5.6.

Aplicación de Forecasting, mediante el método de medias móviles para modelos

estacionales
La diferencia entre posible y probable es vital para comprender el espíritu de la prospectiva
estratégica y diferenciarla de los enfoques de “pronóstico” que en inglés se denominan
“forecasting”. Se podría decir que el concepto de lo probable está ligado a esta corriente y
que el espíritu de lo posible hace parte de la filosofía de la escuela francesa de prospectiva.
(Mojica, 2006)
El Forecasting es un término que está ganando fuerza dentro de las organizaciones en muchos
países latinoamericanos, debido al auge del Data-Science con herramientas de fácil uso como
Excel.
El Forecasting, proyección, o pronostico, es una actividad que se volvió rutinaria dentro de
las organizaciones. Paso de ser una actividad meramente exclusiva de los altos cargos de una
organización, y se convirtió en algo aplicable por muchos debido a las hojas de cálculo.
Muchos modelos de negocio pueden parecer similares en cuanto a las interacciones que estos
tienen con los mercados económicos que impactan. No obstante, casi la mayoría de los
modelos de negocio son únicos en cuanto al comportamiento que tienen con los factores que
los rodean.

Es decir, los factores exógenos que son los mismos dentro de un mercado, pueden hacer que
un modelo particular se comporte de manera única y diferente de otro modelo de negocio que
exista dentro de ese mercado.

Como consecuencia, al realizar una proyección o Forecasting, deben tenerse en cuenta el

aislamiento de los factores exógenos que interactúan con el modelo, para así poder observar
la curva natural del ciclo económico que la organización tiene con el mercado.

Con el siguiente video tutorial quiero enseñarte de una manera clara, fácil, y sencilla, un
método para realizar Forecasting sobre un modelo de negocio estacional, mediante el cual
realizamos el aislamiento de algunos factores utilizando el Factor estacional.
Las Fluctuaciones estacionales y las Tendencias del desarrollo de un modelo, pueden aislarse
fácilmente mediante la aplicación del factor estacional hallado con el método de medias
móviles. Una vez linealizada la serie, esta puede proyectarse en el tiempo y luego se
reestacionaliza para encontrar las métricas de la proyección.

Utilizamos un libro de Excel para explicar todo el engranaje lógico al realizar Forecasting
sobre un modelo de negocio bastante simple que tiene un símil con otros modelos de un
mercado. (Mojica, 2006)

5.6.1. Estrategias importantes para el forecastig

Los buenos pronósticos son de importancia crítica en todos los aspectos de un negocio. Los
pronósticos de la demanda conducen decisiones en muchas áreas. Miremos el impacto del
producto pronosticado en tres actividades: (1) recursos humanos, (2) capacidad, y (3)
gerencia de la proveer-cadena.
5.6.2. Recursos Humanos
Emplear, adiestrar, y el despido a trabajadores dependen de la demanda anticipada. Si el
departamento de recursos humanos debe emplear a trabajadores adicionales sin la
advertencia, la cantidad de adiestramiento declina y la calidad de la mano de obra sufre.
5.6.3. Capacidad
Cuando la capacidad es inadecuada, los resultados pueden significar entrega mala, pérdida
de clientes, y pérdida de una parte del mercado.
5.6.3.1. Cadena de fuente gerencial
Las buenas relaciones del suplidor y el sobrevenir tasan las ventajas para los materiales y las
piezas dependiendo de pronósticos exactos.
5.6.3.2. Siete pasos en el sistema de pronóstico
Pronóstico sigue siete pasos básicos. Utilizaremos la corporación de Tuperware.
Determinar el uso del pronóstico: Las aplicaciones de Tupperware exigen pronósticos para
guiar la producción de cada una de sus 13 “plantas”.
Seleccionar los artículos que se pronosticarán: Para Tupperware, hay sobre 400 productos,
cada uno posee SKU (unidad stock-keeping).
Determinar el horizonte del tiempo del pronóstico: ¿Es el pronóstico corto, medio o el largo
plazo? Tupperware desarrolla los pronósticos mensuales, cada cuatro meses, y 12 meses para
las proyecciones de ventas.
Seleccionar el/los modelo(s) del pronóstico: Tupperware utiliza una variedad de modelos
estadísticos.
Recopilar los datos necesitados para hacer el pronóstico: el mundo corporativo de
Tupperware mantiene bases de datos enormes para supervisar la venta de cada producto.
Hacer el pronóstico
Validar e implementar los resultados: Se aplican las medidas preventivas, los pronósticos se
utilizan para itinerarios de materiales, programar el equipo y a personal en cada “planta”.
Estos siete pasos presentan una manera sistemática de iniciar, diseñar, e implementar el
pronóstico.
5.6.4. Enfoque de Pronóstico
Hay dos acercamientos generales al pronóstico. Uno es un análisis cuantitativo; el otro es un
acercamiento cualitativo. Pronostico cuantitativo: utiliza una variedad de modelos
matemáticos. Los pronósticos cualitativos incorporan los factores tales como la toma de
decisiones, intuición, emociones, experiencias personales, y sistema del valor en alcanzar un
pronóstico.
5.6.5. Indicadores de modelos de series de tiempo
Estos indicadores sirven para comparar la efectividad de diferentes modelos utilizados.
Siempre se busca el valor menor en los indicadores MAPE, MAD y MSD ya que representa
un mejor ajuste del modelo.

MAPE: Porcentaje promedio absoluto de error, mide la exactitud de los valores estimados de
la serie de tiempo. La exactitud se expresa como un porcentaje con yt igual al valor

observado, ŷt es el valor estimado y n el número de observaciones.

∑ |(𝑦𝑡 − 𝑦̂𝑡 )⁄𝑦𝑡 |

𝑀𝐴𝑃𝐸 = × 100 (𝑦𝑡 ≠ 0)
𝑛
MAD: Desviación media absoluta, mide la exactitud de los valores estimados de la serie de
tiempo. Expresa la exactitud en las mismas unidades de los datos.

∑𝑛𝑡=1|𝑦𝑡 − 𝑦̂𝑡 |
𝑀𝐴𝐷 =
𝑛
MSD: Desviación cuadrática media, es más sensible a errores anormales de pronóstico que
el MAD.

∑𝑛𝑡=1|𝑦𝑡 − 𝑦̂𝑡 |2
𝑀𝑆𝐷 =
𝑛

5.6.6. Métodos de pronóstico

Los métodos de series de tiempo incluyen métodos de pronóstico y de suavizamiento simples,
métodos de análisis de correlación y métodos de Box Jenkins ARIMA.
Métodos de pronóstico y suavizamiento simple: se basan en la idea de que hay patrones
visibles en una gráfica de series de tiempo que pueden ser extrapolados al futuro. El método
se selecciona dependiendo de si los patrones son estáticos (constantes en el tiempo) o
dinámicos (cambian en el tiempo), la naturaleza de los componentes de tendencia y
estacionalidad y que tan lejos se quiera pronosticar, son métodos generalmente fáciles y
rápidos de aplicar.
Métodos de pronóstico ARIMA (Autoregressive Integrated Moving Average): también usan
patrones de datos, sin embargo, puede que no sean fácilmente visibles en la serie de tiempo.
El modelo usa funciones de diferencias, autocorrelación y autocorrelación parcial para
ayudar a identificar un modelo aceptable. El modelo ARIMA representa una serie de pasos
de filtraje hasta que solo queda ruido aleatorio. Es un proceso iterativo que consume tiempo
de ejecución.

5.6.6.1. Métodos de pronóstico y suavizamiento simple:

Modelan componentes en una serie que normalmente son fáciles de ver en una serie de
tiempo.
Este método descompone los datos en sus partes componentes y los extiende al futuro para
pronosticar. Se pueden seleccionar los métodos siguientes:

1. Métodos estáticos de análisis de tendencias y descomposición para patrones que no

cambian con el tiempo.
2. Métodos dinámicos de promedio móvil; métodos de suavizamiento exponencial
simple y doble y método de Winters. Para patrones que cambian en el tiempo y sus
estimados son determinados por los valores más cercanos.

Se pueden usar los dos métodos combinados, es decir se puede utilizar un método para
modelar un componente y otro para modelar otros componentes, por ejemplo:

 Ajustar una tendencia por medio de un análisis de tendencias estático y

dinámicamente modelar el componente estacional en los residuos usar el método de
Winters.
 Ajustar un modelo estático de estacionalidad por medio de la descomposición y
dinámicamente modelar los componentes de la tendencia en los residuos usando un
modelo de suavizamiento exponencial doble.
 Ajustar con modelos de tendencia y descomposición al mismo tiempo.

Una desventaja de combinar métodos es que los intervalos de confianza de los pronósticos
no son válidos.

A continuación, se presenta un ejemplo de cada método.

5.6.6.2. Método de análisis de tendencias
Ajusta un modelo general de tendencias a datos de series de tiempo, se puede seleccionar un
modelo lineal, cuadrático, exponencial (crecimiento o declinación) y de curva – S (para
tecnología).
Usar este modelo si no hay componente estacional en el patrón de serie de tiempo.
Tiene una amplitud de pronóstico amplia siguiendo la línea de tendencia.
Las fórmulas se muestran a continuación:
5.6.6.3. Modelo de Tendencia

Lineal

1 representa el cambio promedio de un periodo a otro.

Cuadrático

Toma en cuenta la curvatura simple en los datos.

Crecimiento exponencial

Toma en cuenta el crecimiento o decaimiento exponencial. Por ejemplo, el

comportamiento de una cuenta de ahorros.

Curva S de Pearl-Reed.
Toma en cuenta las observaciones que se ajustan a una curva con forma de S.

Por ejemplo:

Se colectan datos de empleo en un sector de negocios durante 60 meses y se desea predecir

la tasa de empleo para los siguientes 12 meses, EMPLOY.MTW.

Trade Food Metals Trade Food Metals

322 53.5 44.2 351 63.6 44.5
317 53 44.3 354 68.8 45
319 53.2 44.4 355 68.9 44.8
 323 52.5 43.4 357 60.1 44.9
327 53.4 42.8 362 55.6 45.2
328 56.5 44.3 368 53.9 45.2
325 65.3 44.4 348 53.3 45
326 70.7 44.8 345 53.1 45.5
330 66.9 44.4 349 53.5 46.2
334 58.2 43.1 355 53.5 46.8
337 55.3 42.6 362 53.9 47.5
341 53.4 42.4 367 57.1 48.3
322 52.1 42.2 366 64.7 48.3
318 51.5 41.8 370 69.4 49.1
320 51.5 40.1 371 70.3 48.9
326 52.4 42 375 62.6 49.4
332 53.3 42.4 380 57.9 50
334 55.5 43.1 385 55.8 50
335 64.2 42.4 361 54.8 49.6
336 69.6 43.1 354 54.2 49.9
335 69.3 43.2 357 54.6 49.6
338 58.5 42.8 367 54.3 50.7
342 55.3 43 376 54.8 50.7
348 53.6 42.8 381 58.1 50.9
330 52.3 42.5 381 68.1 50.5
326 51.5 42.6 383 73.3 51.2
329 51.7 42.3 384 75.5 50.7
337 51.5 42.9 387 66.4 50.3
345 52.2 43.6 392 60.5 49.2
350 57.1 44.7 396 57.7 48.1

Las instrucciones de Minitab son las siguientes:

1. Open Worksheet EMPLOY.MTW.

 2. Ejecutar Stat > Time Series > Trend Analysis.
3. En Variable, poner Trade.
4. En Model Type, seleccionar Linear
5. Seleccionar Generate forecasts y poner 12 en Number of forecasts.
6. Seleccionar Storage.
7. Seleccionar Fits (Trend Line), Residuals (detrended data), y Forecasts.
Seleccionar OK en cada diálogo.

Trend Analysis Plot for Trade

Linear Trend Model
Yt = 313.989 + 1.16485*t
400 Variable
Actual
390 Fits
Forecasts
380
Accuracy Measures
370 MAPE 1.8999
MAD 6.6177
360
Trade

MSD 67.4325

350

340

330

320

310
1 7 14 21 28 35 42 49 56 63 70
Index

1: Ejemplo de Forecast

Como hay un patrón curvilíneo de los datos, se usa un análisis de tendencias con un modelo
cuadrático.

Como también hay un componente estacional se guardan los valores estimados y los residuos
para realizar una descomposición de los residuos posteriormente.
 1. Open Worksheet EMPLOY.MTW.
2. Ejecutar Stat > Time Series > Trend Analysis.
3. En Variable, poner Trade.
4. En Model Type, seleccionar Quadratic.
5. Seleccionar Generate forecasts y poner 12 en Number of forecasts.
6. Seleccionar Storage.
7. Seleccionar Fits (Trend Line), Residuals (detrended data), y Forecasts.
Seleccionar OK en cada diálogo.

Trend Analysis Plot for Trade

Quadratic Trend Model
Yt = 320.762 + 0.509373*t + 0.0107456*t**2
Variable
410 Actual
Fits
400
Forecasts
390 Accuracy Measures
380 MAPE 1.7076
MAD 5.9566
370
Trade

MSD 59.1305

360
350
340
330
320

1 7 14 21 28 35 42 49 56 63 70
Index

2: Ejemplo de Forecast

Trend Analysis for Trade

Data Trade
Length 60
Missing 0
Fitted Trend Equation
Yt = 320.762 + 0.509373*t + 0.0107456*t**2

Accuracy Measures
MAPE 1.7076
MAD 5.9566
MSD 59.1305
Forecasts
Period Forecast
61 391.818
62 393.649
63 395.502
64 397.376
65 399.271
66 401.188
67 403.127
68 405.087
69 407.068
70 409.071
71 411.096
72 413.142

Interpretación de los resultados

La gráfica de tendencia muestra los datos originales, los datos ajustados y los pronósticos.
También se muestran la ecuación de regresión y los indicadores MAPE, MAD y MSD que
ayudan a determinar la exactitud del ajuste.

La tendencia de la tasa de empleo es ascendente con un componente de estacionalidad

evidente. El modelo de tendencia parece ajustar bien a la tendencia general, no así al patrón
de estacionalidad que puede ser analizado con el modelo de descomposición de los residuos.

5.6.6.4. Método de Descomposición

Se usa para pronosticar cuando hay un componente de estacionalidad en la serie de tiempo o
si se quiere analizar la naturaleza de los componentes. Separa las series de tiempo en
componentes de tendencia lineal y estacionalidad, así como el error. Se puede usar
componente de estacionalidad en modo aditivo o multiplicativo con la tendencia.
Tiene una amplitud de pronóstico amplia siguiendo la tendencia con el patrón de
estacionalidad.