ADMINJSTRA.

CIN y PRONSTICO DE LA DEMANDA

Recta de la regresin 'de mnimos cuadrados

captulo 15

ilustracin 15.10

...

Como antes, la ecuacin de recta es

y= a + bx

Anteriormente se determinaron a y b a partir de la grfica. En el mtodo de mnimos cuadrados, las ecua

ciones para a y b son
[15.10]

[15.11]

b=

y - bx

LXY-'
-_-,y

--,;,,~,

L.,x - nx

donde
a

Secante Y

Pendiente de la recta

485

y=

Promedio de todas las y

x=

Promedio de todas las x

Valor x de cada punto de datos

Valor y de cada punto de datos

Nmero de punto de datos

Valor de la variable dependiente calculada con la ecuacin de regresin

La ilustracin 15.11 muestra estos clculos realizados para los 12 puntos de datos en el problema. Observe
que la ecuacin final para Y presenta una secante de 441.6 y una pendiente de 359.6. La pendiente muestra que
por cada cambio unitario en X. y cambia 359.6.
Basndose estrictamente en la ecuacin, los pronsticos para los periodos 13 a 16 seran
441.6 + 359.6(13)

Y13

Yl4

= 441.6 + 359.6(14) = 5476.0

5 116.4

486

seccin 4

ilustracin 15.11

PLANEACIN y CONTROL DE LA CADENA DE Sl~lSTRO

Anl;is de regresin de mnimos c;;uadr~dos

.......

EXllel:
Pronstico

(1)

(2)

(3)

xy

(5)

(4)
,
x-

(6)

600

600

360000

801.3

1550

3100

2402500

1160.9

1500

4500

2250000

1520.5

1500

6000

16

2250000

1880.1

2400

12000

25

5760000

2239.7

3100

18600

36

9610000

2599.4
2959.0

2600

18200

49

6760000

2900

23200

64

8410000

3318.6

3800

34200

81

14440000

3678.2

10

4500

45000

100

20250000

4037.8

11

4000

44000

121

16000000

4397.4

12

4900

--

58800

144

24010000

47571

78

33350

268200

650

112 502 500

x =6.5

b = 3596153

Y = 2779.17 a = 441.6666

Por lo tanto, Y = 441.66 + 359.6x

Sy, = 363.9
-'.,

....

YI5 = 441.6 + 359.6(15) = 5 835.6

YI6 = 441.6 + 359.6(16) = 6 195.2
El error estndar del estimado, o la forma en que la recta se adapta a los datos, es 4
n

2:

[15.12]

(y - Y)'

i-1

n-2
El error estndar del estimado se calcula a partir de la segunda y la ltima columna de la ilustracin
15.11.
(600-S013l +(1550-1160.9)2 +(1500-1520.5)2 + ... +(4900-4757.d
10
=

363.9

Microsoft Excel tiene una herramienta de regresin muy poderosa diseada para realizar estos clculos. Para
utilizarla. es necesaria una tabla que contenga los datos relevantes al problema (vase la ilustracin 15.12). La
herramienta forma parte del Data Analysis ToolPak, al que se tiene acceso desde el men Herramientas (o la
pestaa Datos en Excel 2007) (es probable que necesite agregar estas opciones de Herramientas utilizando la
opcin Agregar en Herramientas).
Para usar la herramienta, primero capture los datos en dos columnas en la hoja de clculo y luego entre en
la opcin Regresin del men Herramientas - Anlisis de Datos. A continuacin, especifique el Rango Y. que
es 82:813, y el Rango X, que es A2:A13 en el ejemplo. Por ltimo, se especifica el Rango de Salida. Entonces
es cuando debe incluir en la hoja de clculo los resultados del anlisis de regresin. En el ejemplo, se captur
A16. Existe cierta informacin proporcionada que va ms all de lo que se estudi, pero lo que se busca son los
coeficientes Secante y Variable X que corresponde a los valores de secante y pendiente en la ecuacin lineal.
stos se encuentran en las filas 32 y 33 de la ilustracin 15.12.
En la siguiente seccin sobre la descomposicin de una serie temporal se estudia la posible existencia
de componentes estacionales.

captulo 15

ADMJ,\,lSTRACN y PRONSTICO DE LA DEMANDA

ilustracin 15.12

Herramienta de regresin de Excel .

A

. B

:_~~---~.----_
.

..----~_.

_.~-.-

.... ..

~ _

__

...
.

fWi6--~.

1:

!
O""",,",PIoO;
.Dl~filplot$

24

/\NoVA

25

.------

-- -------- ----... - - - - - -

ss

di

26
27 Reg.ressio."
28 Residual
29

10

MS

----=__

S nificsnce F

)8493221 !~.1fl493?.2.!...l.39.6695-l,R202E-07

~::.~:~~_-_-._-_-_-_-_-=

.
- - - -... -. -... - - - - - - - - 1

132A070.513 1324071

Totai . ----- --iTl98W2!TSi-------- - .

30:
Coefficients "StandsrdE"or

31

fStat

P-vakJe

Lower95%

,95% Lower95.0% U 8r9:5.O"/o.

~ '~~~~"J,Tel--~~~-~~~~119m~~~}~ ~~1~-~~--:5J29~f~--~~~34 _._... _ ....

..._...

487

._.__.

....

_ _

DESCOMPOSICiN DE UNA SERIE TEMPORAL

Puede definirse una serie temporal como datos ordenados en forma cronolgica que pueden contener
uno o ms componentes de la demanda: tendencia, estacional, cclico, autocorrelacin o aleatorio. La
descomposicin de una serie temporal significa identificar y separar los datos de la serie temporal en
estos componentes. En la prctica, es relativamente fcil identificar la tendencia (incluso sin un anlisis
matemtico, casi siempre es sencillo trazar y ver la direccin del movimiento) y el componente estacio
nal (comparando el mismo periodo ao tras ao). Es mucho ms difcil identificar los componentes de los
ciclos (pueden durar varios meses o aos), la autocorrelacin y el aleatorio. (Por lo regular, el encargado
de realizar el pronstico considera aleatorio cualquier elemento que sobre y que no sea posible identificar
como otro componente.)
Cuando la demanda contiene efectos estacionales y de tendencia al mismo tiempo, la pregunta es
cmo se relacionan entre s. En esta descripcin, se analizan dos tipos de variacin estacional: aditiva y
multiplicativa.

Variacin estacional aditiva La variacin estacional aditiva simplemente supone que la cantidad
estacional es una constante sin importar cul es la tendencia o la cantidad promedio.
Pronstico que incluye tendencia y estacional = Tendencia + Estacional
La ilustracin 15.13A muestra un ejemplo de una tendencia en aumento con cantidades estacionales
constantes.

Variacin estacional multiplicativa

tiplica por los factores estacionales.

En la variacin estacional multiplicativa, la tendencia se mul

Pronstico que incluye tendencia y estacional

Tendencia x Factor estacional

La ilustracin 15.l3B muestra la variacin estacional en aumento conforme se incrementa la tenden

cia porque su tamao depende de sta ltima.
La variacin estacional multiplicativa es la experiencia comn. En esencia, establece que mientras ms
elevada sea la cantidad bsica pronosticada, ms alta ser la variacin que cabe esperar a su alrededor.

seccin 4

488

PLANEACIN y CONTROL DE LA CADENA DE SDD:.'\15TRO

Variacin temporal aditiva_y multiplicativa s.obrepuesta en la tendencia cambiante

B. Temporal multiplicativa

A. Temporal aditiva

I::xcel:
Pronstico

Enero

Enero
Julio

Enero
Julio

Enero

Enero
Julio

Julio

Enero

Enero

Enero
Julio

Julio

Enero
Julio

Enero
Julio

Compaas como Toro

fabrican podadoras y
limpiadores de nieve para
cubrir la demanda temporal.
El uso del mismo equipo
y las mismas lneas de
ensamble permite un mejor
aprovechamiento de la
capacidad, mayor estabilidad
de la mano de obra.
productividad e ingresos.

Un factor estacional es la cantidad de correccin necesaria en una serie

temporal para ajustarse a la estacin del ao.
Por lo genera!, se relaciona estacional con un periodo del ao caracterizado por alguna actividad en
particular. Se usa la palabra cclico para indicar que no se trata de los periodos anuales recurrentes de
actividad repetitiva.
Los siguientes ejemplos muestran cmo se determinan y utilizan los ndices estacionales para pro
nosticar 1) un clculo sencillo basado en datos estacionales pasados, y 2) la tendencia y el ndice estacio
nal de una recta de la regresin ajustada a mano. A continuacin se da un procedimiento ms formal para
la descomposicin y el pronstico de los datos utilizando la regresin de los cuadrados mnimos.
Factor (o ndice) estacional

EJEMPLO 15.3: Proporcin simple

Suponga que en los ltimos aos una empresa vendi un promedio de 1000 unidades al ao de una lnea de
productos en particular. En promedio, se vendieron 200 unidades en primavera, 350 en verano, 300 en otoo
y 150 en invierno. El factor (o ndice) estacional es la razn de la cantidad vendida durante cada estacin divi
dida entre el promedio de todas las estaciones.

captulo 15

ADMlJ'I'ISTRACIN y PRONSTICO DE LA DEMANDA

SOLUCiN

En este ejemplo, la cantidad anual dividida en forma equitativa entre todas las temporadas es I 00074 = 250.
Por lo tanto, los factores estacionales son
VENTAS PROMEDIO PARA

Primavera

VENTAS

CADA TEMPORADA

FACTOR

PASADAS

(1000/4)

ESTACIONAL

=0.8
350/250 =lA

250

200

200/250

Verano

350

250

Otoo

300

250

300/250 = 1.2

150

250

150/250

Invierno
Total

--

=0.6

1000

Con estos factores, si se espera que la demanda para el prximo ao sea de 1 100 unidades, se pronosticara
que sta ocurrir como
DEMANDA

VENTAS PROMEDIO PARA

ESPERADA PARA

CADA TEMPORADA

FACTOR

ESTACIONAL DEL

PRONSTICO

EL PRXlMO AO

(1100/4)

ESTACIONAL

PRXIMO AO

Primavera

275

08

220

Verano

275

lA

385

Otoo

275

1.2

330

Invierno

275

0.6

165

Total

1100

El factor estacional se puede actualizar de manera peridica al tener nuevos datos disponibles. El ejemplo
siguiente muestra el factor estacional y la variacin estacional multiplicativa.

EJEMPLO 15.14: Clculo de la tendencia y el factor estacional a partir de una recta ajustada a mano
En este caso deben calcularse la tendencia y los factores estacionales.

SOLUCiN

Se resuelve el problema con slo ajustar a mano una recta que cruce todos los puntos de datos y mida la ten
dencia y la secante de la grfica. Suponga que el historial de datos es

TRIMESTRE

VENTAS

TRIMESTRE

VENTAS

1-2006

300

1-2007

520

11-2006

200

11-2007

420

111-2006

220

111-2007

400

IV-2006

530

IV-2007

700

Primero, se traza como en la ilustracin 15.14 y luego se ajusta visualmente una recta a travs de todos
los datos (como es natural, esta recta y la ecuacin resultante estn sujetas a la variacin). La ecuacin para
la recta es
Tendencia, = 170 + 55,
La ecuacin se deriva de la secante 170 ms un aumento de (610 - 170) 7 8 periodos. A continuacin, pue
de derivarse un ndice estacional comparando los datos reales con la recta de tendencia como en la ilustracin
15.14. El factor estacional se desarroll calculando el promedio de los mismos trimestres de cada ao.

489

490

seccin 4

ilustracin 15.14

Clculo de fin factor estac6hl a partir de:C[atos reales y tendencias

PLA'IEACrN y CONTROL DE LA CADENA DE ~~STRO

----

.~.

100 '--------'--------'---------'---------'---------'------"----'------
IV
DI
Ir
TI
IV
ID

l'

2006

:..
DE LA ECUACIN DE
SUMA REAL

TENDENCIA

T = 170 + 55t

'1

2007

1'

.-

..
PROPORCIN DE

FACTOR ESTACIONAL (PROMEDIO DEL

REAL';' TENDENCIA

MISMO TRIMESTRE EN AMBOS AOS)

,2006
1

200

225

1.33

11

300

280

.70

:, 111

220

335

530

390

1.36

520

445

1.17

.. 1I
111

420

500

.84

400

555

.72

. IV

700

610

IV

1-1.25

.66

11-0.78

111-0.69

2007

..

=--=-_.-.~

IV-1.25

.1.15

"

4_

--

El clculo del pronstico para 2008 incluyendo los factores de tendencia y estacional (FITS en ingls,
forecast including trend and seasonalfactors) es como sigue:
FITS,

tendencia x estacional

1-2008 FITS 9 = [170 + 55(9)]1.25 = 831

II-2008 FITS IO

[170 + 55(10)]0.78

562

III-2008 FITS II = [170 + 55(11)]0.69 = 535

IV-2008 FITS l2

[170 + 55(12)]1.25

1038

Descomposicin con regresin por mnimos cuadrados La descomposicin de una serie de tiem
po significa encontrar los componentes bsicos de la serie de tendencia, estacional y cclico. Los ndices
se calculan por estaciones y ciclos. El procedimiento del pronstico despus invierte el proceso con el
pronstico de la tendencia y su ajuste mediante los ndices estacionales y cclicos, determinados en el
proceso de descomposicin. En trminos formales, el proceso:

1. Descomponer las series de tiempo en sus componentes.

a) Encontrar el componente estacional.

b) Descontar las variaciones de temporada de la demanda.

c) Encontrar el componente de la tendencia.

ADMINISTR<l.CN y PRONSTICO DE LA DEMANDA

491

captulo 15

2. Pronosticar valores futuros de cada componente.

a) Pronosticar el componente de la tendencia en el futuro.
b) Multiplicar el componente de la tendencia por el componente estacional.
Observe que en esta lista no se incluye el componente aleatorio. Implcitamente, se elimina el compo
nente aleatorio de la serie de tiempo cuando se promedia, como en el paso 1. No tiene caso intentar una
proyeccin del componente aleatorio del paso 2 a menos que se tenga informacin sobre algn evento
inusual, como un conflicto laboral grave, que pudiera influir en la demanda del producto (y esto no sera
al azar).
En la ilustracin 15.15 se muestra la descomposicin de una serie de tiempo con el uso de una re
gresin de cuadrados mnimos y los mismos datos bsicos utilizados en ejemplos anteriores. Cada dato
corresponde al uso de un solo trimestre del periodo de 3 aos (12 trimestres). El objetivo es pronosticar
la demanda de los cuatro trimestres del cuarto ao.
Paso 1. Determinar el factor (o ndice) estacional. En la ilustracin 15.15 se presenta un resumen
de los clculos necesarios. En la columna 4 se desarrolla un promedio para los mismos trimestres
del periodo de 3 aos. Por ejemplo, se sumaron los primeros trimestres de los 3 aos y despus se
dividieron entre tres. Luego se deriva un factor estacional al dividir ese promedio entre el promedio
general de los 12 trimestres (33 ;50, o 2779). El resultado se introduce en la columna 5. Cabe observar
1
que los factores estacionales son idnticos para los trimestres semejantes en cada ao.

ilustracin 15.15

Demanda descontadas las variaciones de te ll1Porada.

(4)

(3)

(2)

(1)
PERIODO

(x)

TRIMESTRE

(6)

(5)

(7)

(8)

DEMANDA NO

DEMANDA
REAL

PROMEDIO DEL M.lSMO

FACTOR

(y)

TRIMESTRE CADA AO

ESTACIONAL

ESTACIONAL (yJ
COL.

(3) ... COL. (5)

x'
(COL.

x xYd

1)'

COL. (1) x COL.

600

(600 + 2400 + 3800)/3

= 2266.7

0,82

735.7

1550

(1150 + 3100 + 4500)/3

= 3050

1.10

1412.4

2824.7

735.7

1I1

1500

(1500 + 2600 + 4000)/3

= 2700

0,97

1544.0

4631.9

IV

1500

(1500 + 2900 + 4900)/3

= 3100

1.12

1344.8

16

5379,0

2400

082

2942.6

25

14713.2

II

3100

1.10

2824.7

36

16948.4

111

2600

0.97

2676.2

49

18733.6

IV

2900

1.12

2599.9

64

20798.9

3800

0.82

2659.2

81

41932.7

10

4500

1.10

4100.4

100

41004.1

121

45290,1

11

1I1

4000

0.97

4117.3

12

IV

4900

1.12

4329.9

144

52714.5

33350

12.03

33350.1*

650

265706.9

78

x = 78

= 6.5

12

Yd = 33

350/12

b=

=2

2XYd -nXyd = 265 706,9 -12( 6,5)2 779.2

2-2
x - nx-2

779.2

Por lo tanto, Y = a + bx

= 342 .2

650 -12{6.5)2

a = Yd -bx = 2 779.2-342.2(6.5)

= 554.9

= 554.9 + 342.2x

'1

'Los totales de la columna 3 y la columna 6 deben-ser igual a:n 350, Las di.fl'rencias 'se deben al redon.deo. La columna 5 se rede.nd'e dos lugares decimales.

(6)

492

seccin 4

PLANEACi\ y CONTROL DE LA CADENA DE :;l:-"1ID,STRO

Paso 2. Descontar las variaciones de temporada de los datos originales. Para eliminar el efecto
estacional de los datos, se dividen los datos originales entre el factor estacional. Este paso se llama
descuento de las variaciones de temporada de la demanda y se presentan en la columna 6 de la ilus
tracin 15.15.
Paso 3. Trazar una recta de regresin por mnimos cuadrados para los datos descontados de
las variaciones de temporada. El objetivo es desarrollar una ecuacin para la recta de la tendencia
Y, que despus se modifica con el factor estacional. El procedimiento es el mismo de antes:
y

a + bx

donde
Yd

descuento de las variaciones de temporada de la demanda (vase ilustracin 15.15)

trimestre

demanda calculada con la ecuacin de regresin Y = a + bx

secante de Y

pendiente de la recta

En la seccin inferior de la ilustracin 15.15 se presentan los clculos de mnimos cuadrados

usando las columnas 1, 7 Y 8. La ecuacin final de descuento de las variaciones de temporada de los
datos es Y = 554.9 + 342.2x. Esta recta se presenta en la ilustracin 15.16.

Paso 4. Proyectar la recta de la regresin a travs del periodo por ser pronosticado: El pro
psito es pronosticar los periodos 13 a 16. Lo primero es resolver la ecuacin para Yen cada periodo
(que se muestra en el paso 5, columna 3).
Paso 5. Crear el pronstico final mediante el ajuste de la recta de la regresin segn el fac
tor estaciona!. Cabe recordar que se descontaron las variaciones de temporada de la ecuacin Y.
Ahora se invierte el procedimiento multiplicando los datos trimestrales derivados mediante el factor
estacional de ese trimestre:

PERIODO

TRIMESTRE

13

ilustracin 15.16

Excel:

Pronstico

YDE LA RECTA DE

FACTOR

PRONSTICO (Y X

LA REGRESIN

ESTACIONAL

FACTOR ESTACIONAL)

5003.5

0.82

4102.87

14

5345.7

1.10

5880.27

15

56879

0.97

5517.26

16

6030.1

1.12

6753.71

.'Grfica de recta de ecucin descontada de las vari~C9nes d~ t~mporada.

!\J)M1NISTRACN y PRONSTICO DE LA DEMANJ)~

493

captulo 15

ilustracin 15.17

Intervalos de prediccin para la: tendencialineal .

Demanda

Pasado

Presente

Futuro

Tiempo

Ya est completo el pronstico. Normalmente. el procedimiento es igual al realizado en el ejemplo

anterior que se ajust a mano. Pero en este ejemplo se sigue un procedimiento ms formal y tambin se
calcula la recta de la regresin de cuadrados mnimos.
Rango de error Cuando se ajusta una recta mediante puntos de datos y despus se utiliza para hacer
pronsticos. los errores se generan desde dos fuentes. Primero, existen los errores usuales semejantes a
la desviacin estndar de cualquier serie de datos. Segundo. hay errores generados porque la recta est
incorrecta. La ilustracin 15.17 muestra este rango de error. Ms que desarrollar aqu las estadsticas,
slo se demostrar brevemente la causa de que se ample el rango. Primero, se visualiza una recta tra
zada con cierto error de modo que su inclinacin ascendente es muy pronunciada. Despus se calculan
los errores estndar para esta recta. Ahora hay que visualizar otra recta cuya inclinacin descendente es
muy pronunciada. Tambin tiene un error estndar. El rango de error total, para este anlisis, consiste de
enores que resultan de ambas rectas as como de otras rectas posibles. Se incluye esta ilustracin para
demostrar cmo se ampla el rango de error conforme avanza.

PRONSTICO DE RELACIONES CAUSALES

Para que un pronstico sea de valor. cualquier variable independiente debe ser un indicador gua. Por
ejemplo, es de esperar que un periodo de lluvias ms prolongado aumente la venta de paraguas y gabar
dinas. La lluvia provoca la venta de artculos personales para este clima. Se trata de una relacin causal
en la que una ocurrencia causa otra. Si se sabe del elemento de causa con mucha anticipacin. se puede
usar como base para el pronstico.
El primer paso del pronstico de una relacin causal es encontrar las ocurrencias que realmente sean
la causa. Muchas veces los indicadores gua no son relaciones causales sino que indican, de cierta forma
indirecta, que podran ocurrir otras cosas. Otras relaciones no causales simplemente parecen existir
como una coincidencia. Hace unos aos se demostr en un estudio que la cantidad de alcohol vendido
en Suecia era directamente proporcional al salario de los maestros. Se cree que era una relacin espuria
(falsa). El siguiente es un ejemplo de un pronstico con el uso de una relacin causal.

EJEMPLO 15.5: Pronstico con el uso de una relacin causal

Carpel City Store en Carpenleria lleva regislros anuales de sus ventas (en yardas cuadradas), adems del n

mero de licencias para casas nuevas en esta rea.

Relacin causal

494

seccin 4

ilustracin 15.18

Relacin causal: ventas a casas iruevas

PLANEACN y CONTROL DE LA CADENA DE snID1STRO

y 20000

18000

16000

14000

Excel:
Pronstico

12000

Ventas
(yardas

10 000
cuadradas

de alfombra) 8000

6000

17000-10000

PendIente = X =

4000

30 _ 10

= 350

2000

8 10 12 14 16 18 20 22 24 26 28 30 32 34 36

Nmero de licencias deconstruccin

VENTAS (YARDAS CUADRADAS DE ALFOMBRA)

NMERO DE LICENCIAS

Ao

PENDJENTE

1999

18

13 000

2000

15

12000

DE CONSTRUCCIN

2001

12

11000

2002

10

10000

2003

20

14000

2004

28

16000

2005

35

19000

2006

30

17000

2007

20

13000

El gerente de operaciones de Carpet City cree que es posible pronosticar las ventas si se conocen los inicios de
proyectos habitacionales del ao. En primer lugar, los datos se grafican en la ilustracin 15.18, con:
x = Nmero de licencias de construccin
y = Ventas de alfombras

Como los puntos estn sobre una recta, el gerente decide usar la relacin lineal Y = a + bx. Resuelva el
problema trazando a mano una recta. Tambin se puede resolver esta ecuacin con la regresin por cuadrados
mnimos que se hizo arriba.
SOLUCiN

Proyectar la recta trazada a mano hace que toque el eje de las y en unas 7 000 yardas. Esto podra interpretarse
como la demanda cuando no se construyen casas nuevas; es decir, probablemente como sustitucin de alfom
bras viejas. Para calcular la pendiente, se seleccionan dos puntos, como
x

2002

10

10000

2006

30

17000

Ao

DMIN1STRACIN y PRONSTICO DE LA DEMANDA

captulo 15

La pendiente se calcula algebraicamente como

b

y(2004) - y(2000)

x(2004) - x(2000)

17000 -10000
30 - 10

7000
20

350

El gerente interpreta la pendiente como el promedio de yardas cuadradas de alfombra vendidas a cada casa
nueva de la zona. Por lo tanto, la ecuacin de pronstico es
y

7 000 + 350x

Ahora supngase que hay 25 licencias para construir casas en 2008. El pronstico de las ventas para 2008
sera:
7000 + 350(25)

15750

En este problema, la demora entre pedir la licencia en la oficina correspondiente y la llegada del nuevo
dueo a Carpet City a comprar alfombra es una relacin causal viable para el pronstico.

ANLISIS DE REGRESIN MLTIPLE

Otro mtodo de pronstico es el anlisis de regresin mltiple, en el que se considera cierto nmero de
variables, junto con los efectos de cada una en el rubro de inters. Por ejemplo, en el campo del mobilia
rio domstico, los efectos del nmero de matrimonios, construccin de viviendas, ingreso disponible y
tendencias puede expresarse en una ecuacin de regresin mltiple como:

donde

s =

Ventas brutas anuales

B = Ventas de base, como punto de partida a partir del que otros factores ejercen una influencia
M

Matrimonios durante el ao

H = Construccin de viviendas durante el ao

J = Ingreso personal disponible anual

T = Tendencia temporal (primer ao = 1, segundo

2, tercero = 3, etctera)

Bm , BI" Bi Y B r representan la influencia en las ventas esperadas del nmero de matrimonios y construc
cin de viviendas, ingreso y tendencia.
Es conveniente hacer un pronstico con regresin mltiple cuando varios factores influyen en la va
riable de inters; en este caso, las ventas. Su dificultad radica en los clculos matemticos. Por fortuna, se
venden programas estndares de cmputo para anlisis de regresin mltiple, lo que alivia la necesidad
de hacer tediosos clculos manuales.
Microsoft Excel soporta tcnicas de anlisis de series de tiempo descritas en esta seccin. Estas
funciones se encuentran en las herramientas de anlisis de datos de uniformidad exponencial, promedios
de movimiento y regresin.

PRONSTICO ENFOCADa
El pronstico enfocado es creacin de Bernie Smith,5 quien lo usa principalmente para manejo de inven
tarios de bienes terminados. Smith defiende slidos argumentos de que los enfoques estadsticos usados
para pronosticar no dan los mejores resultados. Afirma que las tcnicas simples que funcionaron antes
tambin dan los mejores pronsticos para el futuro.

495

496

seccin 4

Pronstico enfocado

El pronstico enfocado simplemente prueba varias reglas que parecen lgicas y fciles de entender
para proyectar al futuro los datos del pasado. Cada una de estas reglas se usa en un programa de simula
cin por computadora para proyectar realmente la demanda medir el desempeo de la regla cuando se
compara con lo que ocurri. Por 10 tanto, los dos componentes del sistema de pronstico enfocado son
1) varias reglas de pronstico muy simples, y 2) simulacin por computadora de estas reglas sobre datos
del pasado.
Se trata de reglas simples y de sentido comn que se formulan y prueban para ver si deben conser
varse. Entre los ejemplos de reglas simples de pronstico se encuentran:

PLANEAcrN y CO'\'TROL DE LA CADENA DE ~l:ill."-5TRO

METODOLOGA DEL PRONSTICO ENFOCADO

1. Lo que se haya vendido en los tres ltimos meses ser probablemente 10 que.se venda en los tres

meses siguientes.
2. Lo que se vendi en el mismo trimestre del ao pasado se vender probablemente en ese periodo
de este ao (esto dara cuenta de los efectos estacionales).
3. Es probable que se venda 10 por ciento ms en los siguientes tres meses que en los tres meses
anteriores.
4. Es probable que se venda 50 por ciento ms en los tres meses siguientes que en los mismos tres
meses del ao anterior.
5. Cualquiera que haya sido el cambio porcentual de los ltimos tres meses de este ao en compara
cin con los mismos tres meses del ao pasado, ser probablemente el mismo cambio porcentual
que se tendr en los siguientes tres meses del ao.
Estas reglas de pronstico no son rgidas. Si una regla parece funcionar bien, se agrega. Si una no
funcion, se suprime.
La segunda parte del proceso es una simulacin por computadora. Para usar el sistema, deben tenerse
datos histricos; por ejemplo, datos de 18 a 24 meses. El proceso de simulacin usa las reglas de pro
nstico para predecir datos recientes. La regla que mejor pronostique en el pasado es la que se usa para
predecir el futuro. El ejemplo 15.6 es un ejercicio usado por Smith. 6

EJEMPLO 15.6: Demanda en unidades de una charola para asadora

La tabla siguiente muestra la demanda en unidades de una charola para asadora en un periodo de 18 meses.
(Trate de adivinar cul sera la demanda para julio, agosto y septiembre de este ao y compare su conjetura
con los datos reales presentados despus.)
Ao PASADO

Enero

ESTE AO

Ao PASADO

72

Julio

167

Febrero

212

90

Agosto

159

Marzo

378

108

Septiembre

201

Abril

129

134

Octubre

153

Mayo

163

92

Noviembre

76

Junio

96

137

Diciembre

30

ESTE AO

SOLUCiN

Por brevedad, aqu se aplican slo dos reglas para demostrar el mtodo: 1 y 5. En la prctica, se usaran todas.
Mediante pronstico enfocado, primero se prueba la regla 1: lo que se haya vendido en los tres ltimos
meses ser probablemente lo que se venda en los tres meses siguientes (se usan indistintamente los trminos
demanda y ventas, suponiendo que las demandas culminan en ventas reales). Primero se prueba esta regla con
los tres meses pasados:
Pronstico (abril, mayo, junio)
=

Demanda (enero + febrero + marzo)

72 + 90 + 108

270

Como lo que ocurri en la realidad fue 363 (134 + 92 + 137), el pronstico fue 270/364
otras palabras, fue 26 por ciento bajo.

74 por ciento. En

ADlVIIN1STRACIN y PRONSTICO DE LA DEMANDA

capitulo 15

497

Prubese otra regla, como la 5: cualquiera que haya sido el cambio porcentual de los ltimos tres meses
de este ao en comparacin con los mismos tres meses del ao pasado, ser probablemente el mismo cambio
porcentual que se tendr en los siguientes tres meses del ao.
Pronstico (abril + mayo + junio)
=

Demanda (enero + febrero + marzo) este ao

Demanda (enero + febrero + marzo) ao pasado

Demanda (abril + mayo + junio) ao pasado

+ 90 + 108 x (129 + 163 + 96)

6+212+378

= 72

270 x (388) = 175.77

596

=-

Lo que ocurri en realidad durante abril, mayo y junio fue de 363, as que el pronstico fue 175/363 o slo 48
por ciento de la demanda real.
Como la regla 1 fue la mejor para pronosticar los tres meses pasados, se usa esa regla para predecir julio,
agosto y septiembre de este ao. La regla 1 dice que lo que se haya vendido en los tres ltimos meses ser
probablemente lo que se venda en los tres meses siguientes.
Pronstico Uulio + agosto + septiembre)

Demanda (abril + mayo + junio)

134 + 92 + 137

363

La demanda actual del periodo fue de 357, como se ve en la tabla, lo que muestra la historia completa de
la demanda de este ao y sirve como base para hacer una comparacin.
Ao PASADO

Enero

Ao PASADO

ESTE AO

Julio

167

120

Agosto

159

151

ESTE AO

72

Febrero

212

90

Marzo

378

108

Septiembre

201

86

Abril

129

134

Octubre

153

113

Mayo

163

92

Noviembre

76

97

Junio

96

137

Diciembre

30

40

Luego, los compradores o los empleados de control que tienen la responsabilidad de estos rubros re
visan y, si fuera necesario, modifican los pronsticos hechos con la lgica enfocada. Cuando ven los pro
nsticos hechos por la computadora, saben qu mtodo se us y pueden aceptar el pronstico o cambiarlo
si no estn de acuerdo. Smith dice que alrededor de 8% de los pronsticos los cambian los compradores,
porque saben algo que la computadora ignora (por ejemplo, la causa de una demanda grande anterior o
que el pronstico siguiente es demasiado elevado porque un competidor introdujo un producto rival).
Smith afirma que de todas las simulaciones de pronsticos que ha ejecutado usando variaciones de
uniformidad exponencial (incluyendo uniformidad adaptada), el pronstico enfocado es el que da mejo
res res ultados.

PRONSTICO EN LA RED: ~LANEACIN"PRO~STICO

'
y RESURTIDO EN COLABORACIN 7
La planeacin, pronstico y resurtido en colaboracin (CPFR en ingls, Collaborative Planning,
Forecasting and Replenishment), que se propuso en 1995, evolucion hasta convertirse en una herra
mienta de Internet usada para coordinar el pronstico de la demanda, la planeacin de la produccin y
las compras y el resurtido de inventarios entre socios comerciales de la cadena de suministro, La CPFR
se usa como medio de integrar a todos los miembros de una cadena de suministro de n puntos, incluyendo
fabricantes, distribuidores y vendedores minoristas, Como se muestra en la ilustracin 15,19, el punto
ideal de colaboracin mediante CPFR es el pronstico de la demanda en el nivel del menudeo, que luego
se usa para sincronizar pronsticos y planes de produccin y resurtido hacia los segmentos anteriores de
la cadena de suministro.

Planeacin, pronstico
y resurtido en
colaboracin

498

seccin 4

PLAl'ffiACIN y CONTROL DE LA CADENA DE SC1ID1STRO

-, ..

ilustracin 15.19

"

.-Cadena- de suministn> de n p~ntos Con ~H~i~ades de menudeo

Vendedor
del punto n

Vendedor
del punto 3

Vendedor
del punto 2

Vendedor
del punto l

Planeacin de produccin
e informacin de adquisiciones

Fabricacin y
montaje ~nal

Centro de
distribucin

Minorista

-Informacin Informacin
de resurtido de pronstico

A la fecha, aunque la metodologa es aplicable a cualquier industria, las aplicaciones de CPFR se

han centrado principalmente en los alimentos, ropa y mercanca general. Los posibles beneficios de
compartir la informacin de mejorar la visibilidad de la planeacin son enormes para cualquier cadena
de suministro. Se han propuesto varias estimaciones de los ahorros de costos atribuibles a mejorar la
coordinacin de la cadena de suministro, incluyendo 30000 millones de dlares nada ms de la industlia
alimenticia. 8
El objetivo de CPFR es intercambiar informacin interna selecta en un servidor de la red compartido,
con el fin de ofrecer panormicas confiables y de largo plazo sobre la demanda futura en la cadena de
suministro. CPFR usa un enfoque cclico e iterativo para derivar pronsticos consensuados en la cadena.
Consiste en los siguientes cinco pasos:
Paso 1. Creacin de un acuerdo de asociacin del lado del cliente. Este acuerdo especifica
1) objetivos (como reduccin de inventarios, eliminacin de ventas perdidas, menor obsolescencia de
los productos) que se pretende alcanzar mediante colaboracin, 2) necesidades de recursos para la
colaboracin (por ejemplo, hardware, software, medidas de desempeo), y 3) expectativas de confi
dencialidad sobre la confianza imprescindible como requisito para compartir la informacin delicada
de la compaa, que representa un obstculo importante a la implantacin.
Paso 2. Planeacin conjunta de negocios. Normalmente, los socios crean estrategias de asocia
cin, disean un calendario conjunto en el que se identifica la secuencia y frecuencia de las actividades
de planeacin que se siguen para influir en los ritmos de produccin y se especifican los criterios de
excepcin para manejar las variaciones planeadas entre los pronsticos de la demanda de los socios
comerciales.
Paso 3. Desarrollo de pronsticos de demanda. El desarrollo de pronsticos puede apegarse a
los procedimientos establecidos en la compaa. Las tiendas deben desempear un papel crucial,
porque compartir los datos de los puntos de venta permite desarrollar expectativas ms acertadas y
oportunas (a diferencia de extrapolar retiros de almacn o acumular pedidos en tiendas) tanto para
vendedores minoristas como para proveedores, Dada la frecuencia con que se generan pronsticos y
la posibilidad de que muchos artculos requieran que se preparen pronsticos, por lo regular se usa
en CPFR algn procedimiento de pronstico simple, como el promedio de movimiento. Es fcil usar
tcnicas simples junto con los conocimientos expertos de eventos de promocin o rebaja para modi
ficar los valores pronosticados en consecuencia.
Paso 4. Difundir los pronsticos. A continuacin, vendedores minoristas (pronsticos de pedidos)
y proveedores (pronsticos de ventas) publican electrnicamente sus ltimos pronsticos de una lista
de productos en un servidor compartido dedicado. El servidor examina pares de pronsticos corres
pondientes y expide una nota de excepcin sobre cualquier par de pronsticos cuando la diferencia
supera un margen de seguridad establecido con antelacin (por ejemplo, de 5%). Si se excede el mar
gen de seguridad, los planificadores de las dos empresas colaboran por va electrnica para llegar a
un pronstico de consenso.
Paso 5. Resurtido de inventario. Cuando coinciden los pronsticos correspondientes, el pronstico
de pedidos se convierte en pronstico real, lo que activa el proceso de resurtido.

l======-.;,;====~=-====~==~-~.~~-------

ADMIN1STRACN y PRONSTICO DE LA DEMANDA

captulo 15

499

Cada uno de estos pasos se repite iterativamente en un ciclo continuo en el que se varan los tiempos,
por productos individuales y segn calendario de sucesos establecido entre los socios comerciales.
Por ejemplo, los socios pueden revisar el acuerdo de asociacin del lado del cliente cada ao, evaluar
cada trimestre los planes comerciales conjuntos, desarrollar pronsticos de la demanda semanales o
mensuales y resurtir a diario.
El intercambio oportuno de informacin entre los socios comerciales ofrece impresiones confiables
y de ms largo plazo sobre el futuro de la demanda en la cadena de suministro. La visibilidad hacia
adelante, basada en compartir la informacin, trae diversos beneficios a las asociaciones en las cadenas
de suministro.
Como ocurre con la mayora de las nuevas iniciativas corporativas, hay escepticismo y resistencia al
cambio. Uno de los escollos ms grandes que estorban la colaboracin es la falta de confianza sobre lo
completo de la informacin que se comparte entre socios de la cadena de suministro. El objetivo contra
dictorio entre un proveedor que quiere maximizar sus utilidades y un cliente que quiere minimizar sus
costos da lugar a relaciones contrarias en la cadena de suministro. Compartir datos operativos delicados
puede permitir a un socio comercial sacar ventaja del otro. Del mismo modo, una barrera a la ejecucin
es el potencial de perder el control. Algunas compaas se sienten justamente preocupadas por la idea de
colocar en lnea datos estratgicos, como informes financieros, programas de manufactura e inventarios.
Las compaas quedan expuestas a las fracturas de seguridad. Los acuerdos de asociacin del lado del
cliente, acuerdos de secreto y acceso limitado a la informacin ayudan a superar estos miedos.

CONCLUSiN
No es fcil desarrollar un sistema de pronstico. Sin embargo, debe hacerse, porque pronosticar es fun
damental en cualquier esfuerzo de planeacin. En el corto plazo, se necesita un pronstico para predecir
las necesidades de materiales, productos, servicios u otros recursos para responder a los cambios de la
demanda. Los pronsticos permiten ajustar los calendarios y variar la mano de obra y los materiales. A
la larga, se requiere pronosticar como base para los cambios estratgicos, como el desarrollo de mercados
nuevos, creacin de nuevos productos o servicios y ampliar o construir nuevas instalaciones.
En el caso de los pronsticos de largo plazo en los que se incurra en grandes compromisos econmi
cos, debe tenerse mucho cuidado al derivarlos. Deben usarse varios mtodos. Son provechosos los mto
dos causales, como el anlisis de regresin simple o mltiple, pues dan una base para realizar estudios.
Los factores econmicos, tendencias de productos, factores de crecimiento y competencia, as como una
mirada de otras posibles variables tienen que considerarse y el pronstico debe ajustarse para que refleje
la influencia de cada uno.
Los pronsticos de corto y mediano plazos (como los que se requieren para el control de inventario
as como calendarizacin de contratacin de empleados y de material) pueden ser satisfactorios para mo
delos simples, como de suavizacin exponencial, quiz con una caracterstica de adaptacin o un ndice
estacional. En estas aplicaciones, normalmente se pronostican miles de activos. La rutina de pronstico
debe ser simple y ejecutarse con rapidez en una computadora. Las rutinas tambin deben detectar y
responder con celeridad a cambios definidos de corto plazo en la demanda, al tiempo que se ignoran
las demandas espurias ocasionales. La suavizacin exponencial, cuando la gerencia la monitorea para
controlar el valor de alfa, es una tcnica efectiva.
Los sistemas de pronstico en colaboracin por Internet que usan combinaciones de mtodos de
pronstico sern la ola del futuro en muchas industrias. Compartir informacin entre socios comerciales
con enlaces directos al sistema ERP de cada empresa asegura una informacin rpida y sin errores a un
costo muy bajo.
En resumen, es difcil pronosticar. Un pronstico perfecto es como un hoyo en uno en el campo de
golf: es sensacional atinarle, pero hay que sentirse satisfecho con acercarse; o, para proseguir con la ana
loga, basta caer en el green. La filosofa ideal es crear el mejor pronstico que sea posible y protegerse
manteniendo la flexibilidad del sistema para tener en cuenta los inevitables errores de pronstico.
VOCABULARIO BSICO
Demanda dependiente Necesidades de un producto o servicio inci
tadas por la demanda de otros servicios o productos. Esta demanda
interna no tiene que ser pronosticada, pero puede calcularse sobre la
base de la demanda de otros productos o servicios.

Demanda independiente Demanda que no puede derivarse directa

mente de la demanda de otros productos.

500

seccin 4

PLAi'lEACN y CONTROL DE LA CADENA DE "DIDl~TRO

Anlisis de series de tiempo Tipo de pronstico en que se anticipa la

demanda futura con datos relacionados a la demanda anterior.
Suavizacin exponencial Tcnica de pronstico por series de tiem
po, en la que cada incremento de los datos de la demanda anterior
aminora en (1 - a).
Constante de suavizacin alfa (a) Parmetro de la ecuacin de sua
vizacin exponencial que controla la velocidad de reaccin a las di
ferencias entre los pronsticos y la demanda real.
Constante de suavizacin delta (b) Parmetro adicional de la ecuacin
de suavizacin exponencial que comprende un ajuste de la tendencia.
Desviacin absoluta media (MAD) Error promedio del pronstico
usando valores absolutos de error de cada pronstico anterior.

Pronstico de regresin lineal Tcnica de pronstico en la que se

presume que los datos previos y las proyecciones a futuro caen sobre
una recta.
Relacin causal Situacin en la que un suceso es causa de otro. Si
el suceso est muy distante en el futuro, sirve como base para un
pronstico.
Pronstico enfocado Mtodo de pronosticar en el que se ensayan
varias tcnicas mediante simulacin computarizada. La mejor tc
nica o el mejor conjunto de tcnicas se aplica al pronstico real.
Planeacin, pronstico y resurtido en colaboracin Herramienta
de Internet para coordinar pronsticos, produccin y adquisiciones
en la cadena de suministro de una compaa.

Seal de seguimiento Medida que indica si el promedio del prons

tico concuerda con alzas o bajas verdaderas de la demanda.

R.EPASO DE LAS FRMULAS

Promedio mvil simple

[15.1]
Promedio mvil ponderado

[15,2]
Suavizacin exponencial simple

[15.3]
Suavizacin exponencial con tendencia
[15.4]
[15.5]

[15.6]

FIT, =F, + TI
F , = FIT,_1 + a(A _1 - FITI _ 1)
'
TI = T,_1 + o(F, - FITI _ 1)

Desviacin absoluta media

It

IIAe-Fel

[15.7]
MAD =

-,-i-=.!l~_ _

Seal de seguimiento

[15.8]

TS

RSFE
MAD

Regresin de mnimos cuadrados

[15.9]

Y=a+bx

[15.10]

[15.11]

y - bx

Lxy-ni. y

b=

"""''''=-,--_-,
L...x -nx