Gestión de Operaciones

Capítulo 2: Pronósticos de Demanda

Introducción

„ Permiten estudiar la demanda futura, acción

importante en el diseño de un producto.

„ Relaciones relevantes:
„ Pronóstico - Planeación.
„ Demanda - Ventas.

Capítulo 2: Pronósticos de Demanda # 2

Introducción
„ Es importante ver el horizonte y nivel de agregación
que se requiere para el pronóstico de demanda:

„ Nivel Estratégico:
„ Largo plazo / A nivel del sector industrial.
„ Nivel Táctico:
„ Mediano plazo / A nivel de líneas de producto.
„ Nivel Operacional:
„ Corto Plazo / A nivel de producto (SKU).

„ Ejemplo: Fábrica de Zapatos.

„ Nivel Estratégico: Demandas globales a 5 años.
„ Nivel Táctico: Demanda por línea para la próxima temporada.
„ Nivel Operativo: Demanda por modelo y número para la próxima
semana.
Capítulo 2: Pronósticos de Demanda # 3
Métodos de Pronóstico
„ Existen dos tipos:
„ Métodos Cualitativos: son aquellos que dependen de
juicios.

„ Métodos Cuantitativos: son aquellos que poseen un

modelo subyacente.
„ Los datos y patrones de datos se utilizan como indicadores 
confiables para predecir el futuro.
„ Incluyen Series de Tiempo y Modelos Causales.

Capítulo 2: Pronósticos de Demanda # 4

 Métodos de Pronóstico
„ Usos:
Horizonte Exactitud Número de Nivel Método de
Uso
de tiempo necesaria productos gerencial pronóstico
Diseño del proceso largo media uno o pocos alto cualitativos y
causales
Planeación de la capacidad largo media uno o pocos alto cualitativos y
de las instalaciones causales
Planeación Agregada mediano alta pocos mediano causales y
series de tiempo
Programación corto la más alta muchos más bajo series de tiempo

Administración de Inventarios corto la más alta muchos más bajo series de tiempo

Capítulo 2: Pronósticos de Demanda # 5

Métodos Cualitativos
„ Características Generales:
9 Se posee poca información.
9 Existe alta incertidumbre.
9 Se tiene escasa capacidad de proceso.
9 Horizonte de mediano o largo plazo.

„ Uso típico: Decisiones estratégicas

9 Selección de Mercados
9 Diseño de Procesos.
9 Selección de Productos Nuevos.

„ Métodos Populares
9 Grass Root
9 Investigación de Mercados 
9 Panel de Consenso
9 Método Delphi

Capítulo 2: Pronósticos de Demanda # 6

Métodos Cualitativos
„ 1.- Método Delphi:
„ Grupo de expertos que se reúne durante varias sesiones de
reconsideraciones en busca de consensos respecto a un grupo de
preguntas adecuado a la situación que se enfrenta.

„ Características:
„ Se usa en la introducción de nuevos productos y cambios
tecnológicos.
„ Es regular en exactitud y puntos de cambio.
„ Posee un costo mediano o alto.

Capítulo 2: Pronósticos de Demanda # 7

Métodos Cualitativos
„ Ejemplo: Empresa que requiere pronóstico de
ventas a 5 años y que posee una baja capacidad,
lo que hace difícil usar ventas como información
de demanda.
„ Participación de 23 administradores.
„ Datos: PGB, ventas del sector y ventas de la empresa por 5 años.
„ Varias preguntas para obligar a pensar en relaciones.
„ Resultado: Mucha dispersión al comienzo, pero se convergió a
un buen pronóstico.

Capítulo 2: Pronósticos de Demanda # 8

Métodos Cualitativos
„ 2.- Investigación de Mercado:
„ Corresponden básicamente a paneles, cuestionarios y
pruebas de mercado.

„ Características:
„ Típicamente se usan para probar nuevos productos 
(yogurt) o en test políticos (encuestas).
„ Son buenos a corto plazo.
„ Relativamente caras.
„ Permiten identificar puntos de cambio

Capítulo 2: Pronósticos de Demanda # 9

Métodos Cualitativos
„ 3.- Analogía a los Ciclos de Vida:
„ Consiste en identificar en que fase de su vida se encuentra un
producto, para esto se analizan las curvas de crecimiento de
productos similares.

„ Fases:
„ Introducción.

„ Crecimiento.

„ Maduración.

„ Saturación.

„ Ejemplos:
„ Juguetes.
„ VHS.

Capítulo 2: Pronósticos de Demanda #10

Métodos Cualitativos
„ 4.- Juicio Bien Informado:
„ Se basa sólo en la experiencia y en la intuición.
„ Características:
„ Tienen un gran uso.
„ Posee una exactitud baja.
„ Costo bajo.
„ Regular en la identificación de puntos de cambio.
„ Ejemplo:
„ Edificios de departamentos.

Capítulo 2: Pronósticos de Demanda #11

 Series de Tiempo

„ Características:

„ Estos métodos utilizan datos históricos

y los proyectan a futuro.
„ Son de corto plazo.
„ Es necesario contar con datos internos.
„ No captan patrones de cambio.

Capítulo 2: Pronósticos de Demanda #12

 Finding Components of Demand

140
140

120
120
Sales
Sales
Price
100
100

80
80

60
60

40
40

20
20

00
11 33 55 77 99 1111 1313 1515 1717 1919 2121 2323 2525 2727 2929
Week
Week

Capítulo 1: La Función de Operaciones #13

Series de Tiempo
Demanda

Serie de tiempo original

Tiempo

Serie de Tiempo Original

Capítulo 2: Pronósticos de Demanda #14

Series de Tiempo
Ciclo

Patrón
Demanda

de estacionalidad

Tendencia

Nivel

Aleatorio

Tiempo

Serie de Tiempo Descompuesta

Capítulo 2: Pronósticos de Demanda #15

 Series de Tiempo
„ Componentes:

„ Ruido: parte aleatoria (si es muy alto es difícil hacer pronósticos).

„ Estacionalidad.
„ Tendencia.
„ Nivel (base).
„ ………
„ Qué mas ?

Capítulo 2: Pronósticos de Demanda #16

Series de Tiempo
„ Notación:
„ Dt: demanda observada en el período t.
„ Ft+1: pronóstico para el período t+1.
„ At: promedio calculado para el período t.
„ et = Dt - Ft : error de pronóstico.

„ Típicamente se conocen Dt-k,....., Dt y se busca

Ft+1, Ft+2,....

Capítulo 2: Pronósticos de Demanda #17

Series de Tiempo
„ 1.- Promedios Móviles Simples:
„ Se sugiere que la serie de tiempo tiene
componentes de valor promedio.

Dt + Dt +1 + ... + Dt − N +1
At =
N

„ Se toma Ft+1=At.

Capítulo 2: Pronósticos de Demanda #18

Calculando Promedios Móviles
Mes Demanda 3-Mes 6-Mes
1 650 F4= (650+678+720)/3
2 678 = 682.67
3 720 F7 = (650+678+720
4 785 682.67 +785+859+920)/6
5 859 727.67 =768.67
6 920 788.00
7 850 854.67 768.67
8 758 876.33 802.00
9 892 842.67 815.33
10 920 833.33 844.00
11 789 856.67 866.50
12 844 867.00 854.83
 Promedio Móvil Simple
140

120 Demand
3-Week
100 6-Week
80

60

40

20

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Weeks
Series de Tiempo
„ 2.- Promedios Móviles Ponderados:
„ Si hay variabilidad en la demanda se pueden usar promedios 
móviles ponderados, asignando mayor ponderación a los últimos 
períodos.

Ft +1 = At = Wt ⋅ Dt + ...... + Wt − N +1 ⋅ Dt − N +1
t

∑Wi = 1
i =t − N −1
(caso simple, Wi = N1 )

„ No es recomendable por:
„ Complejidad.
„ Se deben llevar los registros de demanda históricos.
„ Cálculo de las ponderaciones.

Capítulo 2: Pronósticos de Demanda #21

 Promedio Móvil Ponderado
140

120 Demand
3-Week
100 Weighted
80

60

40

20

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Weeks
Series de Tiempo
„ 3.- Alisamiento Exponencial Simple:

At = α ⋅ Dt + (1 − α ) ⋅ At −1 0 <α <1
Ft +1 = At

„ At-1 refleja la historia.

„ Si se cree en la última demanda α →1.
„ Si se cree en la historia α →0.

Capítulo 2: Pronósticos de Demanda #23

Series de Tiempo
„ El efecto de los primeros períodos se va
atenuando en forma exponencial:

Ft +1 = α ⋅ Dt + (1 − α ) ⋅ At −1
= α ⋅ Dt + (1 − α ) ⋅ [α ⋅ Dt −1 + (1 − α ) ⋅ At − 2 ]
= α ⋅ Dt + (1 − α ) ⋅ α ⋅ Dt −1 + (1 − α ) 2 ⋅α ⋅ Dt − 2 + ...
... + (1 − α ) t ⋅ D1

Capítulo 2: Pronósticos de Demanda #24

Alisamiento Exponencial
Simple
140

120 Demand
alpha=0.9
100 alpha=0.5
80

60

40

20

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Weeks
Series de Tiempo
„ 4.- Alisamiento Exponencial con Tendencia:

At = α ⋅ Dt + (1 − α ) ⋅ ( At −1 + Tt −1 ) 0 <α <1
Tt = β ⋅ ( At − At −1 ) + (1 − β ) ⋅ Tt −1 0 < β <1
Ft + k = At + k ⋅ Tt k = 1,2,...

„ Donde Tt es la tendencia.

Capítulo 2: Pronósticos de Demanda #26

Alisamiento Exponencial con Tendencia
180
Demand
160
α
a =0.9 & β
b=0.8
140
α
a =0.9 & β
b=0.2

120

100

80

60

40

20

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

Capítulo 1: La Función de Operaciones #27

 Series de Tiempo
„ Errores de Pronóstico:
„ Los indicadores de error sirven para ver en qué momento 
el pronóstico falla o los datos no sirven.

„ Indicadores:
„ Desviación media absoluta:

1 1 MAD ≈ 0.8 desv. estandard

MAD = ∑ Dt − Ft
n t 1 des. estandard ≈ 1.25 MAD
¾ El valor ideal de MAD es cero (ie, no existe error de pronósticos).
¾ Mientras mas grande MAD, menor la precisión del modelo. MAD se usa para
− Compare distintos modelos de pronósticos.
− Elegir el “mejor” modelo dentro de una familia de modelos
Capítulo 2: Pronósticos de Demanda #28
 MAD para Determinar Error de Pronóstico
Ej: Suavizado Exponencial Simple
140 25

120
Sales MAD
20
100

80 15

60
10

40
5
20

0 0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Week
α
188 18

178
168 Sales
17
16
MAD
158 15
148 14
138 13
128 12
118 11
108 10
98 9
88 8
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Week α
Métodos Causales
„ 1.- Regresión Lineal:
yˆ = a + b ⋅ x
„ x: variable independiente.
„ ŷ : variable dependiente.

„ La idea es ajustar una curva a los puntos con que

se cuenta.

Min ∑ ( yi − yi ) = Min ∑ (a + b ⋅ xi − yi )
ˆ 2 2
i i
Capítulo 2: Pronósticos de Demanda #30
 Regresión Lineal

188
Sales

168

148

128

Sales
108
Sales
Regression
88
1 3 5 7 9 11 13 15 17
17 19
19 21
21 23
23 25
25 27
27 29
29
Week

Capítulo 1: La Función de Operaciones #31

Regresión Lineal
„ Como resultado se obtiene:

∑y i ∑x i
a= i
−b⋅ i
n n
⎡⎛ ⎞ ⎛ ⎞⎤
n ⋅ ∑ xi ⋅ yi − ⎢⎜ ∑ xi ⎟ ⋅ ⎜ ∑ yi ⎟⎥
⎣ ⎝ i ⎠ ⎝ i ⎠⎦
b=
i
2
⎛ ⎞
n ⋅ ∑ xi − ⎜ ∑ xi ⎟
2

i ⎝ i ⎠
Capítulo 2: Pronósticos de Demanda #32
Regresión Lineal
2
⎡ ⎛ ⎞ ⎛ ⎞⎤
⎢n ⋅ ∑ xi ⋅ yi − ⎜ ∑ xi ⎟ ⋅ ⎜ ∑ yi ⎟⎥
⎣ ⎝ i ⎠ ⎝ i ⎠⎦
R =
2 i

⎡ ⎛ ⎞
2
⎤ ⎡ ⎛ ⎞ ⎤
2

⎢n ⋅ ∑ xi − ⎜ ∑ xi ⎟ ⎥ ⋅ ⎢n ⋅ ∑ yi − ⎜ ∑ yi ⎟ ⎥
2 2

⎢⎣ i ⎝ i ⎠ ⎥⎦ ⎢⎣ i ⎝ i ⎠ ⎥⎦

„ Donde R2 mide la proporción de la variación de y

explicada por x.
„ Valores sobre 50% se consideran buenos.

Capítulo 2: Pronósticos de Demanda #33

Métodos Causales
„ Ejemplo:
„ y: Venta de periódicos.
„ x1: Número de habitantes.
„ x2: Ingreso per capita.
„ x3: Competencia.

„ Se puede extender a formulaciones complejas.

yˆ = f( x, z , w)

Capítulo 2: Pronósticos de Demanda #34

Métodos Causales
„ Principales características:

„ Es útil cuando existen fuertes relaciones causales.

„ Uso típico para horizontes de corto y mediano plazo.
„ Permite identificar bien puntos de cambio.
„ Es un método caro.
„ Requiere sofisticación.
„ Es fácil cometer errores.

Capítulo 2: Pronósticos de Demanda #35

Aplicación
Estimación de Demanda Para una Tienda por Departamentos

Modelo de 3 Factores

Elasticidad
Precio
Demanda

Demanda

Demanda
Elasticidad
Inventario
Estacionalidad

Tiempo Precio Inventario en Tienda

Demanda
Demanda == Estacionalidad
Estacionalidad××Elast.
Elast.Precio
Precio××Elast.
Elast.Inventario
Inventario

Capítulo 1: La Función de Operaciones #36

 Aplicación
Modelo de 3 Factores
Sweater Sport
Precio / P. Inicial P. Inicial = $18.990
Stock Max.= 570
1.0 Venta Max. = 513

0.8
Stock / max Stock

0.6

0.4

0.2
Ventas / max Ventas
0
7 12 17 22 27 32
Semana (Temporada 2002)

Capítulo 1: La Función de Operaciones #37

Aplicación
Enfoque de Estimación Jerárquico
Datos
DatosAgrupados
AgrupadosporporSubclase
SubclaseyyGrupos
GruposdedeTiendas
Tiendas
¾¾Estacionalidad
EstacionalidadTemporal
Temporal
¾¾Efecto
EfectoPromoción
Promoción
¾¾Elasticidades
ElasticidadesPrecio
PrecioeeInventario
InventarioPromedio
Promedio

Datos
DatosAgrupados
AgrupadosporporEstilo
EstiloyyGrupos
GruposdedeTiendas
Tiendas
¾¾Estacionalidad
EstacionalidadPrecio
PrecioEspecifica
Especificadel
delEstilo
Estilo

Datos
DatosAgrupados
AgrupadosporporEstilo
EstiloyyTienda
Tienda
¾¾Factor
Factorde
deAjuste
AjusteMagnitud
MagnituddedeVentas
VentasEspecífica
Específica
aacada
cadaEstilo
EstiloyyTienda
Tienda
Capítulo 1: La Función de Operaciones #38
Aplicación: Modelo
Estacionalidad
Subclase
Elasticidad
Demanda Efecto
Precio Estilo i
Estilo i Promoción

⎡ P I ⎤
Di (t , P, I ) = K i × K (t ) × K prom × exp ⎢(γ + γ i )(1 − ) + µ max(0,1 − )⎥
⎣ PInicial Ic ⎦

Magnitud Ventas
Estilo i Elasticidad Elasticidad
Precio Subclase Inventario Subclase

t = Tiempo (Semana) I = Inventario

P = Precio Ic = Inventario Crítico
PInicial = Precio Inicial (salida)
Capítulo 1: La Función de Operaciones #39
Aplicación: Resultados
Sweater
SweaterSport
SportML
MLSE2005
SE2005University
UniversityClub
Club
(Alto las Condes - Parque Arauco)
(Alto las Condes - Parque Arauco)
250
250
Índice de Modelo sin Modelo con
Ajuste Promoción Promoción

Real R2 0.53 0.55

200 Real MSE 287 242
200
Modelo sin Promoción
Modelo sin Promoción
Venta (Unidades)
Venta (Unidades)

150 Modelo con Promoción

150 Modelo con Promoción

100
100

50
50

0
0
7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 39
7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 39
Semana (Invierno 2002)
Semana (Invierno 2002)

9Ajuste mejora al considerar Efecto Promoción
9Ajuste mejora al considerar Efecto Promoción
Capítulo 1: La Función de Operaciones #40
Aplicación: Resultados
Sweater
SweaterSport
SportML
ML6884
6884Saville
SavilleRow
Row
(Alto las Condes - Parque Arauco)
(Alto las Condes - Parque Arauco)
30
30

25 Real
Real R2 = 0,67
25
Modelo
Ve n ta (U n id a d e s)

20 Modelo
Ve n ta (U n id a d e s)

20

15
15

10
10

5
5

0
0
8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
Semana (Invierno 2002)
Semana (Invierno 2002)

Capítulo 1: La Función de Operaciones #41

Aplicación: Resultados

Casaca
CasacaTela
TelaTJ21
TJ21Gianni
GianniMorelli
Morelli
(Alto
(Altolas
lasCondes
Condes- -Parque
ParqueArauco)
Arauco)
40
40
35 R2 = 0,32
35
30 Real
30 Real
Venta (Unidades)
Venta (Unidades)

25 Modelo
25 Modelo
20
20
15
15
10
10
5
5
0
0
7 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 34 38 39
7 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 34 38 39
Semana (Invierno 2002)
Semana (Invierno 2002)

Capítulo 1: La Función de Operaciones #42

Métodos Causales
„ 2.- Modelos Econométricos:
„ Sistema de ecuaciones de regresión interdependientes para
describir un proceso complejo.

„ Características:
„ Complejidad alta.
„ Costo alto.
„ Son de largo plazo.
„ Buenos para identificar puntos de cambio.

„ Ejemplos:
„ Precio cobre.
„ Sectores de la economía.

Capítulo 2: Pronósticos de Demanda #43

Métodos Causales
„ 4.- Simulación:
„ Características:
„ La simulación de sistemas es complejo.
„ Cara de implementar.
„ Horizonte de corto a mediano plazo.
„ Puede identificar puntos de cambio.
„ Ejemplo:
„ Distribución en cadena, para ver demanda de distintos
elementos.
„ Planos de producción, para conocer la demanda por
insumos.
„ Transporte urbano, para ver equilibrio vehicular.

Capítulo 2: Pronósticos de Demanda #44

Criterios de Elección
„ 1.- Sofisticación del usuario y del sistema.
„ No se deben dar saltos bruscos.
„ 2.- Tiempo y recursos disponibles.
„ 3.- Tipo de decisión.
„ Trade-off entre costo y calidad del pronóstico.
„ Ejemplo: Falabella vs Negocio chico.
„ 4.- Disponibilidad de datos.
„ 5.- Patrón de datos.
„ Si es causal no se pueden usar series de tiempo.

Capítulo 2: Pronósticos de Demanda #45