1

USO DE LA SIMULACIN DE MONTE CARLO PARA EL CLCULO DE

PRONSTICO DE VENTAS: COMPARACIN CON OTROS MTODOS
CORRES, GUILLERMO A., Universidad Nacional de Mar del Plata
ESTEBAN, ALEJANDRA M., Universidad Nacional de Mar del Plata
GARCA, JUAN C., Universidad Nacional de Mar del Plata
ZRATE, CLAUDIA N, Universidad Nacional de Mar del Plata

RESUMEN
En este trabajo se evala la posibilidad de pronosticar las ventas a partir de datos histricos
utilizando simulacin de Monte Carlo, usando el software Crystal Ball.
Se analizaron las ventas mensuales de 5 productos de una empresa conservera de la
ciudad y se compararon los resultados con aquellos previamente obtenidos para la misma
empresa, productos y serie temporal. En este caso fueron pronsticos obtenidos utilizando
mtodos determinsticos (promedio mvil, suavizado exponencial y todas sus variantes),
ARIMA y Descomposicin Clsica de Series de Tiempo.
Los resultados obtenidos en forma preliminar indicaran que las ventas pronosticadas con
Simulacin de Monte Carlo arrojaran un menor error, lo cual estara sealando que la
misma se adapta mejor a series de estas caractersticas.
Posteriormente se evaluar el impacto del error de pronsticos sobre los costos de
produccin, haciendo nfasis en los costos de inventario de producto terminado.
Palabras Clave: Pronsticos, Simulacin, Crystal Ball, Empresa Conservera

INTRODUCCIN
Considerando que la demanda futura juega un rol fundamental en la planeacin de la
produccin as como tambin en la administracin de los inventarios y en la planificacin de
la capacidad, es sumamente necesario contar con un pronstico tan aproximado como sea
posible de la misma. De hecho, el sector de manufactura ha intentado controlar y manejar la
incertidumbre en la que se encuentra inmerso cada sistema productivo y en esta direccin
es que se han desarrollado numerosos mtodos y tcnicas de pronstico.
En el mundo actual, es imperativo entonces que las empresas tengan enfoques eficaces de
pronsticos y que el pronstico forme parte integral de la planeacin empresarial.
Numerosos autores Sanders & Graman (2006), Chu & Zhang (2003), Bayraktar et al. (2007)
slo por nombrar algunos, han acordado que la aproximacin en el pronstico a la situacin
real es de particular importancia en la planeacin de las distintas reas de la empresa. El
pronstico es una herramienta vital para toda organizacin empresarial. Constituye la base
de la planificacin corporativa a largo plazo. No slo operaciones requiere de un pronsticos
de las ventas, todas las reas de la empresa utilizan los pronsticos como base de sus
propias planificaciones: el rea de finanzas los utiliza para sus presupuestos;
comercializacin para planificar su dotacin de personal y para el desarrollo de nuevos
productos.
En otros trabajos publicados con anterioridad, Corres et al (2008, 2009) se han pronosticado
las ventas de 5 productos -conservas de pescado- , utilizando distintos mtodos analticos:
-

mtodos determinsticos: suavizado exponencial y

descomposicin clsica de series de tiempo
mtodos estocsticos: modelos autorregresivos ARIMA

sus

variantes;

2
El objetivo de este trabajo ser analizar dichas series de ventas con el mtodo de simulacin
y comparar con los resultados hallados en los trabajos previos mencionados.
Posteriormente se realizar un anlisis del error cometido por el mtodo, evaluando tambin
el sentido del error y el posible impacto en los costos.

MARCO TERICO
El estudio de los sistemas se realiza con el objetivo de comprender mejor su funcionamiento
para tomar distintas decisiones que los afectan.
Para ello es necesario el desarrollo de un modelo, una representacin lgico-matemtica,
que describa los elementos que conforman dicho sistema y la forma en que cambian e
interactan.
Una vez definido el modelo es necesario resolverlo mediante un mtodo determinado. Los
procedimientos esenciales utilizados para la resolucin de modelos matemticos son:
mtodos analticos, ya diseados y de aplicacin inmediata o
desarrollados especialmente para la resolucin del modelo (ad hoc)
mtodos de simulacin
Los mtodos analticos se basan en la generacin y procesamiento de funciones entre
variables hasta obtener las relaciones particulares buscadas o la combinacin ptima de las
variables del modelo.
Los mtodos analticos cuantitativos de pronstico son modelos matemticos que se basan
en datos histricos. Estos modelos suponen que los datos histricos son relevantes para el
futuro. Existen numerosos modelos cuantitativos de pronstico, que varan entre si, por su
fundamento terico, por su precisin en el largo y en el corto plazo, por su baja complejidad
en su implementacin, etc. Quizs, el desarrollo de mayor trascendencia en los pronsticos
durante los ltimos aos es el software diseado para manejar directamente varios mtodos
de pronsticos, de acuerdo a Hanke & Wichern (2006)
Entre los mtodos analticos cuantitativos ms utilizados, se pueden
mencionar:

Promedios simples, mviles y mtodos de suavizado

ARIMA
Descomposicin Clsica de series de tiempo

Los mtodos de simulacin tienen caractersticas de operacin totalmente distintas a los

mtodos analticos. Se basan en reproducir el comportamiento del modelo y deducir de l
informacin para la construccin emprica de relaciones entre variables del modelo. Los
mtodos de simulacin son potencialmente tiles para la resolucin de modelos complejos.
Hernndez, (1975)

Errores en los Pronsticos: eleccin de un modelo adecuado

El error o residuo se define como la diferencia entre el valor de lo que realmente ha

ocurrido y el valor de la proyeccin.
Error = et = At Ft
(1)

Siendo:
At : ventas reales en el perodo t
Ft

: pronstico para el perodo t

3
La literatura provee muchas diferentes formas de medir el error del pronstico como una
herramienta utilizada al momento de la eleccin de un mtodo. Algunos de los ms
mencionados son Desviacin Media Absoluta (MAD) , Porcentaje del Error Medio Absoluto
(MAPE), Error Cuadrtico Medio (RMSE), Suma de los Errores BIAS, entre otros.
Segn Chopra & Meindl (2008) el error de pronstico contiene informacin valiosa que debe
analizarse por dos razones: por un lado, permite detectar si el mtodo predice con precisin
o ya es tiempo de cambiar de mtodo; por otro lado todos los planes de contingencia deben
considerar el error de pronstico.
Cuando se debe seleccionar un procedimiento de pronstico el objetivo final ser el de
mantener los costos lo ms bajos posible. Estos costos incluyen el costo de obtencin de
pronsticos como as tambin el costo del error del pronstico.
Si se analiza el costo de obtencin del pronstico, no slo ha de considerarse el costo de
hardware, software y personal especializado, sino tambin el tiempo que insume ya sea de
procesamiento como as tambin de recoleccin de datos, monitoreo del proceso e
interpretacin de los resultados. Dichos costos debern balancearse con los beneficios
recibidos.
En cambio, evaluar el impacto sobre los costos del error de pronstico es una tarea
dificultosa. Muchos autores han realizado esfuerzos en esa direccin, Xie et al (2004),
Sanders & Graman (2006), Kerkknen et al. (2009), entre otros. Ellos demuestran que el
impacto del error no es constante y depende mucho del tipo de organizacin de la cual se
trate. No obstante, el impacto de los errores de pronstico se puede agrupar en tres
principales categoras, de acuerdo a Kerkknen et al. (2009).
Impacto del error de pronstico
Planeamiento
Capacidad
Inestabilidad en la
Capacidad ociosa
planeacin
Capacidad sobreutilizada

Inventario
Exceso de inventario
Alto costo de
mantenimiento
Obsolescencia
Ventas perdidas

Cuadro1: Impacto del error de pronstico

En el caso especfico de los pronsticos obtenidos por simulacin, la medida de error

utilizada fue:
n

Bias n = e t

(2)

t =1

Cuando el pronstico es mayor que la venta real ( et < 0 ) el mismo es denominado

sobrepronstico; cuando el pronstico es menor que la venta real ( et > 0 ), el mismo es
denominado subpronstico.
Esta definicin es importante porque permite una distincin entre error negativo y positivo, y
considerando que el impacto es distinto en funcin de los costos que traen aparejado, facilita
una evaluacin y seleccin acerca del mtodo.
De cualquier forma, la consideracin primordial en la eleccin de un mtodo de
pronstico es que los resultados deben facilitar el proceso de la toma de decisiones de los
administradores de la organizacin. Hanke & Wichern (2006) explica que rara vez un solo
mtodo funciona para todos los casos. No obstante es ms eficiente aquel pronosticador
capaz de formular una mezcla habilidosa de tcnicas cuantitativas de pronsticos con un

4
buen juicio personal y que evita los extremos donde se depende completamente de
cualquiera de las dos.

METODOLOGA
Para el desarrollo de este trabajo se utilizaron los datos reales de ventas mensuales de 6
aos (2003-2008) de una empresa que se dedica a la produccin y ventas de conservas de
pescado de la ciudad.
Esta empresa actualmente fabrica y comercializa alrededor de 30 productos distintos de
conserva de pescado. El anlisis se realiz sobre sus artculos ms significativos, a partir de
considerar su valor unitario y su volumen de ventas, anlisis ABC, Corres et al. (2008).
La tabla 1 detalla las abreviaturas que corresponden a los productos cuyas ventas
trimestrales han sido estudiadas.
PRODUCTO
ATN EN ACEITE
ATN AL NATURAL
CABALLA EN ACEITE X 330 g
CABALLA AL NATURAL X 330 g
SARDINAS EN ACEITE

ABREVIATURA
AA
AN
CA
CN
SA

Tabla 1: Referencias de los productos analizados

Sobre las ventas ocurridas entre 2003 y 2007 se aplic un modelo de simulacin de Monte
Carlo, se simularon las ventas mensuales para el ao 2008. Como herramienta de clculo
se utiliz el software Crystal Ball, que permite ajustar los datos de la serie a una distribucin
de probabilidad.
Considerando la estacionalidad presente en esta serie, observada en trabajos anteriores, los
datos utilizados para simular el mes k del ao 2008 fueron obtenidos a partir de un conjunto
formado por las ventas reales correspondientes al mismo mes de los aos anteriores (2003
2007).
A cada conjunto de datos se le defini una distribucin de probabilidad ajustada
considerando el test de bondad de Kolmogorv-Smirnov. Estas distribuciones son las
variables de suposicin del modelo (VSk). El mencionado test de bondad del ajuste se
selecciona debido a que el mismo es aplicable a muestras de tamao pequeo.
Obtenidas las distribuciones se defini el error o residuo como variable a simular segn (1).
El tamao de las distintas corridas fue de n = 4000.

La figura 1 representa un diagrama de flujo que esquematiza los pasos seguidos en la

simulacin:

Definicin del conjunto k Ck

Ck =

A12m +k, m=0 a 4;

k= 112

Variable
de
suposicin:
distribucin de probabilidad
del conjunto Ck,
Test de Komogorov Smirnov

Variable a simular
ek = Ak - VSk

Figura 1: Diagrama de Flujo de la simulacin

Realizadas la simulaciones se obtuvieron las distribuciones de probabilidad del error ek. A

partir de las mismas se calcularon los pronsticos como:

F12( m +1)+ k = A12 m + k ek

Siendo m = 4 ;

(3)

k = 1,2,....,12

En la ltima seccin se analiza el error, el sobre pronstico y el sub pronstico arrojado por
la simulacin y se compara con los resultados de otros mtodos analticos obtenidos para la
misma serie y publicados en trabajos anteriores.
RESULTADOS
1. Simulacin
Una vez obtenidos las predicciones mensuales, se agruparon las mismas por trimestre,
debido a que resultados anteriores fueron presentados de acuerdo a dicho perodo de
tiempo. En las figuras 2 a 6 se presentan los valores de las ventas reales y los
pronsticos obtenidos segn simulacin y mtodos analticos.

Atn en Aceite
3000
VENTAS REALES
SIM ULACIN

2500

ARIM A
SE

Latas

2000

DCST

1500
1000
500
0
T21

T22

T23

T24

Figura 2: Demanda Real Vs Demanda Pronosticada segn los distintos mtodos AA

VENTAS REALES

Atn al Natural

SIM ULACIN
ARIM A

1200

SE
DCST

1000

Latas

800
600
400
200
0
T21

T22

T23

T24

Figura 3: Demanda Real Vs Demanda Pronosticada segn los distintos mtodos AN

Caballa en Aceite
7000
VENTAS REALES

6000

SIM ULACIN
ARIM A

Latas

5000

SE
DCST

4000
3000
2000
1000
0
T21

T22

T23

T24

Figura 4: Demanda Real Vs Demanda Pronosticada segn los distintos mtodos CA

Caballa al Natural
4000
VENTAS REALES

3500

SIM ULACIN

3000

ARIM A
SE

Latas

2500

DCST

2000
1500
1000
500
0
T21

T22

T23

T24

Figura 5: Demanda Real Vs Demanda Pronosticada segn los distintos mtodos CN

Sardina en Aceite
3500
VENTAS REALES

3000

SIM ULACIN
ARIM A

2500

SE
DCST

Latas

2000
1500
1000
500
0
T21

T22

T23

T24

Figura 6: Demanda Real Vs Demanda Pronosticada segn los distintos mtodos SA

Como se puede observar en los 5 productos analizados, el mtodo de simulacin sigue

en general a las ventas reales. El mtodo de suavizado exponencial corregido aparenta
ser tambin un mtodo de similares caractersticas al de simulacin.
Tanto para Simulacin como para Suavizado Exponencial, Crystal Ball result ser un
software que se puede considerar de baja dificultad, aunque se requiere de un
conocimiento mas profundo de la tcnica de simulacin para poder aplicarla e interpretar
debidamente los resultados.
2. Anlisis del error
a- Clculo de Bias.
Figura 7 representa el Bias calculado para los distintos mtodos de pronsticos, y para los 5
productos.

BIAS
5000
0

AA

-5000

AN
SIMULACION

-10000
-15000

ARIMA

SE

DCST

CA
CN
SA

-20000

Figura 7: Suma del error BIAS para los 5 productos, segn los distintos mtodos

Se puede observar que el error de pronstico evaluado a travs de Bias es menor en

Simulacin que en el resto de los mtodos.

8
b- Sobre y Sub pronstico
Para una organizacin el hecho de sobrepronosticar no es lo mismo que subpronosticar,
en cuanto a los costos que involucran. Es por ello que varios autores, Kerkknen et al
(2009), Sanders & Graman (2006) entre otros, distinguen entre sobre pronstico y sub
pronstico, para poder cuantificar el impacto del error que comenten los mtodos de
prediccin.
Figuras 8 y 9 representan sobrepronstico y subpronstico total anual obtenidos
respectivamente para los 5 productos, considerando a la Simulacin y al resto de los
mtodos.

SUB PRONSTICO
11
AA

AN

CA

CN

SA

1
-1
SIMULACIN

ARIMA

SE

DCST

Figura 8: Subpronstico o error positivo generado por los distintos mtodos

SOBRE PRONSTICO
5
3
1

AA

-1

AN

-3
-5
-7

CA
SIMULACIN

ARIMA

SE

DCST

CN
SA

-9
-11

Figura 9: Sobrepronstico o error positivo generado por los distintos mtodos

Es claramente observable la tendencia al sobre pronstico de todos los mtodos analizados

Si bien para simulacin es menor, tambin es fcilmente identificable dicha tendencia.
Este resultado es interesante, por dos motivos. En primer lugar, brinda al pronosticador una
informacin importante que le permitir elaborar un juicio mas acertado acerca del
pronstico final.
Por otro lado, el caso de que se analice por ejemplo el impacto del error de pronstico
sobre el inventario, un mtodo con tendencia a sobrepronosticar trae como consecuencia un
aumento en los niveles de inventario. Por ello sera importante analizar, para poder

9
cuantificar el costo del error de pronstico, el costo que implica el aumento de niveles de
inventario contra el costo que implicara una ruptura de inventario (subpronosticar).
La dificultad de cuantificar estos costos -fundamentalmente los costos de ruptura- es
evidente aunque la posibilidad de discernir entre ambos efectos (positivo y negativo) es una
herramienta ms que permitira evaluar acerca de la conveniencia de pronosticar con un
mtodo u otro. Ello depender tambin, por supuesto de la estrategia de la organizacin al
momento de la planificacin.
En las mismas figuras se observa que el producto CA aparenta ser uno de los
productos ms dificultosos para pronosticar. Estas series fueron analizadas por
metodologa ARIMA, en otro trabajo publicado por Corres et al (2009), y fueron analizadas
por su condicin de irregularidad. La condicin de demanda irregular se presenta cuando la
desviacin estndar de la serie excede en 2 3 veces el pronstico del mejor modelo
Ballou, (2004).
La Tabla 2 muestra los resultados de 3 desviaciones tpicas de las 5 series
analizadas y sus pronsticos con Simulacin. Si bien la Simulacin ha logrado disminuir el
error con respecto a los otros mtodos, se puede observar que CA mantiene la condicin
de irregular y sera una razn que podra explicar los importantes errores que cometen los
mtodos al pronosticar la demanda de dicho producto.

PRODUCTO
AA
AN
CA
CN
SA

Pronstico
[latas]
645
637
1615
1331
1434

3
550
498
1898
1206
1147

Tabla 2: Irregularidad de las series analizadas

CONCLUSIONES
1- Se pronosticaron las ventas utilizando el mtodo de simulacin de Monte Carlo.
Los resultados estaran indicando que la simulacin podra ser un mtodo que sigue en
forma bastante cercana los cambios en la demanda para las distintas series de ventas de
los 5 productos de la empresa que se analizaron.
2- Para la realizacin de la simulacin se utiliz el software Crystal Ball. El manejo
result ser simple, aunque quizs se requiere de un conocimiento mas profundo de la
tcnica que para el Suavizado Exponencial, para una mejor interpretacin de los resultados.
3- Para poder evaluar mejor la eficiencia de la simulacin, considerando el costo del
error, se recurri a analizar el sobrepronstico y el subpronstico. Se observ una
tendencia de la simulacin a sobrepronosticar (error negativo).
4- Esta tendencia a sobrepronosticar se observ en todos los mtodos, lo cual
tambin se puede utilizar como una herramienta mas en el momento de la toma de decisin
de predecir la demanda en el perodo analizado.
5- Es importante distinguir el error positivo (subpronstico), del error negativo
(sobrepronsticos) dado que los costos que implican los mismos son distintos y pueden
llevar a decisiones que disminuyan el costo aunque no necesariamente el error total.

10
6- La irregularidad presente en la serie real de Caballa en Aceite hace que los
mtodos de pronsticos se desven en forma importante al momento de predecir las ventas
de dicho producto.

REFERENCIAS
BALLOU, R. (2004) Logstica, Administracin de la Cadena de Suministro. Cap.1. Editorial
Prentice Hall.
BAYRAKTAR, E.; LENNY KOH, S.C.; GUNASEKARAN, A.; SARI, K.; TATOGLU, E. (2008)
The role of forecasting on bullwhip effect for E-SCM application. International Journal of
Production Economics, 113(2008), 193-204.
CHOPRA, S.; MEINDL, P. (2008) Administracin de la cadena de suministro, Estrategia,
Planeacin y Operacin. Pearson Prentice Hall. 3ra. Ed, Mxico.
CHU, Ch.; ZHANG, G. (2003) A comparative study of linear and nonlinear models for
aggregate retail sales forecasting. International Journal of Production Economics. 86 (2003),
217-231.
CORRES, G.; ESTEBAN, A.; GARCA, J.; ZRATE, C. (2008) Metodologa Box Jenkins
(ARIMA) con SPSS. Parte I Revista de Epio N29, 161 176. Parte II Revista de Epio N 30.
CORRES, G.; ESTEBAN, A.; GARCA, J.; ZRATE, C. (2009) "Metodologa Arima aplicada
a series de ventas de conservas de pescado, XXII Encuentro Nacional de Docentes de
Investigacin Operativa, Buenos Aires, Mayo 2009.
HANKE, J.; WHICHERN, D. (2006) Pronsticos en los negocios, Mjico,
Educacin.

Pearson

HERNNDEZ, J.I. (1975) Simulacin de modelos. Cap. 1 ,SADIO, Buenos Aires 1975.
KERKKNEN, A.; KORPELA, J.; HUISKONEN, J. (2009) Demand forecasting errors in
industrial context: measurement and impacts International Journal of Production Economics
118 (2009) 43-48.
SANDERS, N.R.; GRAMAN, G.A. (2006). Quantifying costs of forecast errors: A case of
study of the warehouse enviroment. OMEGA, International Journal of Management Science,
37(2009), 116-25.
XIE, J.; LEE, T.S.; ZHAO, X. (2004) Impact of forecasting error on the performance of
capacitated multi-item production systems. Computers and Industrial Engineering 46 (224)
20-219.