5 aos Produccin Dimensionamiento y planes de expansin
Ventas prximo ao Finanzas Presupuestos
Ventas Establecimiento de cuotas de vendedores
Distribucin fsica Negociacin de transportes
Produccin Planificacin, polticas de stock
Compras Negociacin y planes con proveedores
Ventas prximo trimestre Produccin Planificacin de materiales y capacidad
Compras Planes de entregas
Ventas prxima semana Produccin Programacin
Distribucin fsica Rutas y expedicin
Previsin
C
O
R
T
O

/

M
E
D
I
O

/

L
A
R
G
O

P
L
A
Z
O
para
Comercial Determinacin del
crecimiento potencial total del mercado
Evolucin del entorno Comercial Determinacin del
crecimiento potencial total del mercado
Evolucin del entorno

Figura 1: Utilizacin de previsiones en la empresa

1.2. Principios bsicos en previsin de la demanda

Para manejar la creciente variedad y complejidad de los problemas de previsin se han
desarrollado diversas tcnicas. No obstante, como caractersticas comunes a todas ellas se
pueden indicar las siguientes:

Cuanto menor es el plazo de la previsin, mayor es la precisin de la misma. En
efecto, se consigue una mayor precisin en previsiones a corto plazo que en
previsiones a largo plazo. En la mayora de las tcnicas de previsin de la demanda se
basan en el comportamiento pasado de la demanda. A mayor horizonte, mayor
posibilidad de cambios en estas pautas de la demanda.

Cuanto mayor es la agregacin de la previsin, mayor es su precisin. Por ejemplo, se
logra una mayor precisin al prever ventas de un tipo de automvil que al prever las
ventas de una de las numerosas versiones de este tipo. En general, disminuye la
variabilidad ya que pueden compensarse cambios puntuales en los objetos agregados.

Es necesario validar un sistema de previsin antes de utilizarlo. Esta validacin se
realiza normalmente utilizando datos histricos.

El conocimiento acerca del error de la previsin es tan importante como la previsin
misma. Cuando se utiliza una tcnica de previsin, las estimaciones de su fiabilidad,
en trminos de margen de error, constituyen una informacin fundamental a la hora de
utilizar los valores de las previsiones. De esta forma, el resultado del uso de un sistema
de previsin, adems del valor esperado de la demanda, proporciona informacin
acerca de la dispersin estimada para sta. Asimismo, el estudio de los errores
cometidos por un sistema de previsin puede revalidar el uso del sistema o puede
aconsejar la toma de medidas correctoras debido a un funcionamiento no aceptable del
sistema.

2. Seleccin y tipos de tcnicas de previsin de la demanda

No pueden realizarse comparaciones entre tcnicas de previsin de la demanda sin atender
distintos aspectos del proceso de elaboracin de previsiones y de su entorno, que van a
condicionar la pertinencia del uso de cualquiera de estas tcnicas.

2.1. Factores a considerar en la seleccin de tcnicas de previsin de la demanda

A continuacin se relacionan algunos factores que condicionan el proceso de elaboracin
de previsiones y, por lo tanto, han de ser considerados a la hora de seleccionar qu tcnica
de previsin de la demanda utilizar:

Tipo de previsin. Bajo este aspecto, cabe considerar:
se trata de hacer una previsin puntal o de realizar una serie de previsiones a lo
largo de un conjunto de periodos de tiempo?
quin va a ser el destinatario de la previsin?
cul es el grado de novedad del atributo a prever? es algo completamente nuevo
o lo es solamente para la organizacin?

Horizonte temporal. Condiciona de una forma importante puesto que al aumentar el
horizonte de la previsin van a perder precisin o incluso dejar de ser utilizables las
tcnicas de previsin basadas en las pautas histricas de la demanda.

Disponibilidad de datos. Es un requisito imprescindible para poder utilizar
determinadas tcnicas de previsin de la demanda, en cualquier caso para validar el
sistema de previsin y la cantidad de datos histricos puede determinar una mejor o
peor puesta en marcha o inicializacin del sistema.

Precisin deseada y coste del sistema. Lo ideal sera disponer del sistema de previsin
de la demanda ms preciso (con el que se cometieran menos errores) y menos costoso.
Como coste del sistema no hay que tener en cuenta solamente el derivado de su puesta
en funcionamiento (software, personal) sino tambin el derivado de su utilizacin
(obtencin de resultados, interpretacin y anlisis). Sin embargo, cuanto mayor pueda
ser la precisin de un sistema de previsin, mayor va a ser su coste. Esto se ha
ilustrado en la figura 2, asociando a un sistema de previsin el coste derivado de la
falta de precisin (por ejemplo, incremento de stocks de seguridad derivado de la
mayor incertidumbre).

Coste
Precisin
Coste
Precisin
Coste del
SISTEMA
Coste del
SISTEMA
Coste de la
FALTA de
PRECISIN
Coste de la
FALTA de
PRECISIN
COSTE
TOTAL
COSTE
TOTAL
Modelos
estadsticos
sencillos
Modelos
estadsticos
sofisticados
Regresin
mltiple
Otros
modelos
causales
Modelos
estadsticos
sencillos
Modelos
estadsticos
sofisticados
Regresin
mltiple
Otros
modelos
causales

Figura 2: Coste y precisin en sistemas de previsin de la demanda

Como en otras situaciones de compromiso o trade off, el equilibrio no suele decantarse
hacia la alternativa de menor coste o de mayor precisin, sino que se encuentra en un
sistema de precisin aceptable y con un coste no excesivo.

Ciclo de vida del producto

En la figura 3 se representa el ciclo de vida de un producto.

Ventas
Tiempo
GESTACIN
DISEO
MADUREZ
V
E
J
E
Z
D
E
C
A
D
E
N
C
I
A
MUERTE
RETIRADA
N
I
E
Z
L
A
N
Z
A
M
IE
N
T
O
J
U
V
E
N
T
U
D
C
R
E
C
I
M
I
E
N
T
O

Figura 3: Ciclo de vida de un producto

La problemtica de la previsin de la demanda es diferente en distintas fases:

o La madurez de un producto puede considerarse caracterizada por la estabilidad, lo
que facilita el uso de tcnicas basadas en pautas de comportamiento de la demanda,
ya que, adems, se dispone de datos histricos.
o En la fase de crecimiento se plantea no slo determinar la tendencia sino identificar
cuando remite porque se est entrando en la fase de madurez.
o Los principales problemas se encuentran en la intrnsecamente inestable fase de
lanzamiento. Un fallo por defecto del sistema de previsin, que impida satisfacer
las necesidades de un producto con xito, puede contribuir a la mortalidad infantil,
caracterstica de esta fase.

Facilidad de operacin y comprensin

El ltimo de los aspectos relacionados para la seleccin de tcnicas de previsin es, en
muchas ocasiones, el que ms condiciona el xito en la utilizacin de un sistema de
previsin de la demanda.

En algunas organizaciones es posible contar con un experto en tcnicas de previsin y
en informtica, que permita explotar las posibilidades de un sistema complejo. Sin
embargo, es comn obtener mejores prestaciones de un sistema de previsin de la
demanda fcil de usar que de otro con mayores posibilidades pero mucho ms
complejo.

Algn software dedicado a la previsin de la demanda puede ser encontrado entre las
aplicaciones informticas que, reuniendo un gran potencial, quedan arrinconadas o fuera
de uso debido a la complejidad de su utilizacin, para la interpretacin y anlisis de los
resultados.

2.2. Tipos de tcnicas de previsin de la demanda

Existen dos tipos bsicos de mtodos de previsin: los de carcter cualitativo y los de
carcter cuantitativo.

2.2.1. Tcnicas cualitativas

Suele basarse en opiniones, de ah la naturaleza subjetiva de la informacin de partida.
Esta informacin de partida puede, o no, tomar en consideracin el pasado y tiene, en
muchas ocasiones, carcter cualitativo, aunque la previsin resultante se cuantifique
usando un aparato matemtico sencillo.

En general, estas tcnicas se utilizan cuando los datos son escasos; por ejemplo, cuando se
introduce un producto por primera vez en un mercado.

Su objetivo es agrupar toda la informacin y los juicios relativos al objeto de la previsin
de una forma lgica y sistemtica. Tales tcnicas se utilizan frecuentemente en reas
relacionadas con las nuevas tecnologas, donde las tasas de aceptacin y penetracin en el
mercado son inciertas.

Entre estas tcnicas se pueden citar:

Estudios de mercado (encuestas, pruebas,...)
Mtodo Delphi (consulta iterativa con expertos)
Agregacin de opiniones de la fuerza de ventas
Ajuste subjetivo de curvas (p.ej. mediante analoga histrica)

2.2.2. Tcnicas cuantitativas

Las tcnicas cuantitativas parten del registro de datos de ventas y de otras informaciones
cuantitativas que pueden ser relacionadas con el objeto de la previsin. En estas tcnicas se
utilizan o se construyen determinados modelos cuantitativos ms o menos complejos que,
aplicados a los datos disponibles, dan lugar a las previsiones de la demanda.

Entre las tcnicas cuantitativas es posible identificar dos familias:

Modelos basados en el anlisis de series temporales

Con el uso del anlisis de series temporales, se realizan las previsiones de demanda de
un producto observando la evolucin de las ventas del producto a lo largo del tiempo y
buscando la identificacin de pautas en los datos histricos de ventas. Por lo tanto, en
los modelos basados en series temporales, la nica variable explicativa de la demanda
de un producto es el tiempo.

Es el tipo de modelos que se aborda con mayor grado de detalle en este tema, por lo
que se desarrolla en el siguiente apartado.

Modelos Causales

Utilizan informacin altamente refinada y especfica sobre las relaciones entre el
atributo a prever (en este caso la demanda de un producto) y otros factores.

Cuando existen datos histricos, y se ha efectuado la suficiente labor de anlisis para
explicar las relaciones causales entre lo que ha de proyectarse y un conjunto de
factores (sociales, econmicos, tecnolgicos, etc.), se construye un modelo causal.

El modelo puede tambin incorporar los resultados de un anlisis previo de series
temporales que permita realizar previsiones para las variables explicativas de la
demanda de un producto. De esta forma, es posible aplicar las relaciones causales
sobre las previsiones de las variables explicativas y as determinar la previsin de la
demanda en cuestin (variable a explicar).

Entre los tipos ms comunes de tcnicas causales se pueden citar:

o Modelos de regresin
o Modelos economtricos
o Estudios de motivaciones de compra
o Modelos INPUT-OUTPUT

3. Modelos de previsin de la demanda basados en series temporales

Se centran enteramente sobre el comportamiento pasado de las ventas de un producto y sus
correspondientes cambios, extrapolando este comportamiento hacia el futuro. Por lo tanto,
se basan por completo en los datos histricos.

Estas tcnicas se utilizan cuando las pautas de las ventas de un producto son claras y
relativamente estables.

Entendiendo como serie temporal cualquier conjunto de datos ordenados en el tiempo, por
ejemplo, las ventas mensuales de un determinado producto durante varios aos, cualquiera
de los datos y, por extensin, el conjunto de la serie se puede considerar integrado por los
siguientes componentes:

Referencia o componente estacionario, horizontal o estable. Como su propio nombre
indica, sera el valor que tomara la demanda de no existir los otros componentes.
Dicho desde el punto de vista del modelo de previsin es el valor sobre el cual se
aplica el resto de los componentes de la serie temporal para realizar una previsin.

Tendencia. Se trata de un alza o baja sostenida de los datos. Se cuantifica expresando
el aumento o disminucin que experimenta la referencia de un periodo de tiempo al
siguiente.

Estacionalidad. Se pone de manifiesto como una variacin sistemtica en la serie de
datos, que se repite con la misma intensidad con una determinada frecuencia a lo largo
del tiempo, lo que da lugar a un ciclo de estacionalidad (por ejemplo, el ao o la
semana) donde en cada periodo de tiempo (por ejemplo, mes o da) la demanda
experimenta el mismo tipo de variacin respecto a la referencia. Segn la forma en que
se manifieste y se cuantifique, la estacionalidad puede ser

o Aditiva. Se estima que la demanda de cada periodo de tiempo del ciclo de
estacionalidad aumenta o disminuye en una determinada cantidad (a sumar o
restar de la referencia)
o Multiplicativa. Se estima que la demanda de cada periodo de tiempo del ciclo de
estacionalidad aumenta o disminuye en una determinada proporcin (a
multiplicar). Se cuantifica determinando el ndice de estacionalidad de cada
periodo del ciclo de estacionalidad. Un ndice de estacionalidad mayor que uno
significa que en el periodo en cuestin la demanda es sistemticamente mayor
que la referencia precisamente en esa proporcin.

Componente cclico. Se trata de variaciones en la tendencia. Adems de la escala
temporal (estos fenmenos se identifican a lo largo de varios ciclos de estacionalidad) ,
este componente difiere de la estacionalidad en que su recurrencia (el tamao del
ciclo) no es regular. Mientras la estacionalidad de un mes se manifiesta
indefectiblemente de forma peridica anual, el efecto expansivo y recesivo del
componente cclico no est sometida a una periodicidad regular. En los modelos
sencillos, normalmente quedan excluidos estos efectos cclicos.

Componente aleatorio. Es el componente responsable de que, por definicin, toda
previsin conlleve un error al contrastarse con la realidad al cabo del tiempo. Por su
propia naturaleza, no es posible predecirlo ni eliminarlo. Este componente se pone
de manifiesto en las diferencias entre realidad y previsin (errores). Sin embargo, si se
determina que los errores observados no corresponden a un media cero, puede
establecerse que el modelo de previsin no est bien ajustado, ya que conduce a
errores sesgados. Tal tipo de errores pone de manifiesto que se ha estimado mal algn
componente ya que se est fallando sistemticamente en una misma direccin.

Las tcnicas basadas en el anlisis de series temporales se fundamentan en la suposicin de
que las pautas de los datos existentes continuarn cumplindose en el futuro. Esta
suposicin es bastante ms correcta cuando se aplica a corto plazo que cuando se hace a
largo plazo y, por esta razn, estas tcnicas nos proveen de estimaciones razonablemente
buenas para el futuro inmediato, no siendo as para un futuro lejano.

A continuacin se presentan, de mayor a menor complejidad, los mtodos de previsin
basados en series temporales ms comnmente utilizados para la estimacin de la demanda
de productos con un comportamiento histrico suficientemente estable, bajo la hiptesis de
que la demanda mantendr esas pautas en el futuro.

En estos mtodos, se supone que la previsin se hace al final de un periodo, del cual ya se
conocen las cifras de ventas.

3.1. Modelos de media mvil

3.1.1. Media mvil

El mtodo estadstico ms sencillo para estimar la demanda de un artculo es utilizar como
previsin para el prximo periodo (mes) las media de las ventas de los ltimos meses.

Formalmente, si se denomina m
t
a la previsin que se realiza en el periodo t para las ventas
que se esperan en el periodo t+1, si se aplica la media mvil a los datos histricos de
demanda d
i
de los n ltimos meses i, esta previsin es:

m
t
= (d
t-(n-1)
+ d
t-(n-2)
+...+ d
t
)/n

Se denomina media mvil puesto que cada mes se utiliza la media aritmtica de las ventas
de los ltimos n meses, con lo que el conjunto de n datos que se utiliza se va moviendo de
un mes al siguiente, suprimindose el dato ms antiguo e incorporndose el ms reciente
(la demanda del mes en que se realiza la previsin).

La determinacin del nmero de periodos n para la realizacin de la media es una decisin
que ha de tomar el responsable del sistema de previsin, teniendo en cuenta que, cuanto
mayor sea el valor de n:

es necesaria una mayor capacidad de almacenamiento de datos;
tienen menos peso en la previsin los datos ms recientes;
la previsin identifica con mayor lentitud cambios en el comportamiento de la
demanda;
se amortiguan, y por tanto tienen menos influencia en la previsin, valores atpicos de
la demanda.

En cualquier caso, al utilizar la media mvil se ponderan igual los datos,
independientemente de su antigedad, es decir, en la determinacin de la previsin tienen
igual influencia las ventas de periodos ms recientes que las de otros anteriores.
Intuitivamente, parece oportuno dar mayor importancia a los datos ms recientes,
fenmeno ste que se pretende tener en cuenta con los mtodos siguientes.

3.1.2. Media mvil ponderada

En esta variante de la media mvil, se dota de diferente peso a los n datos de ventas que se
utilizan para la previsin, de manera que se puede dar mayor importancia en la
determinacin de sta a los datos ms recientes.

Formalmente, si se denomina mp
t
a la previsin que se realiza al final del periodo t para las
ventas que se esperan en el periodo t+1, la expresin esta previsin mediante la media
mvil ponderada corresponde a:

mp
t
= w
1
d
t-(n-1)
+ w
2
d
t-(n-2)
+...+ w
n
d
t
donde
i
w
i
= 1, (con i=1,...,n)

En este modelo sigue persistiendo el problema de la determinacin del nmero de datos
histricos a tener en cuenta.

Adems, una vez elegido n, para verificar la idoneidad de los pesos w
i
(con i=1,...,n), se ha
de probar con un gran nmero de posibles combinaciones (ms grande cuanto mayor sea n)
para simular lo que hubiera ocurrido histricamente si se hubiesen utilizado distintas
combinaciones de w
i
,

Esto hace que los pesos w
i
se fijen intuitivamente, sin tener en cuenta uno de los principios
que ya se ha mencionado que debe cumplir una buena tcnica de previsin: validar el
sistema mediante datos histricos.

3.2. Modelos de alisado exponencial

Los modelos de alisado exponencial estn basados en una forma de ponderacin de datos
mediante la cual, implcitamente, se considera un nmero ms o menos elevado de datos
pero, en cualquier caso, se da menos peso a un dato cuanto ms antiguo es. Es ms, la
disminucin del peso con la antigedad es exponencial.

En general, si o
t
es la ltima observacin de un fenmeno y ve
t-1
el valor que se estim
anteriormente para el fenmeno en cuestin, la nueva estimacin ve
t
que se hace para este
fenmeno a raz de esta ltima observacin es:

ve
t
= ko
t
+ (1-k)ve
t-1

donde a 0k1 se le denomina constante de alisado. Si, a su vez ve
t-1
y las anteriores
estimaciones se obtuvieron por alisado, se puede expresar la estimacin ve
t
en funcin de
las observaciones histricas realizadas:

ve
t
= o
t
+ (1-)o
t-1
+ (1-)
2
ve
t-2
= o
t
+ (1-)o
t-1
+ (1-)
2
o
t-2
+ (1-)
3
ve
t-3
=
...
=
=

0 i
i t
i
t
o ) 1 ( ve
donde i es la antigedad de un dato. Como se puede apreciar, por ser 1-<1, el peso que se
le da a cada observacin al realizar el alisado (la estimacin) disminuye exponencialmente
con su antigedad.

3.2.1. Alisado exponencial simple

Mediante este mtodo se atenan dos de los inconvenientes de la media mvil ponderada:
la necesidad de almacenar y manipular tantos datos como periodos histricos se tomen
para realizar la media; y la dificultad de la eleccin de la combinacin de pesos ms
adecuada para las ventas de estos periodos.

En el alisado exponencial simple, la previsin a
t
que se realiza al final del periodo t para
las ventas del periodo t+1 corresponde a:

a
t
= d
t
+ (1-)a
t-1

donde es la constante de alisado y toma valores comprendidos entre 0 y 1.

Segn esta expresin, nicamente se utilizan dos datos para la realizacin de la previsin:
la ltima cifra de demanda y la anterior previsin ( es un parmetro a definir), aunque,
como ya se ha justificado de forma genrica, se tienen en cuenta muchos ms datos de
demanda.

Para comenzar a explicar la repercusin que tiene en la previsin la eleccin de un valor
para el coeficiente de alisado , veamos los dos casos extremos:

Si = 1, entonces a
t
= d
t
,es decir, la previsin para un mes es la demanda del mes
anterior. Segn esto, el sistema de previsin seguira estrictamente el comportamiento
de la demanda, pero con un mes de retraso.

Si = 0, entonces a
t
= a
t-1
,es decir, la previsin para un mes es idntica a la que se
realiz el mes anterior. Esto ni siquiera puede considerarse un sistema de previsin, ya
que siempre se estima el mismo valor para la demanda venidera, es decir, se ignora el
comportamiento real de las ventas.

En general, cuanto mayor sea el coeficiente de alisado , mayor peso se da a los datos ms
recientes de la demanda. Esto supone que si se produce un cambio en el comportamiento
de la demanda se identifica ms rpidamente.

Por otra parte, si entre los datos recientes de la demanda existe alguna cifra de ventas
considerable como atpica, con un grande esta cifra extraa influye ms en la previsin
(con un menor los datos atpicos son amortiguados por el alisado).

De ah que habitualmente se utilicen valores pequeos para , evitando una excesiva
sensibilidad del sistema de previsin. La identificacin de una tendencia en la demanda no
es objeto del alisado exponencial simple, ya que para ese caso se recurrira a otros mtodos
como el alisado exponencial doble que se presenta a continuacin. Normalmente, para el
coeficiente de alisado se toman valores comprendidos entre 01 y 03.

En comparacin con la media mvil ponderada, la calibracin del sistema de previsin es
ms sencilla con el alisado exponencial simple, ya que nicamente hay que determinar el
mejor valor para un solo parmetro (), en vez de los n pesos del mtodo anterior. Es fcil
de entender, que la simulacin de , verificando los errores que se hubieran cometido
aplicando a los datos histricos las previsiones realizadas con diferentes valores de , es
ms sencilla que la simulacin de innumerables combinaciones de los n pesos.

El uso de cualquiera de los tres mtodos de previsin presentados hasta el momento
implica la suposicin de que se est estimando una demanda estable, que se mantiene
alrededor de un valor de referencia con oscilaciones que pueden considerarse aleatorias
(figura 4). Este valor, que se denomina componente estacionario (no confundir con
estacional o estacionalidad), estable o de referencia, es actualizado de las maneras descritas
cada vez que se dispone de un nuevo dato de ventas (a final de mes).

Tiempo
Ventas
Componente
estacionario

Figura 4.: Demanda estacionaria o estable

En cualquier caso, se ha mencionado ya el problema que representa la variacin en el
comportamiento de la demanda, y el retraso en la identificacin de estos cambios que se
produce al usar los mtodos mencionados.

Un caso evidente es la existencia de tendencia sostenida en la demanda, ya sea al alza
(figura 5) o a la baja.

Tiempo
Ventas
Tendencia
positiva

Figura 5: Demanda con tendencia positiva

Existe una variante al alisado exponencial simple ya presentado, denominada alisado
exponencial doble, en el que, cada vez que se recibe un nuevo dato de demanda, se
actualiza no slo el componente estacionario o de referencia a
t
, sino tambin la tendencia
estimada b
t
, que es el incremento o decremento mensual que se estima que est
manteniendo la demanda, de forma que la previsin es a
t
+ b
t
.

No se describe el alisado exponencial doble, ya que est contenido en el caso general que
se presenta a continuacin.

3.2.2. Mtodo de Winters

Si ya se ha comentado que en una serie temporal (la demanda) pueden aparecer un
componente estacionario y una tendencia que explican su comportamiento, existe otro
fenmeno muy habitual en las ventas de todo tipo de productos: la estacionalidad.

El comportamiento que se entiende por estacionalidad consiste en que, cada cierto nmero
de periodos L, en la demanda de cada uno de los L periodos se repite sistemticamente un
aumento o decremento sobre la demanda explicable como estable o con tendencia,
especfico para cada uno de ello. Por ejemplo, si se prevn ventas diarias, puede repetirse
semanalmente las proporciones entre las demandas de cada uno de los das de la semana,
con lo que existiran 7 componentes estacionarios. Lo ms habitual, y stos son los
periodos sobre los que se desarrolla el caso general, es que exista estacionalidad mensual
que se repite anualmente.

Tiempo
Ventas
Componente
estacionario
Ao 1 Ao 2 Ao 3

Figura 6: Demanda con estacionalidad

Como ejemplo, en la figura 6 se representa el caso de demanda sin tendencia pero con
estacionalidad.

A continuacin se describe el mtodo ms utilizado para un caso con mayor complejidad
que el representado en la figura 6, y se describe con este mtodo el proceso de definicin y
uso de un sistema de previsin en tales circunstancias.

Fundamentos del mtodo de Winters

El mtodo de Winters se utiliza para la estimacin de series temporales que posean una
tendencia lineal y una variacin estacional multiplicativa, rectificando los componentes
de la serie mediante alisado exponencial. Es decir, se emplea para la previsin de
demandas del tipo de la representada en la figura 7. Existe una tendencia y la
estacionalidad es multiplicativa (la demanda de un mes aumenta o disminuye
proporcionalmente al valor que le correspondera de existir nicamente tendencia).

Tiempo
Ventas
Componente
estacionario +
+ tendencia
Ao 1 Ao 2 Ao 3
Efecto
multiplicativo de
la estacionalidad

Figura 7: Demanda con tendencia y estacionalidad multiplicativa

En este mtodo, la estimacin de la demanda y
t-1,t
prevista para un mes t, realizada al
final del mes anterior t-1, se efecta aplicando la siguiente frmula:

y
t-1,t
= (a
t-1
+ b
t-1
)s
t-12

donde:

a
t-1
es el componente estacionario o de referencia estimado al final del mes t-1,

b
t-1
es la tendencia mensual estimada al final del mes t-1, es decir, el aumento en el
componente estacionario que se supone que ocurrir del mes t-1 al mes t,

s
t-12
es el factor estacional correspondiente al mes t a prever, que tiene el subndice t-12
puesto que este componente se habr calculado o corregido con el dato de demanda del
mismo mes del ao anterior.

La actualizacin de estos componentes se realiza mediante alisado exponencial, siendo
cada uno de ellos la suma del valor que le correspondera al componente (segn los
datos del ltimo mes), ponderado con un coeficiente de alisado, y el valor calculado
para el componente en el mes anterior, ponderado con la unidad menos el coeficiente de
alisado.

Inicializacin del mtodo de Winters

Para empezar el procedimiento se deben calcular valores iniciales para los tres tipos de
componentes, es decir, el componente estacionario a
0
que existe antes de comenzar a
alisar la serie de datos, la tendencia b
0
que se va a estimar inicialmente y la
estacionalidad s
i,0
(con i=1,...,12) que se considera en principio para cada uno de los
doce meses del ao.

Para el clculo de los valores iniciales se supone que se dispone de datos histricos de
m aos. Es de destacar que para poder aplicar este mtodo es necesario conocer las
demandas histricas de dos aos como mnimo; en otro caso, no se podra aislar
tendencia y estacionalidad.

Se define dm
j
como el promedio de las demandas en el ao j, pudiendo tomar j los
valores desde 1 hasta m. Es decir, dm
j
es la media de las observaciones
correspondientes al ao j.

La estimacin inicial del componente de tendencia viene dada por la ecuacin:

b
0
= (dm
m
-dm
1
)/12(m-1)

que representa la tasa mensual de cambio desde la mitad del ao 1 hasta la mitad del
ao m (han transcurrido m-1 aos con 12 meses cada uno).

La estimacin inicial del componente estacionario es:

a
0
= dm
1
-65b
0

de forma que se ha llevado el nivel medio de la serie temporal en la mitad del ao 1
hasta el comienzo del ao, mejor dicho, al final del ltimo mes del ao 0.

Esto es porque la demanda media dm
1
correspondera a un mes medio situado en el
centro del ao. Si un ao tuviera un nmero impar de meses, el mes medio sera el
mes central del ao. En la realidad, para mover la demanda media de este mes
medio a junio, habra que desplazarla medio mes hacia atrs; un mes y medio atrs
hasta mayo,... Mover la demanda media hasta diciembre del ao anterior supone 65
meses de desplazamiento.

Idntico razonamiento se sigue para calcular los ndices iniciales de estacionalidad,
cuya expresin genrica, para un primer clculo con los datos del primer ao, es:
0 1
i,1
i,1
b ) i 5 ' 6 ( dm
d
s

=
donde d
i,j
es el dato de demanda del mes i en el ao j (en este caso 1).

Si tenemos informacin de m aos, tendremos m ndices para un mes i, por lo que es
conveniente calcular el ndice promedio de cada mes:
=
=
m
1 j
j i,
i
m
s
sm

Finalmente, los ndices promedio son normalizados, para que sumen 12, mediante la
expresin:
=
=
m
1 i
j i,
i i,0
s
12
sm s
Con estos clculos se han obtenido estimaciones iniciales de a, b y s
i
para i = l,...,12

Ajuste del modelo mediante simulacin

Determinados ya los parmetros iniciales, se pueden realizar las previsiones para el
primer perodo del primer ao del histrico mediante la expresin ya conocida:

y
0,1
= (a
0
+ b
0
)s
1

A partir de la expresin y
0,t
= (a
0
+tb
0
)s
t
se podra realizar la previsin para los
siguientes periodos, sin mas que incrementar el valor de t progresivamente (t=2,3,...),
considerando fijos los parmetros a
0
y b
0
. Sin embargo, antes de continuar con las
previsiones es conveniente considerar las siguientes cuestiones:

o tanto los componentes permanente y de tendencia como los ndices de
estacionalidad son estimaciones y, por lo tanto, estn sujetos a errores en su
estimacin;

o comparando los datos histricos con las previsiones realizadas sobre ellos se pueden
conocer los errores en las previsiones;

o a medida que se vayan realizando previsiones sobre los datos histricos, se podrn ir
modificando las estimaciones de sus componentes (segn los parmetros , y )
para conseguir disminuir los errores cometidos. Esta es la operacin que se
denomina alisado.

El alisado de los componentes se realiza mediante la siguientes expresiones genricas,
en las cuales, en cada momento, habr que particularizar para el valor de t que se est
considerando:

a
t
= d
t
/s
t-12
+ (1-)(a
t-1
+ b
t-1
)
b
t
= (a
t
-a
t-1
)+ (1-)b
t-1

s
t
= d
t
/a
t
+ (1-)s
t-12
(se utilizar el siguiente ao)

con lo que las previsiones que se van efectuando son:

y
t,t+1
= (a
t
+ b
t
)s
t+1-12

Estos valores de previsin son comparados con los datos histricos de demanda, de
forma que se conoce el error cometido en cada uno e
t
= d
t
- y
t-1,t

, y son constantes de alisado exponencial. Estas constantes estn comprendidas
entre 01 y 03, y habr que determinar, mediante simulacin, el valor concreto de esta
terna con el que se logra el menor error cuadrtico medio de las previsiones.

Para ello se forman todas las combinaciones posibles de los valores de los parmetros
, y , desde 01 hasta 03 en incrementos, por ejemplo, de 001 en 001, y se realiza,
para cada una de ellas, el proceso de clculo de previsiones sobre los datos histricos
y de determinacin de errores. La combinacin particular , y con la que se obtenga
una menor suma cuadrtica de los errores, es decir:
( )
=
=

=
12m
1 t
2
t , 1 t t
12m
1 t
2
t
y d e
siendo m en nmero de aos del que se ha dispuesto de datos histricos, ser la
combinacin que se utilizar para las previsiones futuras de la serie temporal.

Utilizacin del sistema de previsin calibrado

Una vez determinada la mejor combinacin de valores , y , se toman como
referencia los componentes estacionarios, de tendencia y estacionales obtenidos con
sta combinacin al final del ltimo mes del que se disponen datos de demanda, para
comenzar a prever la demanda en periodos futuros.

Hay que tener en cuenta que, al principio, se ha forzado a que los valores iniciales de
los factores estacionales sumaran 12, pero, despus de que el alisado exponencial ha
empezado, los factores estacionales no necesariamente tienen que sumar 12.

Con los ltimos a
t
y b
t
se calcula la previsin para el prximo mes t+1:

y
t,t+1
= (a
t
+ b
t
)s
t+1-12

y, asimismo, se puede realizar una previsin a mayor plazo, para los siguientes k meses:

y
t,t+k
= (a
t
+ kb
t
)s
t+k-12

utilizando los ndices de estacionalidad s
t+k-12
alisados en el ltimo ao.

Es preciso mencionar que, en la puesta en prctica de este mtodo, para no incrementar
la complejidad de clculo, no se procede en muchas ocasiones al alisado de los ndices
de estacionalidad, sino que se calculan como se ha descrito en la fase de inicializacin:
promediando y normalizando con los datos disponibles al comienzo de cada ao.

Como se acaba de describir, al final de un mes se realiza la previsin para el prximo
mes, o puede realizarse para los k meses siguientes. En la prctica k puede ser 6 o 12, de
forma que la previsin para el prximo mes se toma como una estimacin de carcter
operativo y la del resto de los meses como informacin disponible a efectos de
planificacin.

En cualquier caso, con la llegada de un nuevo dato de ventas, a final del siguiente mes,
que pasa a ser t, se actualizan los valores usados en el mtodo de Winters:

1) alisando el componente estacionario y la tendencia

a
t
= d
t
/s
t-12
+ (1-)(a
t-1
+ b
t-1
)
b
t
= (a
t
-a
t-1
)+ (1-)b
t-1


2) realizando las nuevas previsiones:

y
t,t+1
= (a
t
+ b
t
)s
t+1-12

y
t,t+k
= (a
t
+ kb
t
)s
t+k-12
para k=2,3,...

3) calculando el error cometido en la previsin anterior

e
t
= d
t
- y
t-1,t

Respecto a 2) cabe mencionar que, en ocasiones, solo se realiza la previsin para el
siguiente mes, actualizndose las previsiones a mayor plazo (a efectos de planificacin)
nicamente cada seis, tres o dos meses, dependiendo de las necesidades.

Tambin es til disponer de previsiones para ms de un mes a efectos de gestin de
stock si el periodo entre aprovisionamientos o el plazo de reaprovisionamiento de un
artculo son mayores que un mes, casos en los que interesa conocer la demanda prevista
(la suma de los meses necesarios) en estos plazos.

Respecto a 3), el clculo del error anterior, es preciso recordar uno de los principios
aplicables en cualquier tcnica de previsin: el conocimiento acerca del error de la
previsin es tan importante como la previsin misma.... De esto se ocupa el siguiente
apartado.

3.2.3. Estudio del error

La informacin que se obtiene de los errores de previsin tiene tres objetos fundamentales:

En el ajuste o calibracin del modelo, para comparar los resultados obtenidos con
diferentes valores de , y , se utilizan indicadores sencillos como:

o MAD (Mean Absolute Deviation) o desviacin media absoluta, en la que se estima
la media de los errores cometidos sin tener en cuenta su signo.
=
=
n
1 t
t
n
e
MAD
o MAPE (Mean Absolute Percentage Error) mediante el que se expresa el MAD en
tanto por ciento.
=
=
n
1 t
t
t
d
e
n
1
MAPE
o MSD o desviacin cuadrtica media, mediante la que se impide el efecto del signo
de los errores elevndolos al cuadrado, con lo que se penalizan a su vez los errores
de mayor dimensin.

n
e
MSD
n
1 t
2
t
=
=

Dado que las previsiones se han realizado sobre periodos pasados de los que se conocen
los datos reales, en esta fase no es necesario ponderar cada dato de error en funcin de
su antigedad.

Durante el funcionamiento del sistema, es recomendable no dar la misma importancia al
ltimo error que al cometido hace un ao, por lo que sirve como referencia el error
alisado: se
t
= e
t
+ (1-)se
t-1

En esta fase, la evaluacin de los errores que se van cometiendo es necesaria para:

o Estimar la desviacin tpica como indicador de la incertidumbre de la demanda, de
forma que el sistema de previsin facilite una demanda media esperada con una
medida de dispersin. Este tipo de informacin tambin es necesaria en la gestin de
materiales, concretamente para la determinacin de stocks de seguridad.

o Realizar el seguimiento del sistema de previsin para detectar desviaciones
sistemticas en la previsin. Si el sistema de previsin de la demanda funciona
correctamente, el nico componente de la demanda no identificado debe ser el
aleatorio, por lo que no es admisible que la distribucin de los errores se aparte
significativamente de la media cero.

En cualquiera de estos dos casos, se utilizan medidas de dispersin que, por la
naturaleza del alisado exponencial, no pueden obtenerse analticamente, por lo que las
frmulas que siguen tienen una base emprica.

Estimacin de indicadores de dispersin: la desviacin tpica de la demanda

La previsin de la demanda estimada para el prximo o prximos periodos no queda
correctamente caracterizada si no se incluye una medida de la dispersin esperable, que
depender de la precisin del sistema de previsin, a su vez cuantificable mediante el
error. As, la desviacin tpica esperada para la demanda en el prximo periodo
t
es:
-1 t t t
e s ) 1 ( e e s siendo + = =
t t
e s 1,25
de forma que se contempla la trayectoria histrica de los errores cometidos.

Como se enunci en los principios bsicos, es lgico que la precisin de las previsiones
disminuya cuanto mayor sea el plazo al cual se hacen. A modo de ejemplo, desviacin
tpica esperada de la demanda, no para el prximo periodo, sino para dentro de K
periodos (informacin que debe adjuntarse junto con la previsin y
t,t+K
) es:

( )
( )
( )
( )
{ }

= =
(
+ + + |
.
|
\
|
+ +
+
+
(
+ + + |
.
|
\
|
+ +
+
+
=
+
1 y , , max siendo
e s
2
2 3 1 2
2
5 4 1
3
1
1
2
K
2
2 K 3 1 2
2
5 4 1
3
1
1
25 , 1
K t
t

El resultado de la aplicacin de esta frmula emprica, tal y como se representa en la
figura 8, confirma que la dispersin esperada para la demanda aumenta cuanto mayor
sea el horizonte al cual se haga la previsin.

De cara a la gestin de materiales, es especialmente importante conocer la desviacin
tpica esperada para la demanda acumulada en los prximos L periodos, siendo L el lead
time o plazo de reaprovisionamiento del producto. La aplicacin del teorema del lmite
central hara pensar que, como la varianza agregada sera la suma de la varianza de la
demanda en cada uno de los L periodos, la desviacin tpica de la demanda de L
periodos sera
t
L
L , t
= .

H o r i z o n t e d e l a p r e v i s i n

Figura 8: Desviacin tpica esperada para la demanda segn el horizonte de la previsin

Sin embargo, esta aplicacin del teorema del lmite central llevara implcito considerar
que:

o la demanda de cada uno de los L periodos es un fenmeno independiente;
o la desviacin tpica de todos y cada uno de estos L periodos es precisamente
L
.

Relajando estas hiptesis se han obtenido las siguientes frmulas empricas para la
desviacin tpica de la demanda esperada durante el lead time:

t t L
t
B
t L
) L 341 , 0 659 , 0 ( ) (
1 B 0,5 siendo L ) (
+ =
=

Seguimiento del sistema de previsin: el seguimiento del error

Mediante el seguimiento del error se establece un sistema de control para determinar, a
la vista de la trayectoria de los errores que se vienen cometiendo, la validez del sistema
de previsin de la demanda.

Si el componente aleatorio est aislado correctamente, los errores que se cometen deben
responder a una media cero con una cierta dispersin. Esta dispersin permite definir en
cada periodo una seal de seguimiento TS
t
que, en caso de sobrepasar ciertos lmites,
estara avisando de que no es verosmil admitir que la media de los errores es cero, sino
que stos estn sesgados en cierto sentido (positivo o negativo). Tal sesgo indica que las
previsiones est fallando sistemticamente en una direccin, lo que hace pensar que el
sistema de previsin no est considerando alguna parte de un componente de las ventas,
posiblemente porque ste (tendencia, estacionalidad) est cambiando o ha variado a una
velocidad mayor de la que puede soportar el sistema de previsin.

Con la llegada de un nuevo dato de ventas, el error de previsin inmediato (e
t
= d
t
-y
t
) se
integra en el indicador de la trayectoria de los errores histricos, que es el error alisado
se
t
= e
t
+ (1-)se
t-1
. Empricamente, se ha determinado que la desviacin tpica de
este error alisado es:
t se
e s 55 , 0
t
=

Si el error alisado se debe nicamente al componente aleatorio, la probabilidad de que
una estimacin concreta se
t
se saliera de un margen de, por ejemplo, 3
set
alrededor de
su media cero sera de 0,0013. Por tanto, es ms razonable pensar que tal estimacin se
debe a que la trayectoria histrica de los errores apunta a una media distinta de cero en
el sentido en que se ha desviado el error alisado (vase figura 9).

Para hacerla adimensional, la seal de seguimiento del error que se utiliza es:
t
t
t se
t
t
e s 55 , 0
se se
TS
= =

y, siguiendo el ejemplo utilizado, los lmites admisibles para esta seal seran 3. Si la
seal de seguimiento del error rebasa estos lmites ha de procederse a reajustar el
modelo o incluso a cambiarlo por otro ms adecuado para rectificar aquel componente
de la demanda en que se estaba fallando.

En funcin de la importancia del producto cuyas previsiones se realizan, los lmites
pueden relajarse incluso a valores de 5. As, sobre los productos ms importantes se
realizar un seguimiento ms intensivo (lmites de control ms estrechos).

Figura 9: Seguimiento del error en que la seal termina por salir de los lmites admisibles

4. Ejemplo de definicin y uso del mtodo de Winters

En la tabla 1 se indican los datos histricos de las ventas de una empresa supuesta durante
tres aos.

Ao Mes t Ventas d
t
1 Enero 1 189
Febrero 2 229
Marzo 3 249
Abril 4 289
Mayo 5 260
Junio 6 431
Julio 7 660
Agosto 8 777
Septiembre 9 915
Octubre 10 613
Noviembre 11 485
Diciembre 12 277
2 Enero 13 244
Febrero 14 296
Marzo 15 319
Abril 16 370
Mayo 17 313
Junio 18 556
Julio 19 831
Agosto 20 960
Septiembre 21 1152
Octubre 22 759
Noviembre 23 607
Diciembre 24 371
3 Enero 25 298
Febrero 26 378
Marzo 27 373
Abril 28 443
Mayo 29 374
Junio 30 660
Julio 31 1004
Agosto 32 1153
Septiembre 33 1388
Octubre 34 904
Noviembre 35 715
Diciembre 36 441

Tabla 1: Datos histricos de ventas

En primer lugar es necesario obtener los parmetros iniciales a
0
, b
0
y s
i,0
(para i=1,...12):

b
0
= (67758-44783)/(3-1)12 = 957
a
0
= 44783-65957 = 3856

Clculo de los factores estacionales:

- para enero del ao 1:

s
1,1
= 189/(44783 - 55957) = 04782


s
1,2
= 244/(56483 - 55957) = 04764


s
1,3
= 298/(67758 - 55957) = 04768

La media de estos valores es:

sm
1
= (04782 + 04764 + 04768)/3 = 04771

Esto mismo se efectuara para los otros once meses, resultando:

8285 ' 11 sm
12
1 i
i
=
=

A partir de estos clculos, los valores iniciales s
i,0
vienen dados por:

i i 0 , i
sm 0145 ' 1
8285 , 11
12
sm s = =

Por ejemplo:
s
1,0
= 1014504771 = 04841

Incluyendo los otros once valores, los componentes de estacionalidad iniciales para cada
uno de los doce meses son:

s
1,0
= 04841 s
4,0
= 06911 s
7,0
= 14842 s
10,0
= 12897
s
2,0
= 05847 s
5,0
= 05859 s
8,0
= 16927 s
11,0
= 10074
s
3,0
= 06022 s
6,0
= 09965 s
9,0
= 19869 s
12,0
= 05946

La previsin obtenida para enero del ao 1, a partir de los componentes iniciales, resulta
ser:

y
0,1
= (3856 + 957)04841 = 1913

Como la venta real fue d
1
= 189, el error cometido ha sido:

e
1
= d
1
- y
0,1
= 189 - 1913 = -23

Llegando a este punto, se necesita obtener la mejor combinacin de valores , y . Para
esto, se simulan las previsiones para los 36 meses con distintas combinaciones de los
coeficientes de alisado (por ejemplo, desde = 005, = 005 y = 005, dando
incrementos de 005 para obtener todas las variaciones, hasta = 03, = 03 y = 03) y
se evalan los errores mediante su suma cuadrtica para cada combinacin,
comprobndose que la mejor combinacin es = 02, = 015 y = 005.

Para esta combinacin, se alisan los componentes iniciales:

a
1
= 02189/04841 + (1-02)(3856+957) = 3942
b
1
= 015( 3942-3856) + (1-015)957 = 943
s
1
= 005189/3942 + (1-005)04841 = 04839

y se realiza la previsin para febrero del ao 1:

y
1,2
= (3942+943)05847 = 236

Como la venta real fue d
2
= 229, el error cometido ha sido:

e
2
= d
2
- y
1,2
= 229-236 = -7

Este procedimiento se continua para los 3 aos (36 perodos) de datos histricos. Los
resultados se exponen en la tabla 2.

Con los errores cometidos, se obtiene su suma cuadrtica:

4 ' 2194 e
36
1 t
2
t
=
=

que es el mnimo valor obtenido para todas las combinaciones posibles de , y .

Como puede observarse en la ltima columna de la tabla 2 y en el grfico 1, la seal de
seguimiento del error solamente supera el valor 3 al final del segundo ao, ya que se han
advertido varios periodos en los que la demanda ha superado a las previsiones. Sin
embargo, se trata de errores que en ningn caso llegan a ser mayores del 3%.

Aqu ha terminado el proceso de simulacin y calibrado del sistema de previsin, que ha
conducido a la eleccin de los coeficientes de alisado = 02, = 015 y = 005.

Con los componentes iniciales: a
0
= 3856 b
0
= 957

Mes/ao
t d
t
a
t
b
t
s
t-12
s
t
y
t-1,t
e
t
se
t
TS
t
Enero 1 1 189 394,22 9,43 0,4841 0,4839 191,30 -2,30 -0,46 -0,31
Febrero 1 2 229 401,25 9,07 0,5847 0,5840 236,01 -7,01 -1,77 -1,14
Marzo 1 3 249 410,95 9,16 0,6022 0,6024 247,09 1,91 -1,03 -0,78
Abril 1 4 289 419,72 9,10 0,6911 0,6910 290,34 -1,34 -1,10 -0,97
Mayo 1 5 260 431,82 9,55 0,5859 0,5867 251,25 8,75 0,87 0,65
Junio 1 6 431 439,60 9,29 0,9965 0,9957 439,82 -8,82 -1,07 -0,71
Julio 1 7 660 448,04 9,16 1,4842 1,4836 666,23 -6,23 -2,10 -1,39
Agosto 1 8 777 457,57 9,22 1,6927 1,6930 773,91 3,09 -1,06 -0,78
Septiembre 1 9 915 465,53 9,03 1,9869 1,9858 927,46 -12,46 -3,34 -1,96
Octubre 1 10 613 474,71 9,05 1,2897 1,2898 612,04 0,96 -2,48 -1,76
Noviembre 1 11 485 483,29 8,98 1,0074 1,0072 487,34 -2,34 -2,45 -1,98
Diciembre 1 12 277 486,99 8,19 0,5946 0,5933 292,71 -15,71 -5,10 -2,89
Enero 2 13 244 497,00 8,46 0,4839 0,4842 239,60 4,40 -3,20 -1,97
Febrero 2 14 296 505,74 8,50 0,5840 0,5841 295,19 0,81 -2,40 -1,79
Marzo 2 15 319 517,30 8,96 0,6024 0,6031 309,77 9,23 -0,07 -0,05
Abril 2 16 370 528,11 9,24 0,6910 0,6915 363,63 6,37 1,21 0,79
Mayo 2 17 313 536,57 9,12 0,5867 0,5865 315,27 -2,27 0,52 0,39
Junio 2 18 556 548,24 9,50 0,9957 0,9966 543,35 12,65 2,94 1,74
Julio 2 19 831 558,21 9,57 1,4836 1,4839 827,49 3,51 3,06 2,00
Agosto 2 20 960 567,64 9,55 1,6930 1,6929 961,25 -1,25 2,20 1,71
Septiembre 2 21 1.152 577,78 9,64 1,9858 1,9862 1146,21 5,79 2,92 2,22
Octubre 2 22 759 587,63 9,67 1,2898 1,2899 757,64 1,36 2,60 2,33
Noviembre 2 23 607 598,37 9,83 1,0072 1,0076 601,60 5,40 3,16 2,73
Diciembre 2 24 371 611,62 10,35 0,5933 0,5940 360,85 10,15 4,56 3,20
Enero 3 25 298 620,66 10,15 0,4842 0,4840 301,17 -3,17 3,01 2,32
Febrero 3 26 378 634,08 10,64 0,5841 0,5847 368,43 9,57 4,32 2,87
Marzo 3 27 373 639,47 9,85 0,6031 0,6021 388,83 -15,83 0,29 0,15
Abril 3 28 443 647,60 9,59 0,6915 0,6911 448,98 -5,98 -0,96 -0,51
Mayo 3 29 374 653,28 9,01 0,5865 0,5858 385,47 -11,47 -3,06 -1,48
Junio 3 30 660 662,28 9,01 0,9966 0,9966 660,05 -0,05 -2,46 -1,48
Julio 3 31 1.004 672,35 9,16 1,4839 1,4844 996,11 7,89 -0,39 -0,23
Agosto 3 32 1.153 681,43 9,15 1,6929 1,6928 1153,72 -0,72 -0,46 -0,32
Septiembre 3 33 1.388 692,22 9,40 1,9862 1,9872 1371,65 16,35 2,91 1,51
Octubre 3 34 904 701,47 9,38 1,2899 1,2898 905,01 -1,01 2,12 1,33
Noviembre 3 35 715 710,60 9,34 1,0076 1,0075 716,22 -1,22 1,45 1,09
Diciembre 3 36 441 724,44 10,01 0,5940 0,5947 427,63 13,37 3,84 2,22

Tabla 2: Resultados de las previsiones sobre datos histricos con = 02, = 015 y = 005

-3,00
-2,00
-1,00
0,00
1,00
2,00
3,00
1
AO 1 AO 2 AO3
T
S
t

Grfico 1: Seal de seguimiento del error

Por lo tanto, estamos al final del ao 3 (periodo 36) momento en que comienza el uso
efectivo del sistema de previsin.

Lo primero ser realizar la previsin para el prximo mes (periodo 37: enero del ao 4),
tomando los ltimos componentes actualizados (de la tabla 2):

a
36
= 72444 b
36
= 1001 y s
25
= 0484

obtenindose la previsin:

y
36,37
= (72444+1001)0484 = 3555

Si en este punto (finales del ao 3) se quiere hacer una previsin completa para el ao que
estamos acometiendo, utilizamos estos mismos a
36
, b
36
y los ltimos doce s
t
, con los que se
realizan las previsiones de la forma:

y
36,36+k
= (a
36
+ kb
36
)s
36+k-12
para k=2,3,...,12

Por ejemplo, las previsiones para febrero y marzo seran:

y
36,38
= (72444+21001)05847 = 4353
y
36,39
= (72444+31001)06020 = 4543

Estas previsiones que se realizan a comienzo de ao, suelen ser empleadas para
planificacin a medio plazo, o desde un punto de vista financiero, para la elaboracin de
presupuestos (aparecen en la primera columna de la tabla 3).

Supongamos ahora que comienza el ao 4. Al final de enero (periodo 37) conocemos la
cifra de ventas d
37
= 352, por lo que se ha cometido un error:

e
37
= d
37
- y
36,37
= 352-3555 = -35

En este momento, se actualiza la previsin para febrero, alisando componentes, con los
coeficientes elegidos en la simulacin ( = 02, = 015 y = 005):

a
37
= 02352/04840 + (1-02)(72444+1001) = 73302
b
37
= 015( 73302-72444) + (1-015)1001 = 980
s
37
= 005352/73302 + (1-005)04840 = 04838 (a usar el prximo ao)

Con lo que la previsin para febrero (periodo 38) es:

y
37,38
= (a
37
+ b
37
)s
38-12
= (73302+980)05847 = 4343

De esta forma, cada mes, al recibir las cifras de ventas, se van actualizando las previsiones
para el mes siguiente (ver tabla 3). Incluso, con menor frecuencia, se pueden actualizar
previsiones a medio plazo (realizar un mes previsiones para otros k meses) del mismo
modo que se hizo al final del ao anterior de enero a diciembre.

Esto se repite para todo el ao: se recibe un dato de ventas, se determina el error cometido
con la previsin del mes anterior, se actualizan los componentes de la serie (mediante
alisado con = 02, = 015 y = 005) y se realiza la previsin para el prximo mes.

Al final del ao cuatro, este proceso habra conducido a los resultados que se incluyen en
la tabla 3.

En esta tabla las columnas entre barras contienen la informacin resultante del sistema de
previsin a lo largo del ao 4, con estructura similar a la de la tabla 2.

y
36,t
t d
t
a
t
b
t
s
t-12
s
t
y
t-1,t
e
t
e
36,t
y
t-1,t
-y
36,t
355,5 37 352 733,02 9,80 0,4840 0,4838 355,49 -3,49 -3,49 0,00
435,3 38 445 746,47 10,35 0,5847 0,5852 434,30 10,70 9,73 -0,97
454,3 39 453 755,93 10,21 0,6021 0,6020 455,69 -2,69 -1,28 1,41
528,3 40 541 769,48 10,71 0,6911 0,6917 529,47 11,53 12,66 1,13
453,7 41 457 780,17 10,71 0,5858 0,5858 457,07 -0,07 3,26 3,33
781,9 42 762 785,62 9,92 0,9966 0,9953 788,21 -26,21 -19,88 6,33
1179,4 43 1.194 797,31 10,19 1,4844 1,4850 1180,88 13,12 14,60 1,48
1362,0 44 1.361 806,79 10,08 1,6928 1,6925 1366,97 -5,97 -0,99 4,97
1618,7 45 1.615 816,04 9,96 1,9872 1,9868 1623,27 -8,27 -3,71 4,57
1063,6 46 1.059 825,01 9,81 1,2898 1,2895 1065,39 -6,39 -4,57 1,82
840,9 47 824 831,43 9,30 1,0075 1,0067 841,08 -17,08 -16,86 0,21
502,3 48 495 839,05 9,05 0,5947 0,5945 499,99 -4,99 -7,31 -2,32

Tabla 3: Previsiones para un cuarto ao.

Se puede comprobar que la suma cuadrtica de errores ha sido:

1 ' 1587 e
48
37 t
2
t
=
=

En la primera columna de la tabla, antes de la primera barra, aparecen las previsiones que
se hicieron al final del periodo 36 (fin del ao 3) para todo el ao 4 (y
36,t
).Como se puede
comprobar en la ltima columna de la tabla 3, las diferencias entre stas y las resultantes
del alisado mensual con el dato de ventas de cada mes (y
t-1,t
-y
36,t
) son pequeas. Es ms,
curiosamente, si se calcula la suma cuadrtica de los errores cometidos con las previsiones
realizadas al comienzo del ao, resulta menor que la resultante con las previsiones
actualizadas.

Los valores elegidos en el proceso de simulacin para los coeficientes de alisado , y
no se mantienen de forma permanente, independientemente de los errores que se vayan
cometiendo.

Como puede observarse a travs del ejemplo expuesto, realizar el alisado exponencial de
Winters manualmente es largo y complejo, por lo cual, su aplicacin se realiza
normalmente utilizando programas de ordenador desarrollados para tal fin o puede ser
implementado sin mucha dificultad en una hoja de clculo de las comercialmente
existentes.

Apuntes - Winters (Prevision de La Demanda) PDF

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apuntes - Winters (Prevision de La Demanda) PDF

Enviado por

Direitos autorais:

Formatos disponíveis

PREVISIN DE LA DEMANDA

Você também pode gostar