INTRODUCCION

Una de las directrices cruciales en la administracin de las cadenas de valor es

LA PLANIFICACION EFICAZ DE DEMANDA DEL CLIENTE o CDP por sus
siglas en ingls, la cual tiene como base pronsticos precisos.
La CDP es un proceso de planificacin empresarial que permite a los equipos
de venta formular pronsticos de demandas las cuales les sirven como base a
los procesos de planificacin de servicios, produccin, etc.
Pronosticar es el proceso de elaborar la visin ms probable de lo que ser la
demanda
futura,
en
base
a
suposiciones
de
tecnologa,competidores,precio,etc,en cambio planificar es el proceso de tomar
decisiones administrativas acerca de cmo utilizar los recursos en respuesta a
estos pronsticos.

CDP aplicado a la empresa UNILEVER

Unilever es una empresa que provee productos de consumo de alta rotacin,
est empresa utiliza un software de CDP llamado Manugistic el cual combina
datos histricos de embarque y promociones a fin de colaborar con sus clientes
ms importantes.
Este pronstico bsico depende exclusivamente de informacin pasada y
presente por lo que es necesario contar con datos confiables, sin embargo la
mayora de datos se recopilan de sistemas dispares por lo cual no siempre
pueden genera un buen pronstico.
Para superar este problema los planificadores de Unilever ajustan sus
pronsticos con las predicciones sobre las promociones planeadas as se podr
saber si las ventas subirn o bajaran de acuerdo a cada promocin, esta
informacin se enva al Sistema de Planificacin de Demanda y a los Centros
de Distribucin.
Adems para mejorar la precisin de los pronsticos Unilever compara los
datos obtenidos en sus sistema de punto de venta (POS) con sus propios
pronosticos,por desgracia la mayora de clientes no deja datos de POS, adems
la integracin de estos datos es muy difcil ya que provienen de sistemas con
distinto formato. Es por eso que las empresas piensan en interfaces para la
captura de estos datos pero al no contar con un presupuesto viable para la
creacin de interfaces, estas se ven obligadas a solo capturar datos de POS de
empresas grandes.
En general Unilever ha logrado un relativo xito al ver reducido su inventario y
mejorar la atencin a sus clientes.

El siguiente paso para Unilever es poder colaborar con sus clientes y

proveedores para eso se necesita un proceso en donde el pronstico actual se
combine con planes de promociones y otros datos para obtener un
PRONSTICO FINAL, mediante el sistema CPFR.

PRONOSTICOS
Un pronstico es una prediccin de acontecimientos futuros que se utilizan con
propsitos de planificacin. Los mtodos de pronstico pueden basarse en
modelos matemticos que utilizan datos histricos disponibles o mtodos
cualitativos que aprovechan la experiencia cualitativa o los juicios de los
clientes. El sistema CDP que mencionamos antes combina ambos mtodos y
pueden ser mejorados con el sistema CPFR. Los pronsticos son tiles para la
administracin de procesos y la cadena de valor. Respecto a la cadena de valor
la empresa los necesita para coordinarse con clientes y proveedores, a nivel de
procesos, los pronsticos se necesitan para disear todos los procesos que
ocurren dentro de la organizacin.

PRONOSTICOS EN LA ORGANIZACIN
El pronstico general de la demanda se origina en el marketing, pero es
necesario para los clientes internos de toda la organizacin para que formulen
y ejecuten sus planes.
Por ejemplo Finanzas necesita un pronstico para ver los flujos de efectivo y las
necesidades de capital, RRHH
necesita de pronsticos para prever la
necesidad y contratacin de personal, Marketing es una de las fuentes
principales de informacin del pronstico ya que se encuentran cerca a los
clientes externos, Operaciones necesita pronsticos para la compra9 de
materiales, mano de obra, programas de inventario, etc.

PATRONES DE DEMANDA
En la raz de la mayora de las decisiones de negocio se encuentra el reto de
pronosticar la demanda del cliente. Es difcil ya que las demandas de bienes y
servicios varan constantemente, por eso se utilizan PATRONES que prevean
estos cambios bruscos.
Las observaciones repetidas de la demanda de un producto o servicio en el
orden en que se realizan forman un patrn que se conoce como SERIE DE
TIEMPO, existen 5 patrones bsicos de las series de tiempo aplicados a la
demanda son:

Horizontal : Los datos fluctan en torno a una media constante

Tendencia: El incremento o decremento sistemtico de la media de la
serie a travs del tiempo
Estacional: Un patrn repetible de incrementos o decrementos de la
demanda dependiendo del da, semana, mes o temporada.
Cclica : Pauta de incrementos o decrementos graduales y menos
previsibles de la demanda, los cuales se presentan en el transcurso de
periodos largos de tiempo
Aleatorio: Variacin imprevisible de la demanda

De estos 5 patrones se combinan 4 (Horizontal, Tendencia, Estacional, Ciclico )

en diversos grados para definir el patrn fundamental.

DISEO DEL SISTEMA DE PRONSTICO

Antes de comenzar con las tcnicas de pronstico, el gerente necesita tomar 3
decisiones :

1) Qu vamos a pronosticar?
Aunque se necesita algn tipo de estimacin de la demanda para bienes y
servicio es de una compaa, puede resultar ms sencillo pronosticar la

demanda total para grupos conjuntos y derivar luego los pronsticos

correspondientes a productos o servicios individuales.
Necesitamos tener en cuenta dos conceptos:
Nivel de Agregacin: Es el acto de agrupar varios productos o servicios
similares para que las compaas puedan realizar pronsticos ms precisos.
Unidades de Medida: En lugar de usar unidades monetarias como unidad inicial
de medida, los pronsticos ms tiles para la planificacin y el anlisis de los
problemas de operacin se basan en unidades de productos o servicios tales
como las SKU, ya que los pronsticos provenientes de las ventas fluctan con
frecuencia.

2) Seleccin del tipo de tcnica del pronstico

El objetivo principal de una empresa es elaborar un pronstico til a partir de la
informacin disponible, para los pronsticos de demanda se utilizan 2 tipos
generales de tcnicas:

Mtodos Cualitativos
Mtodos Cuantitativos

Segn el ejemplo del proceso CDP de Unilever vemos que utiliza una
combinacin de ambos mtodos, entre los mtodos cualitativos figuran los
mtodos de juico en la que las opiniones de expertos y encuestas a
consumidores se traducen en estimaciones cuantitativas. Entre los mtodos
cuantitativos estn los mtodos causales y el anlisis de series de tiempo, en
el primero utilizaremos datos histricos de variables independientes por
ejemplo: campaas de promocin, condiciones econmicas y actividades de la
competencia mientras que el segundo representa uno de tantos mtodos
estadsticos que depende de los datos histricos de la demanda, con los que
puede proyectar su magnitud futura, reconocer tendencias y patrones
estacionales.
Un factor clave para la seleccin del mtodo de pronstico ms adecuado es el
Horizonte del tiempo correspondiente a la decisin que requieran pronosticar,
Los procesos pueden ser a corto mediano y largo plazo

3) Pronsticos por medio de computadoras

Existen muchos paquetes de software para pronstico que pueden usarse en
computadores de cualquier tamao y ofrecen una amplia variedad de
capacidades de pronsticos y formatos de informes entre ellos Manugistics,
Forecast Pro y SAS.
Los paquetes de software de pronostico leen los datos contenidos en hojas de
clculo, trazan grficos y los pronsticos y los guardan para mostrar los
resultados en hojas de clculo, el precio de estos software varan entre 150 y
10000 dlares, dependiendo de las funcionalidades que posean, el diseo de
estos programas para computadoras personales y sus precios relativamente
cmodos ponen estos paquetes al alcance de cualquier empresa.
En este mbito tenemos precedentes como los de Unilever que opto por un
enfoque el cual usa el software para compartir la informacin y colaborar con
sus clientes. En la prctica este proceso es planificacin, pronostico y
reabastecimiento en colaboracin (En ingls CPFR) que es un proceso de 9
pasos para administrar una cadena de valor, que permite a un fabricante y a
sus clientes colaborar en la elaboracin del pronstico mediante la Internet.

METODOS DE JUICIO
Los pronsticos de los mtodos cuantitativos solo son posibles cuando existe
una cantidad suficiente de datos histricos, que a menudo se conoce como
archivo de historial en varios paquetes comerciales de software sin embargo
estos no pueden ser confiables, por este motivo en algunos casos los mtodos
de juicio son la nica manera prctica de realizar un pronostico, o tambin
pueden utilizarse para modificar los pronsticos generados por los mtodos
cuantitativos con el fin de prever sucesos especiales prximos y por ultimo
tambin pueden utilizarse para ajustar el archivo de historial que se analizara
con mtodos cuantitativos para descontar el impacto de acontecimientos
especiales nicos que ocurrieron en el pasado.
Si no se utilizaran mtodos de juicio se produciran pronsticos pocos
confiables. A continuacin veremos los mtodos de juicio que se utilizan con
mayor xito

Las Estimaciones del personal de Ventas

La Opinion Ejecutiva
La Investigacion de Mercado
El Metodo Delphi

1) Estimaciones del personal de ventas

Las estimaciones del personal de ventas son pronsticos compilados a partir de
estimaciones realizadas peridicamente por miembros del personal de ventas
de las compaas.

Ventajas:

El personal de ventas es el grupo con mayor probabilidad de saber que

productos o servicios compraran los clientes en el futuro cercano
adems de las cantidades.
Los territorios de ventas estn divididos a menudo en distritos o
regiones. La informacin desglosada de este modo puede ser til para
propsitos de administracin de inventarios, distribucin y contratacin
de personal.
Los pronsticos de individuos del personal de ventas pueden combinarse
fcilmente para obtener cifras correspondientes a ventas regionales o
nacionales.

Desventajas:

Los prejuicios individuales de los vendedores pueden introducir sesgos

en los pronsticos, por ejemplo algunas personas son ms optimistas y
otras ms cautelosas.
Es posible que el personal de ventas no siempre perciba la diferencia
entre lo que el cliente quiere y lo que el cliente necesita
Si la empresa utiliza las ventas individuales como medida del
desempeo, el personal de ventas puede subestimar sus pronsticos
para que su propio desempeo parezca bueno cuando superen esas
proyecciones, o para tener que esforzarse solamente hasta alcanzar las
ventas mnimas requeridas.

2) Opinin Ejecutiva
La opinin ejecutiva es un mtodo de pronstico el cual hace un resumen de
las opiniones, experiencia y conocimientos tcnicos de uno o varios gerentes
para llegar a un solo pronstico.

La opinin ejecutiva puede utilizarse para modificar pronsticos de

ventas existentes, afn de tomar en cuenta circunstancias inusitadas,
como una nueva promocin de ventas o acontecimientos internacionales
inesperados.
La opinin ejecutiva puede usarse tambin para elaborar pronsticos
tecnolgicos.

La clave principal para la utilizacin eficaz de la opinin ejecutiva consiste en

asegurarse de que el pronstico no refleje una serie de modificaciones
independientes, sino un consenso de los ejecutivos acerca de un pronstico
unificado.

3) Investigacin de Mercado
Consiste en un mtodo sistemtico para determinar el grado de inters del
consumido externo por un producto o servicio, mediante la creacin y puesta a
prueba de diversas hiptesis por medio de encuestas encaminadas a la
recopilacin de datos. La realizacin de un estudio de investigacin de mercado
incluye el diseo de un cuestionario. La decisin de cmo administrarlo, la
seleccin de una muestra representativa y el anlisis de la informacin,
aplicando el buen juicio y herramientas estadsticas para interpretar las
respuestas. A pesar de que la investigacin de mercado produce informacin
importante, una de sus desventajas son las numerosas salvedades y
limitaciones que suelen incluir sus conclusiones.

4) Mtodo Delphi

Es un proceso para obtener el consenso dentro de un grupo de expertos, al

tiempo que respeta el anonimato de sus integrantes. Esta forma de pronstico
es til cuando no existen datos histricos sobre los cuales puedan desarrollarse
modelos estadsticos y cuando los gerentes de la empresa no tienen
experiencia en la cual fundamentar proyecciones bien informadas.
Un coordinador enva preguntas a cada uno de los miembros del grupo de
expertos externos, quienes tal vez ignoran quien ms est participando. El
coordinador prepara un resumen estadstico de las respuestas, adems de un
sumario de los argumentos que vienen a propsito de algunas de ellas. El
informe se enva al mismo grupo para la otra ronda de opiniones y los
participantes pueden modificar sus respuestas anteriores si as lo desean. Las
rondas continan hasta llegar a un consenso.
Este mtodo se usa para elaborar pronsticos a largo plazo de la demanda de
productos y proyecciones de ventas de los nuevos productos.

LINEAMIENTOS PARA USAR PRONOSTICOS DE

JUICIO
La necesidad de usar pronsticos de juicio es muy clara cuando no existen
datos cuantitativos que permitan aplicar enfoques de pronstico tambin
cuantitativos. Sin embargo los mtodos de juicio pueden utilizarse en
combinacin con enfoques cuantitativos a fin de mejorar la calidad del
pronstico.
Entre los lineamientos aplicables tenemos:

Ajuste los pronsticos cuantitativos cuando estos tienden a ser

imprecisos y la persona que toma las decisiones posee un conocimiento
contextual importante.
Haga ajustes de los pronsticos cuantitativos para compensar sucesos
especficos: Generalmente existen sucesos como campaas de
publicidad, actividades de la competencia o acontecimientos
internacionales que no se reconocen en los pronsticos cuantitativos y
es preciso tenerlos en cuenta para elaborar un pronstico definitivo.

METODOS CAUSALES: REGRESION LINEAL

Los mtodos causales se emplean cuando se dispone de datos histricos y se
pueden identificar la relacin entre el factor que se intenta pronosticar y otros
factores externos o internos .Estas relaciones se expresan en trminos
matemticos y suelen ser muy complejas. Los mtodos causales proporcionan
las herramientas de pronstico ms avanzadas y son excelentes para prever
los puntos de cambio en la demanda y preparar pronsticos a largo plazo.

En la regresin lineal, existe una variables conocida como variable

dependiente, est relacionada con una o ms variables independientes por
medio de una ecuacin lnea.
La variable dependiente es la que el gerente desea pronosticar. Se supone que
las variables independientes influyen en la variable dependiente y por ende
son la causa de los resultados observados en el pasado.
En trminos tcnicos la lnea de regresin minimiza las desviaciones
cuadrticas con respecto a los datos reales.

El objetivo del anlisis de regresin lineal es encontrar los valores de a y b que

minimicen la suma de desviaciones cuadrticas de los puntos de datos reales
que estn representando en el grfico. Con esta finalidad se utilizan programas
de cmputo. Para cualquier conjunto de parejas de observaciones de Y Axel
programa calcula los valores de a y b y ofrece medidas de la precisin del
pronstico. Tres medidas de uso comn son el coeficiente de correlacin de la
muestra, el coeficiente de determinacin de la muestra y el error estndar del
estimado.
a) Coeficiente de correlacin de la muestra r
Mide la direccin y fuerza de la relacin entre la variable dependiente e
independiente. Los valores de r pueden fluctuar entre -1 y +1.Un coeficiente de
relacin de +1 significa que los cambios registrados de uno a otro periodo en la
direccin de la variable independiente siempre van acompaados por cambios
de la variable dependiente en la misma direccin. Un coeficiente de relacin de
-1 significa que los decrementos de la variable independiente siempre van
acompaados de incrementos en la variable dependiente y viceversa. Cuando r
tiene un valor de 0 significa que no existe relacin lineal entre las variables.
b) Coeficiente de determinacin de la muestra
Mide la cantidad de variacin que presenta la variable dependiente con
respecto a su valor medio, que se explica por la lnea de regresin. El
coeficiente de determinacin es igual al cuadrado del coeficiente de
correlacione valor de r2 vara entre 0 y 1.Las ecuaciones de regresin cuyo
valor de r2 se aproxima a 1 son deseables porque eso significa que las
variaciones de la variable dependiente y del pronstico generado por la
ecuacin de regresin estn estrechamente relacionadas.

c) El error estndar del estimado Syz

Mide la proximidad con que los datos de la variable dependiente se agrupan
alrededor de la lnea de regresin. Aunque es semejante a la desviacin
estadas de la muestra, mide el error de la variable dependiente. Y con respecto
a la lnea de regresin en lugar de medirlo con respecto a la media. En
consecuencia es la desviacin estndar de la diferencia entre la demanda real
y la estimacin obtenida con la ecuacin de regresin. Al determinar que
variable independiente se incluir en la ecuacin de regresin, se debe elegir la
que tenga el error estndar ms pequeo del estimado

EJERCICIO DE REGRESION LINEAL

Es acertado seleccin los gastos de publicidad para realizar un pronstico de

verdad?

Observemos que el coeficiente de correlacin es r= 0.98.Puesto que el valor

de r se aproxima mucho a 1 se concluye que existe una fuerte relacin positiva
entre las ventas y los gatos de publicidad y que la eleccin fue acertada.
A continuacin se examina el coeficiente de determinacin de la muestra r 2 o
0.96.Este valor de r2 implica que el 96% de la variacin observada en las
ventas se explica por los gastos de publicidad.
Como el gasto de publicidad fue de 1750 el pronstico para el mes 6 segn la
ecuacin es la de 183,016 unidades

MTODOS DE SERIES DE TIEMPO

En el anlisis de series de tiempo se identifican los patrones fundamentales de

la demanda que se combinan para producir el patrn histrico observado en la
variable dependiente, despus de lo cual se elabora un modelo capaz de
reproducir dicho patrn.
Pronstico emprico
Es un mtodo en el cual el pronstico de la demanda para el siguiente periodo
es igual a la demanda observada en el periodo actual (Dt). De esta manera, si
la demanda real del mircoles ha sido de 35 clientes, la demanda pronosticada
para el jueves ser de 35 clientes. Si la demanda real del jueves es de 42
clientes, la demanda pronosticada para el viernes tambin ser de 42 clientes.
El mtodo de pronstico emprico se puede adaptar para tomar en cuenta una
tendencia de la demanda. El incremento (o decremento) observado en la
demanda de los dos ltimos periodos se usa para ajustar la demanda actual a
fin de llegar a un pronstico. Suponga que la demanda fue de 120 unidades en
la ltima semana y de 108 unidades la semana anterior. El incremento de la
demanda fue de 12 unidades en una semana, por lo que el pronstico para la
siguiente semana sera de 120 + 12 = 132 unidades. Si la demanda real de la
semana siguiente resultara ser de 127 unidades, el siguiente pronstico sera
de 127 + 7 = 134 unidades. El mtodo de pronstico emprico tambin se
puede aplicar a patrones estacionales. Si la demanda durante julio del ao
pasado fue de 50,000 unidades, el pronstico para julio del ao en curso ser
de 50,000 unidades. Asimismo, los pronsticos de demanda para cada uno de
los meses del ao entrante ser un simple reflejo de la demanda real
observada en esos mismos meses durante el ao pasado.
ESTIMACIN DEL PROMEDIO
Cada serie de tiempo de demanda tiene por lo menos dos de los cinco patrones
posibles de demanda: el horizontal y el aleatorio. El patrn horizontal de una
serie de tiempo se basa en la media de las demandas. Por lo tanto, el
pronstico de demanda para cualquier periodo futuro es el promedio de las
series de tiempo calculadas en el periodo actual. Por ejemplo, si el promedio de
la demanda anterior que se calcul el martes es de 65 clientes, los pronsticos
para el mircoles, jueves y viernes sern de 65 clientes cada da. Considere la
figura 13.4, que muestra la llegada de pacientes a una clnica mdica en las
ltimas 28 semanas. Suponga que el patrn de demanda aplicable al arribo de
los pacientes no tiene ningn patrn de tendencia, estacional o cclico. La serie
de tiempo muestra solamente un patrn horizontal y aleatorio. Como nadie
puede prever errores aleatorios, nos centraremos con estimar el promedio. Las
tcnicas estadsticas tiles para el pronstico de esas series de tiempo son: (1)
promedios mviles simples; (2) promedios mviles ponderados, y (3) suaviza
miento exponencial.
Promedios mviles simples
Se usa para estimar el promedio de una serie de tiempo de demanda y, por lo
tanto, para suprimir los efectos de las fluctuaciones aleatorias. Este mtodo
resulta ms til cuando la demanda no tiene tendencias pronunciadas ni
influencias estacionales. La aplicacin de un modelo de promedio mvil
requiere simplemente calcular la demanda promedio para los n periodos ms

recientes, con el fin de usarla como pronstico para el siguiente periodo. Para
el periodo siguiente, una vez que se conoce la demanda, la demanda ms
antigua incluida en el promedio anterior se sustituye por la demanda ms
reciente y luego se vuelve a calcular el promedio. De esta manera, se usan las
n demandas ms recientes y el promedio se mueve de un periodo a otro. En
trminos especficos, el pronstico correspondiente al periodo t + 1 se calcula
como sigue:

Con el mtodo de promedio mvil, el pronstico de la demanda en el periodo

siguiente ser igual al promedio calculado al final de este periodo. En cualquier
mtodo de pronstico, es importante medir la precisin de los pronsticos. El
error de pronstico es simplemente la diferencia que se obtiene al restar el
pronstico de la demanda real en cualquier periodo determinado, o

Ejemplo

Considere la figura 13.5, que muestra una comparacin entre las llegadas
reales de pacientes y un pronstico basado en un promedio mvil para tres y
seis semanas, correspondientes a los datos de la clnica mdica. Observe que
el pronstico del promedio mvil de tres semanas vara ms y reacciona con
mayor rapidez ante las grandes fluctuaciones de la demanda.
Promedios mviles ponderados
En el mtodo de promedio mvil simple, todas las demandas tienen la misma
ponderacin en el promedio, es decir, 1/n. En el mtodo de promedio mvil

ponderado, cada una de las demandas histricas que intervienen en el

promedio puede tener su propia ponderacin. La suma de las ponderaciones es
igual a 1.0. Por ejemplo, en un modelo con promedio mvil ponderado de tres
periodos, al periodo ms reciente se le puede asignar una ponderacin de 0.50,
al segundo ms reciente se le asigna una ponderacin de 0.30, y al tercero
ms reciente, una de 0.20. El promedio se obtiene multiplicando la
ponderacin de cada periodo por el valor correspondiente a dicho periodo y
sumando finalmente los productos:

La ventaja del mtodo de promedio mvil ponderado es que permite destacar

la demanda reciente sobre la demanda anterior. (Incluso permite manejar los
efectos estacionales, si se asignan ponderaciones ms altas a periodos
anteriores en la misma temporada). Este pronstico suele responder mejor a
los cambios registrados en el promedio fundamental de la serie de demandas
que el pronstico de promedio mvil simple. No obstante, el pronstico de
promedio mvil ponderado seguir retrasndose con respecto a la demanda
porque slo calcula promedios de la demanda en el pasado. Este retraso es
especialmente notable cuando existe una tendencia, porque el promedio de la
serie de tiempo se va incrementando o disminuyendo en forma sistemtica. El
mtodo de promedio mvil ponderado presenta los mismos inconvenientes que
el mtodo de promedio mvil simple: es necesario recopilar los datos de n
periodos de demanda para poder calcular el promedio correspondiente a cada
periodo.
Suaviza miento exponencial
El mtodo de suaviza miento exponencial es un mtodo de promedio
mvil ponderado muy refinado que permite calcular el promedio de una serie
de tiempo, asignando a las demandas recientes mayor ponderacin que a las
demandas anteriores. Es el mtodo de pronstico formal que se usa ms a
menudo por su sencillez y por la reducida cantidad de datos que requiere. A
diferencia del mtodo de promedio mvil ponderado, que requiere n periodos
de demanda pasada y n ponderaciones, el mtodo de suaviza miento
exponencial necesita solamente tres datos: el pronstico del ltimo periodo, la
demanda de ese periodo y un parmetro de suaviza miento, alfa (), cuyo valor
flucta entre 0 y 1.0. Para elaborar un pronstico con suaviza miento
exponencial, simplemente se calcula un promedio ponderado de la demanda
ms reciente y el pronstico calculado para el ltimo periodo. La ecuacin
correspondiente a este pronstico es:

La siguiente es una ecuacin equivalente:

Esta forma de la ecuacin muestra que el pronstico para el periodo siguiente
es igual al pronstico del periodo actual ms una proporcin del error del

pronstico correspondiente al periodo actual. El nfasis que se hace en los

niveles de demanda ms recientes puede ajustarse modificando el parmetro
de suaviza miento. Los valores ms grandes de hacen nfasis en los niveles
recientes de la demanda y dan lugar a pronsticos que tienen mejor capacidad
de respuesta ante los cambios en el promedio fundamental. Con valores de
ms pequeos, se considera ms uniformemente la demanda pasada y se
producen pronsticos ms estables. En la prctica, se ensaya con diversos
valores de y se elige el que produzca los mejores pronsticos. Para poner en
marcha el suaviza miento exponencial se requiere un pronstico inicial. Hay
dos formas de obtener ese pronstico inicial: usar la demanda del ltimo
periodo, o si se dispone de datos histricos, calcular el promedio de varios
periodos recientes de demanda. El efecto de la estimacin inicial del promedio
sobre las estimaciones sucesivas del mismo disminuye a travs del tiempo
porque, con el suaviza miento exponencial, las ponderaciones asignadas a las
demandas histricas sucesivas que se utilizan para calcular el promedio
disminuyen exponencialmente. Este efecto se puede ilustrar con un ejemplo.
Suponiendo que _ = 0.20, el pronstico para el periodo t + 1 es:

Finalmente, las ponderaciones de las demandas de hace muchos periodos se

aproximan a cero. Igual que en el mtodo de promedio mvil ponderado, la
suma de las ponderaciones debe ser igual a 1.0, lo cual va implcito en la

ecuacin de suaviza miento exponencial.

INCLUSIN DE UNA TENDENCIA

En seguida se considerar una serie de tiempo de la demanda con una
tendencia. En una serie de tiempo, una tendencia es un incremento o
decremento sistemtico en el promedio de la serie a travs del tiempo. Cuando
existe una tendencia significativa, los mtodos de suaviza miento exponencial
deben modificarse; de lo contrario, los pronsticos siempre estarn por arriba o
por debajo de la demanda real. Para mejorar el pronstico, es necesario
calcular una estimacin de la tendencia. Comenzaremos calculando la
estimacin actual de dicha tendencia, que no es sino la diferencia entre el
promedio de la serie calculado en el periodo actual y el promedio calculado en
el ltimo periodo. Para obtener una estimacin de la tendencia a largo plazo, se
pueden promediar las estimaciones actuales. El mtodo para estimar una
tendencia es similar al que se emplea para estimar el promedio de la demanda
con el suaviza miento exponencial. El mtodo para incorporar una tendencia en
un pronstico suavizado exponencialmente se conoce como mtodo de
suaviza miento exponencial ajustado a la tendencia. En este enfoque, se
suavizan las estimaciones del promedio y la tendencia, para lo cual se
requieren dos constantes de suaviza miento. Se calcula el promedio y la
tendencia para cada periodo:

Para realizar pronsticos para periodos posteriores al siguiente, se multiplica la

estimacin de la tendencia (Tt) por el nmero de periodos adicionales que se
desea incluir en el pronstico, y se suman los resultados al promedio actual
(At). Las estimaciones del promedio y la tendencia correspondientes al ltimo
periodo que se requieren en el primer pronstico pueden obtenerse a partir de
datos del pasado o basarse en una estimacin aproximada si no existen datos
histricos. Para encontrar los valores de y , es frecuente que el analista
ajuste sistemticamente y hasta obtener los errores de pronstico ms
bajos posibles. Este proceso se puede llevar a cabo en un ambiente
experimental, usando el modelo para pronosticar las cifras histricas de
demanda.

La figura 13.6 muestra el pronstico ajustado a la tendencia (la lnea gris

clarol) correspondiente a Medanalysis, para un periodo de 15 semanas. Se ha
establecido en 0.20, en 0.20, la demanda inicial en 28 y la estimacin
inicial de la tendencia en 3. Al final de cada semana, se calcul un pronstico
para la semana siguiente, usando el nmero de anlisis de sangre
correspondiente a la semana actual. Observe que los pronsticos (los cuales se
presentan en la tabla 13.2) varan menos que la demanda real a causa del
efecto suavizador del procedimiento que se emple para calcular las
estimaciones del promedio y la tendencia. Mediante el ajuste de y , se
puede hallar un pronstico ms apropiado. Para elaborar pronsticos
correspondientes a periodos posteriores al siguiente, se multiplica la
estimacin de la tendencia por el nmero de periodos adicionales que se desea
incluir en el pronstico y se suma el resultado al promedio actual. Por ejemplo,
si al final de la semana 2 se deseara estimar la demanda de anlisis de sangre
en la semana 6 (es decir, 4 semanas ms adelante), el pronstico sera de
35.23 + 4(3.28) = 48 anlisis. Una vez que llega la semana 15 y se sabe que el
nmero real de llegadas fue de 75 pacientes, el promedio suavizado se
actualiza a 66.38 y el promedio de la tendencia a 2.29. En seguida, se pueden
elaborar pronsticos para varias semanas en el futuro. Por ejemplo, los
pronsticos para las prximas 3 semanas seran:
Pronstico para la semana 16 = 66.38 + (1) (2.29) = 68.67 Pronstico para la
semana 17 = 66.38 + (2) (2.29) = 70.96 Pronstico para la semana 18 = 66.38
+ (3) (2.29) = 73.25.

PATRONES ESTACIONALES
Muchas organizaciones tienen una demanda estacional de sus bienes o
servicios. Los patrones estacionales estn formados por movimientos
ascendentes o descendientes de la demanda, que se repiten con regularidad,
medidos en periodos de menos de un ao (horas, das, semanas, meses o
trimestres). En este contexto, dichos periodos se llaman estaciones. Por
ejemplo, la llegada de los clientes a un establecimiento de comida rpida en un
da cualquiera puede alcanzar un punto mximo entre las 11 de la maana y la
1 de la tarde, y de nuevo entre las 5 de la tarde y las 7 de la noche. En este
caso, la duracin del patrn estacional es de un da y cada hora del da es una
estacin. Una manera sencilla de tomar en cuenta los efectos estacionales es
usar una de las tcnicas ya descritas, pero limitando los datos de la serie de
tiempo a periodos de la misma estacin. Por ejemplo, para un efecto estacional
de un da de la semana, una serie de tiempo correspondera a los lunes, otra a
los martes, y as sucesivamente. Si se usa el pronstico emprico, el pronstico

para este martes es la demanda real de hace siete das (la del martes pasado),
en vez de la demanda real de hace un da (la del lunes). Si se usa el mtodo
del promedio mvil ponderado, se atribuyen ponderaciones altas a los periodos
anteriores que pertenecen a la misma estacin. El procedimiento en cuatro
pasos que aqu se presenta requiere el uso de promedios simples de la
demanda pasada, pero tambin podran usarse otros mtodos ms complejos
para calcular promedios, como los de promedio mvil o suaviza miento
exponencial. La siguiente descripcin est basada en un patrn estacional con
un ao de duracin y estaciones equivalentes a un mes, aunque el
procedimiento se puede utilizar con cualquier patrn estacional y con
estaciones de cualquier duracin.
1. Para cada ao, calcule la demanda promedio por estacin, dividiendo la
demanda anual entre el nmero de estaciones por ao. Por ejemplo, si la
demanda total de un ao es de 6,000 unidades y cada mes representa una
estacin, la demanda promedio por estacin ser de 6,000/12 = 500 unidades.
2. Para cada ao, divida la demanda real correspondiente a una estacin entre
la demanda promedio por estacin. El resultado as obtenido ser un ndice
estacional para cada una de las estaciones del ao, el cual indica el nivel de la
demanda en relacin con la demanda promedio. Por ejemplo, suponga que la
demanda de marzo fue de 400 unidades. Entonces, el ndice estacional de
marzo es de 400/500 = 0.80, lo que indica que la demanda de marzo es 20%
inferior a la demanda promedio por mes. Asimismo, un ndice estacional de
1.14 para abril implica que la demanda de abril es 14% mayor que la demanda
promedio por mes.
3. Calcule el ndice estacional promedio para cada estacin, usando los
resultados del paso 2. Sume los ndices estacionales para una estacin dada y
divdalos entre el nmero de aos que abarquen los datos. Por ejemplo,
suponga que se han calculado tres ndices estacionales para abril: 1.14, 1.18 y
1.04. El ndice estacional promedio de abril es (1.14 + 1.18 + 1.04)/3 = 1.12.
ste es el ndice que se usar para pronosticar la demanda de abril.
4. Calcule el pronstico de cada estacin para el ao siguiente. Comience con
el clculo de la demanda promedio por estacin para el ao siguiente. Use el
mtodo emprico, los promedios mviles, el suaviza miento exponencial, el
suaviza miento exponencial ajustado a la tendencia, o la regresin lineal, para
elaborar el pronstico de la demanda anual. Divida luego la demanda anual
entre el nmero de estaciones por ao. Encuentre finalmente el pronstico
estacional, multiplicando el ndice estacional por la demanda promedio por
estacin. Al final de cada ao, se puede actualizar el factor estacional promedio
de cada estacin. Se calcula el promedio de todos los factores histricos
correspondientes a la estacin o, si se necesita tener cierto control sobre la
pertinencia de los patrones de la demanda pasada, se calcula un promedio
mvil o un promedio sencillo con suaviza miento exponencial.

La figura 13.8 (a) muestra una serie de tiempo con un patrn estacional
multiplicativo. Observe cmo va aumentando la amplitud de las estaciones, lo
que refleja una tendencia ascendente de la demanda. Sucede lo contrario
cuando la demanda tiene una tendencia descendente. Otra opcin, en lugar del
mtodo estacional multiplicativo, es el mtodo estacional aditivo, en el cual
los pronsticos estacionales se obtienen sumando una constante (por ejemplo,
50 unidades) a la estimacin de la demanda promedio por estacin. Este
mtodo se basa en la suposicin de que el patrn estacional es constante,
cualquiera que sea la demanda promedio. La figura 13.8 (b) muestra una serie
de tiempo con un patrn estacional aditivo. En este caso, la amplitud de las
estaciones se mantiene siempre idntica, independientemente de cul sea el
nivel de la demanda.

SELECCIN DE UN MTODO DE SERIES DE TIEMPO

Ahora se estudiarn los factores que los gerentes deben tomar en cuenta al
seleccionar un mtodo para elaborar pronsticos con series de tiempo. Una
consideracin importante es el desempeo del pronstico, el cual determinan
los errores de pronstico. Los gerentes tienen que aprender a medir los errores
de pronstico y la forma de detectar cuando algo marcha mal en el sistema de
pronstico. Despus de examinar los errores de pronstico y su deteccin, se
explicarn los criterios que los gerentes pueden aplicar para seleccionar un
mtodo apropiado de pronstico con series de tiempo.
ERROR DE PRONSTICO

Los pronsticos casi siempre contienen errores. Los errores de pronstico se

clasifican en dos formas: ya sea como errores de sesgo o como errores
aleatorios. Los errores de sesgo son el resultado de equivocaciones
sistemticas, por lo cual se observa que el pronstico siempre es demasiado
alto o demasiado bajo. Con frecuencia, esos errores son el resultado de pasar
por alto o no estimar correctamente los patrones de la demanda, como los de
tendencia, los estacionales o los cclicos. El otro tipo de error de pronstico, el
error aleatorio, es el resultado de factores imprevisibles que provocan que el
pronstico se desve de la demanda real. Los analistas de pronsticos intentan
minimizar los efectos de los errores de sesgo y los errores aleatorios,
seleccionando modelos de pronstico apropiados, pero es imposible suprimir
los errores en todas sus formas. Mediciones del error de pronstico La
definicin presentada anteriormente del error de pronstico para un periodo
determinado (Et = Dt - Ft) es el punto de partida para crear varias medidas del
error de pronstico que abarcan un periodo relativamente largo. La suma
acumulada de errores de pronstico (CFE) (del ingls cumulative sum of
forecast errors) mide el error total de un pronstico:
Los grandes errores positivos
tienden a compensarse con
grandes errores negativos en la medida de la CFE. Sin embargo, la CFE resulta
til para evaluar el sesgo de un pronstico. Por ejemplo, si un pronstico
siempre resulta ms bajo que la demanda real, el valor de la CFE ser cada vez
ms grande. Este error de magnitud creciente indica que existe una deficiencia
sistemtica en el
mtodo de pronstico. Es posible que el analista haya
omitido un elemento de tendencia o un patrn cclico, o tal vez las influencias
estacionales hayan cambiado con respecto a su patrn histrico. Observe que
el error de pronstico promedio es simplemente:

El error cuadrtico medio

(MSE)
(del
ingls
mean
squared error), la desviacin estndar (S) y la desviacin media absoluta
(MAD) (del ingls mean absolute deviation) miden la dispersin de los errores
de pronstico:

El
smbolo
para indicar el valor
indica
que
debe
de los signos positivos
valor del MSE, la s o la

matemtico || se usa
absoluto; es decir,
hacerse caso omiso
o negativos. Si el
MAD es pequeo, el

pronstico se aproxima generalmente a la demanda real; en contraste, un

valor grande indica la posibilidad de errores de pronstico considerables. Las
dos medidas difieren por la forma en que ponen de relieve los errores. Los
errores grandes reciben una ponderacin mucho mayor en el MSE y la
porque en estos casos los errores son cuadrticos. La MAD es una medida muy
comn del error de pronstico porque los gerentes la comprenden fcilmente;
se trata simplemente de la media de los errores de pronstico a travs de una
serie de periodos, sin considerar si dichos errores consistieron en estimaciones
excesivas o en subestimaciones. La MAD tambin se usa en seales de rastreo
y control de inventarios. Ms adelante se explicar cmo se puede usar la MAD
o la s para determinar los volmenes de seguridad requeridos para diversos
elementos de inventario. El error porcentual medio absoluto (MAPE) (del
ingls mean absolute percent error) relaciona el error de pronstico con el nivel
de la demanda, y es til para colocar el desempeo del pronstico en su
perspectiva correcta:
Por ejemplo, un error de pronstico absoluto de 100 provoca un error
porcentual mayor cuando la demanda es de 200 unidades que cuando la
demanda es de 10,000 unidades. MAPE es la mejor medida de error que puede
usarse para hacer comparaciones entre series de tiempo para diferentes SKU.