PRONSTICOS DE DEMANDA

PROFESORA: MABEL CAMARENA

UNIVERSIDAD TECNOLGICA DE PANAM
PRONOSTICAR

Arte y ciencia de predecir eventos futuros.

PRONOSTICAR

Puede implicar el empleo de datos histricos y su

proyeccin hacia el futuro mediante algn tipo
de modelo matemtico. Puede ser una
prediccin subjetiva o intuitiva; o puede ser una
combinacin de stas es decir, un modelo
matemtico ajustado mediante el buen juicio del
administrador.
 PRONOSTICAR

Lo que funciona mejor en una empresa con una serie de condiciones

puede ser un completo desastre en otra, o incluso en otro departamento
de la misma compaa.
Adems, se observar que hay lmites a lo que puede esperarse de los
pronsticos, puesto que casi nunca son perfectos. Su monitoreo y
preparacin tambin son costosos y consumen tiempo.
Sin embargo, pocos negocios se dan el lujo de evadir el proceso de
pronosticar y slo esperar a ver qu sucede para despus correr sus
riesgos. La planeacin efectiva a corto y largo plazos depende del
pronstico de la demanda para los productos de la compaa.
Horizontes de tiempo del pronstico

Por lo general, un pronstico se clasifica por el horizonte de tiempo

futuro que cubre. El horizonte de tiempo se clasifica en tres
categoras:
1. Pronstico a corto plazo: Este pronstico tiene una extensin de
tiempo de hasta 1 ao, pero casi siempre es menor a 3 meses. Se usa
para planear las compras, programar el trabajo, determinar niveles
de mano de obra, asignar el trabajo, y decidir los niveles de
produccin.
2. Pronstico a mediano plazo: Por lo general, un pronstico a
mediano plazo, o a plazo intermedio, tiene una extensin de
entre 3 meses y 3 aos. Se utiliza para planear las ventas, la
produccin, el presupuesto y el flujo de efectivo, as como para
analizar diferentes planes operativos.
3. Pronstico a largo plazo. Casi siempre su extensin es de 3
aos o ms. Los pronsticos a largo plazo se emplean para
planear la fabricacin de nuevos productos, gastos de capital,
ubicacin o expansin de las instalaciones, y para investigacin
y desarrollo.
 Los pronsticos a mediano y largo plazos se distinguen de
los pronsticos a corto plazo por tres caractersticas:

1. Primero, los pronsticos a mediano y largo plazos manejan aspectos ms

generales y apoyan decisiones administrativas relativas a la planeacin y
los productos, plantas y procesos.
2. Segundo, el pronstico a corto plazo usualmente emplea metodologas
diferentes que el pronstico a ms largo plazo.
3. Por ltimo, como podra esperarse, los pronsticos a corto plazo tienden
a ser ms precisos que los de largo plazo. Los factores que influyen en la
demanda cambian todos los das. Por lo tanto, a medida que el horizonte
de tiempo se alarga, es ms probable que la exactitud del pronstico
disminuya.
TIPOS DE PRONSTICOS

Las organizaciones utilizan tres tipos principales de

pronsticos en la planeacin de operaciones futuras:
1. Los pronsticos econmicos abordan el ciclo del
negocio al predecir tasas de inflacin, suministros de
dinero, construccin de viviendas, y otros indicadores de
planeacin.
2. Los pronsticos tecnolgicos se refieren a las tasas de progreso
tecnolgico, las cuales pueden resultar en el nacimiento de nuevos e
interesantes productos, que requerirn nuevas plantas y equipo.
3. Los pronsticos de la demanda son proyecciones de la demanda
de productos o servicios de una compaa. Estos pronsticos,
tambin llamados pronsticos de ventas, orientan la produccin, la
capacidad y los sistemas de programacin de la empresa, y sirven
como entradas en la planeacin financiera, de marketing y de
personal.
LA IMPORTANCIA ESTRATGICA DEL
PRONSTICO

Los buenos pronsticos son de importancia crucial para todos los aspectos del negocio: El
pronstico es la nica estimacin de la demanda hasta que se conoce la demanda real.
Por lo tanto, los pronsticos de la demanda guan las decisiones en muchas reas. A
continuacin se ver el efecto del pronstico del producto en tres actividades:
(1) recursos humanos;
(2) Capacidad
(3) administracin de la cadena de suministro.
Recursos humanos

La contratacin, la capacitacin y el despido de los

trabajadores dependen de la demanda anticipada.
Si el departamento de recursos humanos debe contratar
trabajadores adicionales sin previo aviso, la cantidad de
capacitacin declina y se afecta la calidad de la fuerza
de trabajo.
 Capacidad

Cuando la capacidad es
inadecuada, los faltantes que
resultan pueden significar
entregas poco confiables,
prdida de clientes y prdida
de la participacin en el
mercado.
Administracin de la cadena de
suministro

Las buenas relaciones

con el proveedor y, por
ende, las ventajas de
precio en materiales y
partes dependen de
pronsticos adecuados.
SIETE PASOS EN EL SISTEMA DE
PRONSTICO

El pronstico sigue siete pasos bsicos.

1. Determinar el uso del pronstico
2. Seleccionar los aspectos que se deben pronosticar
3. Determinar el horizonte de tiempo del pronstico
4. Seleccionar los modelos de pronstico
5. Recopilar los datos necesarios para elaborar el pronstico
6. Realizar el pronstico.
7. Validar e implementar los resultados
Estos siete pasos presentan una forma sistemtica para iniciar, disear e
implementar un sistema de pronsticos. Cuando el sistema se va a usar para
generar pronsticos regulares a lo largo del tiempo, la recopilacin de datos
debe ser rutinaria. Los clculos reales casi siempre se realizan por
computadora.
Sin importar qu sistema usen las empresas, ellas enfrentan varias realidades:
1. Los pronsticos casi nunca son perfectos. Esto significa que factores
externos no predecibles o controlables suelen afectar el pronstico. Las
compaas deben admitir esta realidad.
1. La mayora de las tcnicas de pronstico suponen la existencia de
cierta estabilidad subyacente en el sistema. En consecuencia,
algunas empresas automatizan sus predicciones a travs de
software para pronsticos computarizados y despus slo vigilan
de cerca aquellos productos cuya demanda es errtica.
2. Tanto los pronsticos de familias de productos como los de
productos agregados son ms precisos que los pronsticos para
productos individuales.
 ENFOQUES DE PRONSTICOS

Pronsticos Pronsticos
cuantitativos cualitativos

Factores como intuicin, emociones, las

Modelos matemticos
experiencias personales y sistemas de valores.

Se apoyan en datos histricos o variables para

Toma decisiones para llegar a un pronstico.
pronosticar demanda.
 Panorama de los mtodos cualitativos
Tcnica de pronsticos que toma en cuenta la opinin de un pequeo grupo de
Jurado de
opinin
administradores de alto nivel para obtener una estimacin grupal de la demanda.
ejecutiva

Tcnica de pronsticos que emplea un proceso grupal con el fin de que los expertos puedan
hacer pronsticos.
Mtodo Delphi Participan los que toman las decisiones, el personal, y los entrevistados.

Tcnica de pronstico basada en las estimaciones de las ventas esperadas por parte de los
Composicin de
la fuerza de
vendedores.
ventas

Mtodo de pronstico que solicita informacin a los clientes o posibles consumidores en

Encuesta en el
mercado de
relacin con sus planes de compra futuros.
consumo
Panorama de los mtodos cuantitativos

Se describen cinco mtodos de pronsticos cuantitativos que emplean datos histricos.

Los mtodos caen en dos categoras:
 Modelos
Modelos
de series
asociativos Incorporan las
de tiempo Predicen bajo el variables o los
supuesto de que el factores que
futuro es una pueden influir en la
funcin del pasado. cantidad por
pronosticar.

Observan lo que ha
ocurrido durante un
periodo y usan una
serie de datos
histricos para
hacer un pronstico.
 PRONSTICOS DE SERIES DE TIEMPO

Se basa en una secuencia de datos

Series de tiempo puntuales igualmente espaciados
Tcnica de (semanales, mensuales, trimestrales,
pronstico que usa etc.).
una serie de datos Los datos para pronsticos de series
puntuales del de tiempo implican que los va lores
pasado para realizar futuros se predicen solamente a
partir de los valores pasados y que se
un pronstico. pueden ignorar otras variables, sin
importar qu tan potencialmente
valiosas sean.
 Descomposicin de una serie de tiempo
Analizar una serie de tiempo significa desglosar los datos histricos en componentes y
despus proyectarlos al futuro. Una serie de tiempo tiene cuatro componentes:

Variaciones
Tendencia Estacionalidad Ciclos
aleatorias
Movimiento Patrn de datos Patrones, Seales
gradual, hacia que se repite detectados en generadas en los
arriba o hacia despus de un los datos, que datos por
abajo, de los periodo de das, ocurren cada casualidad o por
datos en el semanas, meses cierta cantidad situaciones
tiempo. o trimestres. de aos. inusuales.
Cambios en el Usualmente
ingreso, la estn sujetos al
poblacin, ciclo comercial y
distribucin de son de gran
edades o puntos importancia
de vistas para el anlisis y
culturales. la planeacin
del negocio a
corto plazo.
 Enfoque intuitivo

La forma ms simple de
pronosticar es suponer que la
demanda del siguiente periodo
ser igual a la demanda del
periodo ms reciente.
Es el modelo de pronstico ms
efectivo en costos y ms eficiente
con respecto al objetivo. Al menos
ofrece un punto de partida contra
el cual comparar otros modelos
ms sofisticados que se utilicen
despus.
Promedios mviles

El pronstico de promedios mviles usa un nmero de valores

de datos histricos reales para generar un pronstico.

Son tiles si podemos suponer que la demanda del mercado

permanecer relativamente estable en el tiempo

Esta prctica tiende a suavizar las irregularidades del corto

plazo en las series de datos.
Se expresa como

donde n es el nmero de periodos incluidos en el

promedio mvil por ejemplo, 4, 5 o 6 meses,
respectivamente, para un promedio mvil de 4, 5 o 6
periodos.
Ejemplo Mes Ventas Reales de
cobertizos
Enero 10
La tienda de suministros Febrero 12
para jardn de Donna Marzo 13
quiere hacer un Abril 16

pronstico con el Mayo 19

Junio 23
promedio mvil de 3 Julio 26
meses, incluyendo un Agosto 30

pronstico para las Septiembre 28

Octubre 18
ventas de cobertizos el Noviembre 16
prximo enero. Diciembre 14
 Cuando se presenta una tendencia o un patrn localizable,
pueden utilizarse ponderaciones para dar ms nfasis a los valores
recientes. Esta prctica permite que las tcnicas de pronstico
respondan ms rpido a los cambios, puesto que puede darse
mayor peso a los periodos ms recientes. La eleccin de las
ponderaciones es un tanto arbitraria porque no existe una frmula
establecida para determinarlas.
Por lo tanto, decidir qu ponderaciones emplear requiere cierta
experiencia. Por ejemplo, si el ltimo mes o periodo se pondera
demasiado alto, el pronstico puede reflejar un cambio grande
inusual, demasiado rpido en el patrn de demanda o de ventas.
Un promedio mvil ponderado puede expresarse matemticamente como:
Ejemplo Mes Ventas Reales de
cobertizos
Enero 10
La tienda de suministros Febrero 12
para jardn de Donna Marzo 13
quiere hacer un Abril 16

pronstico con el Mayo 19

Junio 23
promedio mvil de 3 Julio 26
meses, incluyendo un Agosto 30

pronstico para las Septiembre 28

Octubre 18
ventas de cobertizos el Noviembre 16
prximo enero. Diciembre 14
Demanda real contra mtodos de promedios mviles y promedios mviles
ponderados para la tienda de suministros para jardn de Donna
 Tanto los promedios mviles simples como los ponderados son efectivos para suavizar
las fluctuaciones repentinas en el patrn de la demanda con el fin de obtener
estimaciones estables. Sin embargo, los promedios mviles presentan tres problemas:

Aumentar el tamao de n (el nmero de periodos promediados)

suaviza de mejor manera las fluctuaciones, pero resta sensibilidad al
mtodo ante cambios reales en los datos.

Los promedios mviles no reflejan muy bien las tendencias. Porque

son promedios, siempre se quedarn en niveles pasados, no
predicen los cambios hacia niveles ms altos ni ms bajos. Es decir,
retrasan los valores reales.

Los promedios mviles requieren amplios registros de datos

histricos.
 Suavizamiento exponencial
Nuevo pronstico = Pronstico del periodo anterior + (Demanda
Tcnica de pronstico
real del mes anterior Pronstico del periodo anterior)
de promedios mviles
ponderados donde los Donde es la ponderacin, o constante de suavizamiento, elegida
datos se ponderan por quien pronostica, que tiene un valor de entre 0 y 1. La ecuacin
mediante una funcin tambin puede escribirse matemticamente como:
exponencial.

La ltima estimacin de la
demanda es igual a la
estimacin anterior ajustada
por una fraccin de la
diferencia entre la demanda
real del ltimo periodo y la
estimacin anterior.
Ejemplo

En enero, un vendedor de automviles predijo que la

demanda para febrero sera de 142 Ford Mustang. La
demanda real en febrero fue de 153 automviles. Usando la
constante de suavizamiento que eligi la administracin de
= .20, el vendedor quiere pronosticar la demanda para
marzo usando el modelo de suavizamiento exponencial.
 La constante de suavizamiento, , se encuentra generalmente en
un intervalo de .05 a .50 para aplicaciones de negocios. Puede
cambiarse para dar ms peso a datos recientes (cuando es alta)
o ms peso a datos anteriores (si es baja). Cuando llega al
extremo de 1.0, entonces en la ecuacin Ft = 1.0At-1. Todos los
valores anteriores se desechan y el pronstico se vuelve idntico al
modelo intuitivo, el cual se mencion anteriormente. Es decir, el
pronstico para el siguiente periodo es considerar exactamente la
misma demanda del periodo actual.
Medicin del error de pronstico

La exactitud general de cualquier modelo de pronstico

promedios mviles, suavizamiento exponencial u otro puede
determinarse al comparar los valores pronosticados con los valores
reales u observados. Si Ft denota el pronstico en el periodo t, y At
denota la demanda real del periodo t, el error de pronstico (o
desviacin) se define como:
 Estas medidas pueden usarse para comparar distintos modelos de
pronstico, as como para vigilar los pronsticos y asegurar su buen
desempeo. Las tres medidas ms populares son la MAD (mean
absolute deviation; desviacin absoluta media), el MSE (mean
squared error; error cuadrtico medio), y el MAPE (mean absolute
percent error; error porcentual absoluto medio).
 Desviacin absoluta media La primera medicin del error global de
pronstico para un modelo es la desviacin absoluta media
(MAD). Su valor se calcula sumando los valores absolutos de los
errores individuales del pronstico y dividiendo el resultado entre el
nmero de periodos con datos (n):
 Error cuadrtico medio El error cuadrtico medio (MSE) es una
segunda forma de medir el error global de pronstico. El MSE es el
promedio de los cuadrados de las diferencias encontradas entre
los valores pronosticados y los observados. Su frmula es:
 Error porcentual absoluto medio Un problema tanto con la MAD como con el MSE es que
sus valores dependen de la magnitud del elemento que se pronostica. Si el elemento
pronosticado se mide en millares, los valores de la MAD y del MSE pueden ser muy
grandes. Para evitar este problema, podemos usar el error porcentual absoluto medio
(MAPE). ste se calcula como el promedio de las diferencias absolutas encontradas entre
los valores pronosticados y los reales, y se expresa como un porcentaje de los valores
reales. Es decir, si hemos pronosticado n periodos y los valores reales corresponden a esa
misma cantidad de periodos, el MAPE se calcula como:
Suavizamiento exponencial con ajuste de
tendencia

El suavizamiento exponencial simple, la tcnica ilustrada en los ejemplos anteriores, como

cualquier tcnica de promedios mviles, falla en su respuesta a las tendencias. Tambin
existen otras tcnicas de pronstico que permiten manejar mejor las tendencias. Sin
embargo, como el suavizamiento exponencial es un enfoque tan comn en los negocios.
Para mejorar nuestro pronstico, ilustraremos un modelo de suavizamiento exponencial
ms complejo, uno que hace ajustes de tendencia. La idea es calcular un promedio
suavizado exponencialmente de los datos y despus ajustar el retraso positivo o negativo
encontrado en la tendencia. La nueva frmula es:
Pronstico incluyendo la tendencia(FITt) =
Pronstico suavizado exponencialmente (Ft) +
tendencia suavizada exponencialmente (Tt)
Con el suavizamiento exponencial ajustado por la tendencia, las estimaciones del promedio
y de la tendencia se suavizan.
Este procedimiento requiere dos constantes de suavizamiento: para el promedio y para la
tendencia. Despus calculamos el promedio y la tendencia para cada periodo:
Ft = (Demanda real del ltimo periodo) + (1 )(Pronstico del ltimo periodo + Tendencia
estimada para el ltimo periodo)

F = (A ) + (1 )(F + T )
t t1 t1 t1
 T = (Pronstico de este periodo Pronstico del ltimo
t

periodo + (1 )(Tendencia estimada para el ltimo periodo) o:

T = (F F ) + (1 )T
t t t1 t1
donde Ft = pronstico suavizado exponencialmente de la serie de datos incluidos en
el periodo t.
Tt = tendencia suavizada exponencialmente en el periodo t
At = demanda real en el periodo t
= constante de suavizamiento para el promedio (0 1)
= constante de suavizamiento para la tendencia (0 1)
As, los tres pasos para calcular el pronstico con
ajuste de tendencia son:
Paso 1: Calcule F , el pronstico suavizado
t

exponencialmente para el periodo t, usando la

ecuacin
Paso 2: Calcule la tendencia suavizada, T , usando la
t

ecuacin
Paso 3: Calcule el pronstico incluyendo la tendencia,
FIT , con la frmula FIT = F + T .
t t t t
Ejemplo
Proyecciones de tendencia

Otro mtodo de pronsticos de series de tiempo que analizaremos es

la proyeccin de la tendencia. Esta tcnica ajusta una recta de
tendencia a una serie de datos puntuales histricos, y despus
proyecta dicha recta al futuro para obtener pronsticos de mediano
y largo plazos. Se pueden desarrollar varias ecuaciones matemticas
(por ejemplo, exponencial y cuadrtica), pero en esta seccin
veremos slo tendencias lineales (en lnea recta).
Si decidimos desarrollar una recta de tendencia lineal
mediante un mtodo estadstico preciso, podemos aplicar
el mtodo de mnimos cuadrados. Este enfoque resulta en
una lnea recta que minimiza la suma de los cuadrados de
las diferencias verticales o desviaciones de la recta hacia
cada una de las observaciones reales.
Una recta de mnimos
cuadrados se describe
en trminos de su
interseccin con el eje y
(la altura a la cual cruza
al eje y) y su pendiente
(el ngulo de la recta).
Si podemos calcular la
interseccin con el eje y
y la pendiente,
podremos expresar la
recta con la siguiente
ecuacin:
donde (que se lee y gorro) = valor calculado de la variable que
debe predecirse (llamada variable dependiente)
a = interseccin con el eje y
b = pendiente de la recta de regresin (o la tasa de cambio en y
para los cambios dados en x)
x = variable independiente (que en este caso es el tiempo)
Los estadsticos han desarrollado ecuaciones que
se utilizan para encontrar los valores de a y b para
cualquier recta de regresin. La pendiente b se
encuentra mediante:

donde b = pendiente de la recta de regresin

= signo de sumatoria
La interseccin con el eje y, a, puede
x = valores conocidos de la variable independiente
calcularse como sigue:
y = valores conocidos de la variable dependiente a = b
= promedio de los valores de x
= promedio de los valores de y
n = nmero de puntos de datos u observaciones
Variaciones estacionales en los datos

Las variaciones estacionales en los datos son movimientos regulares

ascendentes o descendentes localizados en una serie de tiempo y
que se relacionan con acontecimientos recurrentes como el clima o
las vacaciones. La demanda de carbn o petrleo aumenta durante
los meses de invierno. La demanda de clubes de golf o
bronceadores puede ser mayor durante el verano.
La estacionalidad puede aplicarse en forma horaria, diaria, semanal,
mensual o en otros patrones recurrentes.
De manera similar,
comprender las variaciones
estacionales es importante
para planear la capacidad en
las organizaciones que
manejan picos en la carga de
trabajo. Esto incluye a las
compaas de energa
elctrica durante los periodos
de fro o calor intensos, a los
bancos los viernes por la tarde,
y a trenes subterrneos y
autobuses durante las horas de
trfico matutino o vespertino.
De manera similar, comprender
las variaciones estacionales es
importante para planear la
capacidad en las
organizaciones que manejan
picos en la carga de trabajo.
Esto incluye a las compaas de
energa elctrica durante los
periodos de fro o calor intensos,
a los bancos los viernes por la
tarde, y a trenes subterrneos y
autobuses durante las horas de
trfico matutino o vespertino.
A continuacin se presentan los pasos que seguira una
compaa que tiene estaciones de un mes:

Encontrar la demanda histrica promedio de cada estacin (o mes en este

caso) sumando la demanda medida en ese mes de cada ao y dividindola
entre el nmero de aos con datos disponibles.
Calcular la demanda promedio de todos los meses dividiendo el promedio total
de la demanda anual entre el nmero de estaciones.
Calcular un ndice estacional para cada estacin dividiendo la demanda
histrica real de ese mes (del paso 1) entre la demanda promedio de todos los
meses (del paso 2).
Estimar la demanda total anual para el siguiente ao.
Dividir esta estimacin de la demanda total anual entre el nmero de
estaciones, despus multiplicarla por el ndice estacional para ese mes. Esto
proporciona el pronstico estacional.
Ejemplo

Un distribuidor Des Moines de computadoras porttiles Sony

quiere desarrollar ndices mensuales para las ventas. Se
dispone de los datos mensuales para los aos 2005 a 2007.
MONITOREO Y CONTROL DE PRONSTICOS

Una manera de supervisar los pronsticos para asegurar

que sean buenos es emplear una seal de control. Una
seal de control es una medida de qu tan bien predicen
los pronsticos los valores reales. Conforme los pronsticos
se actualizan semanal, mensual o trimestralmente, los
nuevos datos disponibles de la demanda se comparan con
los valores pronosticados.
La seal de control se calcula como la RSFE (running sum of the
forecast errors; suma continua de errores del pronstico) dividida
entre la MAD (mean absolute deviation; desviacin absoluta media):
Las seales de control positivas indican que la demanda es mayor
que el pronstico. Las seales de control negativas indican que la
demanda es menor que el pronstico. Una buena seal de control
es decir, una con RSFE baja tiene casi tanto error positivo como
error negativo. En otras palabras, una pequea desviacin est bien,
pero los errores negativos y positivos deben equilibrarse entre s para
que la seal de control se centre muy cerca de cero.
Una tendencia consistente de los pronsticos a ser mayores o
menores que los valores reales (es decir, con RSFE alta) se llama error
de sesgo. El sesgo ocurre cuando, por ejemplo, se usan las variables o
la recta de tendencia incorrectas, o si se aplica de manera
incorrecta un ndice estacional.
Una vez calculadas las seales de control, se comparan para determinar los lmites
de control. Cuando una seal de control excede el lmite inferior o superior, existe
un problema con el mtodo de pronsticos y la administracin querr reevaluar la
forma en que pronostica la demanda.
Cmo deciden las empresas cules deben ser los lmites de control
superior e inferior? No existe una respuesta nica, pero intentan
encontrar valores razonables en otras palabras, lmites que no sean
tan bajos como para enviar la seal con el mnimo error de
pronstico ni tan altos que dejen pasar pronsticos malos de manera
regular.
Una MAD equivale aproximadamente a .8 desviaciones estndar, 2
MAD = 1.6 desviaciones estndar, 3 MAD = 2.4 desviaciones
estndar, y 4 MAD = 3.2 desviaciones estndar; lo cual sugiere que
para que un pronstico est bajo control, se espera que el 89% de
los errores caiga dentro de 2 MAD, el 98% dentro de 3 MAD, o el
99.9% dentro de 4 MAD.5