Mgtr. Ing.

Stanly Bolaos

Pronsticos y Planeacin de la
Demanda

Pronsticos
Pronosticar:
Arte de especificar informacin significativa acerca del
futuro (Narasimhan, Mcleavey y Billington, 1996)

Tcnica para utilizar experiencias pasadas con la finalidad

de predecir expectativas del futuro (Chapman, 2010)
Es el arte y la ciencia de predecir los eventos futuros
(Heizer y Render, 2004)

Por qu es importante
un pronstico?
Un aspecto esencial de la administracin de cualquier
organizacin es la planeacin del futuro.
En efecto, el xito a largo plazo de una organizacin
depende de cun bien la gerencia anticipa el futuro y
elabora las estrategias apropiadas.
El buen juicio y tener conciencia del estado de la
economa pueden dar a un gerente una idea aproximada o
intuicin de lo que es probable que suceda en el futuro.
Sin embargo, con frecuencia es difcil convertir esta intuicin
en un nmero que pueda usarse, como el volumen de
ventas del siguiente trimestre o el costo de la materia prima
por unidad para el ao prximo.
2

Por qu es importante
un pronstico?
Aunque todo pareca estar bien, en mayo de 2001 Cisco anunci prdidas de inventario
por 2200 millones de dlares, causando que las acciones fueran a la baja.
El problema comenz cuando los clientes de Cisco, previendo una demanda alta y una
posible escasez, generaron rdenes duplicadas de equipos tanto a Cisco como a sus
competidores, con la intencin de obtenerlos del primero que los entregara y as
cancelar la orden del otro.
Como Cisco no saba de las rdenes duplicadas previ un gran aumento en la demanda,
lo que caus que sus proveedores, para evitar la escasez y como reaccin a la previsin,
aumentaron las rdenes de adquisicin de componentes con sus proveedores; como
stos ltimos tampoco saban de las rdenes duplicadas, trabajaron de acuerdo a lo que
crean era una demanda real.
El resultado fue tomaron una previsin exagerada que fue incrementada aun ms en la
upstream, y cuando llego la recesin en 2000, Cisco tena tres veces ms equipos de los
que sus clientes estaban dispuestos a comprar, y como la tecnologa cambia en periodos
de tiempo muy cortos, muchos de los productos se volvieron obsoletos.
5

Por qu es importante
un pronstico?
Un mal pronstico afecta:
Un plan de produccin
Niveles de inventario y productos
Ordenes de materia prima
Planes y cuotas de ventas
Inversiones financieras
Planes estratgicos

Incluso cmo nos

preparamos para el estado
del tiempo!

Por qu es importante
un pronstico?
Todas las organizaciones y personas operan en una
atmsfera de incertidumbre, pero todos los das todos
(organizaciones y personas) debemos tomar decisiones
que afectarn nuestro futuro.
Para el administrador de una empresa, es ms fcil tomar
una decisin que tendr consecuencias en el futuro si para
ello se basa en informacin, y no solamente en
presunciones.

Por qu es importante
un pronstico?
Es la base de la planeacin corporativa a largo plazo. En las diferentes
operaciones es una herramienta que permite:
En finanzas y contabilidad: planeacin de presupuestos y control
de costos.
En mercadeo: planear productos nuevos, compensacin del
personal de ventas, toma de decisiones clave.
En produccin y operaciones: seleccin de procesos, planeacin
de capacidades, distribucin de instalaciones, planeacin de la
produccin, inventario, mantenimiento, entre otras.

Principios fundamentales
de los pronsticos
Casi siempre son
inexactos

No es una prediccin, no se conoce el futuro con

certeza.
Sin embargo, indican una direccin, una tendencia, una
imagen de la situacin ms probable que ocurra.

Son ms precisos
para grupos o
familias de
artculos

Los errores o imprecisiones de un artculo especfico

generalmente son corregidos por otros miembros del
grupo o familia.

Son ms precisos
para periodos
cortos

En periodos cortos de tiempo existe menos

probabilidad de influencia de factores externos
impredecibles.

Deben incluir un
error de
estimacin

Por no ser precisos, deben incluir un intervalo en el

cual se espera est el resultado.

Horizonte de tiempo del pronstico

Corto
Plazo

Demanda

Periodos
menores a 3
meses, mximo
1 ao
Se usa para
planear las
compras,
programar el
trabajo,
determinar
niveles de
mano de obra,
asignar el
trabajo y
decidir los
niveles de
produccin.

Mediano
Plazo

Largo
Plazo
De 3 meses a 3
aos.

3 aos o ms

Es til para
requerimientos
Operacin

de produccin, el

presupuesto y
el flujo de
efectivo,
analizar
diversos planes
de operaciones.

Estrategia

Se emplean
para planear
nuevos
productos,
gastos de
capital,
ubicacin e
instalacin de
las
instalaciones,
investigacin y
desarrollo.

10

Pasos bsicos en el
sistema de pronsticos

12

Ejemplo
WhatIfSports.com elabora pronsticos todos los aos para determinar el
desempeo de jugadores en liga de futbol de fantasa. Ahora pertenece a
FOX Sports.
Cuando estos vienen de la liga universitaria se toman los datos de su
desempeo a lo largo de la universidad, la intensidad de la competencia
universitaria, aspectos medibles (por ejemplo, la altura, el peso, el
tiempo de la carrera de 40 yardas, el salto vertical, etctera), la posicin
probable, el desempeo anterior de un jugador similar en esa posicin
para el staff de entrenamiento y el desempeo previo de jugadores
parecidos con un nivel de experiencia similar.
El mtodo de elaboracin de pronsticos tambin ayud al sitio con
muchas otras tareas. Una empresa antes dedicada a qu pasara si en los
deportes, gracias al uso de modelos de elaboracin de pronsticos, ahora
tambin puede centrarse en qu pasar.
13

Tcnicas de Pronsticos y
modelos comunes

14

Anlisis de Series de Tiempo

Se basan en la idea de que el futuro es una funcin del pasado,
cuya nica variable independiente es el tiempo.

Promedio mvil simple

Promedio mvil ponderado
Suavizacin exponencial
Anlisis de regression
Modelo Variacin Estacional
Modelo Multiplicativo

15

Componentes de Series de Tiempo

Al patrn o comportamiento de los datos en una serie de tiempo tiene
se les llama componentes en la serie de tiempo.
Dependiendo del comportamiento una serie de tiempo puede tener uno,
dos o ms o ningun componente
Los componentes que estudiaremos son:
1. Estacionario
2. Tendencia (creciente y decreciente)
3. Variacin Estacional o Cclica
Existe un ultimo componente que puede afectar los datos, este se llama
componente irregular y se usa cuando ninguno de los anteriores explica el
comportamiento de la informacin.
17

Componentes de Series de Tiempo

Componente Estacionario
Una serie estacionaria es aquella cuyo valor promedio no vara a travs del
tiempo.

Estas situaciones se
presentan cuando los
patrones de demanda que
influyen sobre la serie son
relativamente estables
Lo anterior provoca que la
tendencia cambie muy
poco (o nada) al avanzar en
la serie de tiempo
19

Componentes de Series de Tiempo

Componente Tendencia
Cuando la variable dependiente crece o decrece mientras avanza la serie de tiempo
se dice que los datos poseen un componente de tendencia, la misma puede ser
creciente o decreciente.
No todas las tendencias crecen o
decrecen de forma lineal como el
grfico aqu representado, es decir en
una linea recta.

Ao 1

Ao 2

Ao 3

Ao 4

Cuando esta regresin deja de ser

lineal se busca lo que se conoce como
una curva de ajuste y se dice que el
componente es una tendencia no
lineal.
19

Componentes de Series de Tiempo

Componente Estacional

Como es lgico, el componente de las series de tiempo que representa la

variabilidad en los datos debido a influencias estacionales se llama componente
estacional.
Aunque por lo general consideramos que
el movimiento estacional en una serie de
tiempo ocurre en un ao, el componente
estacional tambin puede utilizarse para
representar cualquier patrn que se repite
con regularidad y tiene una duracin
menor a un ao.

Ao 1

Ao 2

Ao 3

Ao 4

19

Componentes de Series de Tiempo

Componente Irregular

Este componente representa la variabilidad

aleatoria en las series de tiempo y es
resultado de factores a corto plazo,
imprevistos y no recurrentes que afectan a
la serie de tiempo.

Como este componente representa la

variabilidad aleatoria en las
series de tiempo, es impredecible; no
podemos intentar predecir su impacto en
la serie de tiempo.
20

Componentes de Series de Tiempo

Ejemplo de tendencias marcadas en los valores a travs del tiempo:

componente?

componente?

componente?

18

Cuando uso cada tcnica?

16

Ejercicio # 1: Pronstico en Gasolinera

Una gasolinera desea pronosticar las ventas de la 13ava semana,
para ello cuenta con la siguiente informacin:

Qu componente afecta el
comportamiento de las ventas
en este ejemplo?

Semana
1
2
3
4
5
6
7
8
9
10
11
12
13

Ventas (miles de
galones)
17
21
19
23
18
16
20
18
22
20
15
22

Cunto podra llegar a

vender la gasolinera en la
semana nmero 13?

21

Promedio mvil simple

Este mtodo utiliza un nmero de valores de datos histricos reales para
generar un pronstico.
til cuando la demanda de un producto no crece ni baja con rapidez, y no
tiene caractersticas estacionarias.
Es la media aritmtica de n observaciones consecutivas:

demanda de los n periodos anteriores

Promedio Mvil =
n

22

Promedio mvil simple

El tamao de la N a elegir para cada promedio calculado afectar el resultado final del
pronstico
Si se elige una n baja, nuestra prediccin tendr una alta capacidad para responder
rpidamente ante fluctuaciones o variaciones significativas en los datos de un perodo
a otro. Sin embargo, la prediccin en este caso estar altamente influenciada por
efectos aleatorios.
Por otro lado, la eleccin de un n muy alto provocar que, aunque se filtre la existencia
de efectos aleatorios, nuestras predicciones presenten una adaptacin lenta ante
fluctuaciones significativas en los datos de perodos ms recientes, pues dicha
prediccin estar teniendo en cuenta el valor de datos antiguos.

22

Promedio mvil ponderado

Este mtodo utiliza un nmero de valores de datos histricos reales para
generar un pronstico.
til cuando la demanda de un producto no crece ni baja con rapidez, y no
tiene caractersticas estacionales.
Permite asignar cualquier importancia a cada elemento, siempre y cuando la
suma de todas las ponderaciones sea 1.
PMP = w1At-1 + w2At-2 + + wnAt-n
Donde wn se refiere al peso o ponderacin que se le dar al elemento, At-n se refiere al elemento a analizar en el tiempo T-n,
donde T es tiempo y n es el nmero de periodos anteriores que se van a analizar.

23

Promedio mvil ponderado

En general, si creemos que el pasado reciente es un mejor pronosticador del
futuro que el pasado distante, los pesos ms grandes deben darse a las
observaciones ms recientes.
No obstante, cuando la serie de tiempo es muy variable, la seleccin de pesos
aproximadamente iguales para cada valor de datos puede ser la mejor.
El mejor criterio para definir pesos es elegir aquellos que minimizen el error
Es decir, si suponemos que la mejor combinacin para el pasado tambin
ser la mejor para el futuro, utilizaramos la combinacin de valores de datos
y pesos que minimiza el error para la serie de tiempo histrica con el fin de
pronosticar el siguiente valor en la serie de tiempo.

23

Suavizacin exponencial
Es un procedimiento para revisar de forma
continua un pronstico (pron.) a la luz de
experiencias ms recientes.
Proporciona un promedio mvil con un peso
exponencial de todos los valores observados (obs.)
con anterioridad.
Apropiado para datos que no tienen una tendencia
predecible hacia arriba o hacia abajo.
Nuevo Pron. = [*(ltima obs.)]+[(1-)*(ltimo pron.)]

24

Suavizacin exponencial
Si la variabilidad aleatoria de la serie de tiempo es
considerable, es preferible un valor pequeo para la
constante de suavizacin.
Para una serie de tiempo con relativamente poca variabilidad,
los valores ms grandes de la constante de suavizacin tienen
la ventaja de ajustar rpidamente los pronsticos cuando
ocurren errores de pronstico y por ende permiten que el
pronstico reaccione ms rpido a las condiciones
cambiantes.

24

Errores de pronstico
Es la diferencia entre el valor de pronstico y lo que
ocurri en realidad (valor real).
En estadstica son conocidos como residuales.
Si el valor del pronstico se encuentra entre los
lmites de confianza, no es un error.
Fuentes de error:

Errores sesgados: errores consistentes

Errores aleatorios: errores que no se pueden explicar

25

Medicin de los errores

Los errores pueden describirse como:
1.

Desviacin Absoluta Media (MAD por sus siglas en ingls):

promedio de diferencias absolutas entre datos reales y
datos pronosticados.

Donde:

MAD =

|At - Ft|
n

t = Nmero del periodo

A = Demanda real para el periodo
F = Demanda pronosticada para el periodo
n = Nmero total de periodos
| | = Smbolo de valor absoluto (elimina los signos negativos)

26

Ejercicio # 2: Pronstico en Bike Center

Bike Center es una tienda de biciletas y equipo
para deportes extremos que ha tenido un crecimiento
en la demanda de sus productos recientemente.
El dueo desea conocer cuanto habr de vender los
ltimos dos meses del ao y cuenta con la informacin
de las ventas desde el mes de Enero del ao en curso.
Qu componente afecta el
comportamiento de las ventas
en este ejemplo?

Cunto podra llegar a

vender la tienda los ltimos
dos meses?

Periodo Ventas (miles)

1
21.6
2
22.9
3
25.5
4
21.9
5
23.9
6
27.5
7
31.5
8
29.7
9
28.6
10
31.4
11
12

27

Anlisis de regresin
En estadstica, el anlisis de regresin es un proceso estadstico para la
estimacin de relaciones entre variables. Incluye muchas tcnicas para el
modelado y anlisis de diversas variables, cuando la atencin se centra en
la relacin entre una variable dependiente y una o ms variables
independientes.
Ms especficamente, el anlisis de regresin ayuda a entender cmo el
valor tpico de la variable dependiente cambia cuando cualquiera de las
variables independientes es variada, mientras que se mantienen las otras
variables independientes fijas. Ms comnmente, el anlisis de regresin
estima la esperanza condicional de la variable dependiente dadas las
variables independientes - es decir, el valor promedio de la variable
dependiente cuando se fijan las variables independientes
28

Ejemplo # 3: Pronstico en Toy Market

Toy Market es una tienda que vende juguetes para nios
de todas las edades.
El dueo sabe que cada ao sus ventas crecen y los
ltimos dos trimestres del ao la demanda aumenta y desea
pronosticar las ventas del quinto ao contando con la siguiente
Informacin:
Periodo
1
2
3
4
5
6
7
8

Ao

Trimestre
1
2
3
4
1
2
3
4

Ventas
(miles)
4.8
4.1
6
6.5
5.8
5.2
6.8
7.4

Periodo
9
10
11
12
13
14
15
16

Ao

Trimestre
1
2
3
4
1
2
3
4

Ventas
(miles)
6
5.6
7.5
7.8
6.3
5.9
8
8.4

Qu componente afecta el
comportamiento de las ventas
en este ejemplo?

Cunto podra llegar a

vender la tienda en el quinto
ao?
29

Modelo multiplicativo
Adems de un componente de tendencia T y un
componente estacional S, asumimos que la serie de
tiempo tambin tiene un componente irregular I. El
componente irregular representa los efectos aleatorios de
la serie de tiempo que no pueden explicarse por medio de
los componentes de tendencia y estacional.
Con Tt , St e It para identificar los componentes de
tendencia, estacional e irregular en el tiempo t,
suponemos que el valor de la serie de tiempo real,
denotado por Yt, puede describirse por el modelo
multiplicativo de series de tiempo.

Yt = Tt x St x It
30

Modelo multiplicativo
Para obtener la tendencia se debe seguir los siguientes
pasos:
1. Obtener la media de cada periodo utilizando el promedio
mvil, si es en un nmero par se aade el promedio centrado
2. Dividir las ventas por el promedio mvil (o mvil centrado si
existe) para obtener el ndice de estacionalidad por periodo
3. Calcular el promedio de ndices de estacionalidad para cada
periodo en todos los aos.
4. Utilizar el promedio de cada periodo como ndice de
estacionalidad.
5. Calcular las ventas des-estacionalizadas, luego calcular la
tendencia y aplicar un modelo para pronosticar las ventas.
6. Aplicar de regreso la estacionalidad al pronostico.
31

Pronstico Causal
Se basan en el supuesto de que la variable que
tratamos de pronosticar exhibe una relacin de causa
y efecto con una o ms variables.
Por ejemplo, los gastos de publicidad y el precio de
venta de un producto influyen en el volumen de
ventas de muchos productos, de manera que el
anlisis de regresin puede utilizarse para desarrollar
una ecuacin que muestre cmo se relacionan estas
tres variables.

32

Pronstico Causal
Ejemplo: Pronostique el nmero de productos
vendidos si el precio permanece en $4 y la publicidad
equivale a $500:
Cantidad
Vendida de
Productos
8500
4700
5800
7400
6200
7300
5600

Precio de
Producto
$
2.00
$
5.00
$
3.00
$
2.00
$
5.00
$
3.00
$
4.00

Gastos de
Publicidad
$ 2,800.00
$
200.00
$
400.00
$
500.00
$ 3,200.00
$ 1,800.00
$
900.00

33

Bibliografa
ANDERSON y cols. (2011). Mtodos cuantitativos para los negocios. (Undcima
ed.). Mxico: CENGAGE Learning.
CHAPMAN, S. (2010). Planificacin y control de la produccin. Mxico: Prentice
Hall.
HEIZER, J. y RENDER, B. (2004). Principios de administracin de operaciones.
(Quinta ed.). Mxico: Pearson.
HILLIER, F. y LIEBERMAN, G. (2006). Investigacin de operaciones. (Sptima
ed.). Mxico: McGraw Hill.
NARASIMHAN, S., MCLEAVEY, D. y BILLINGTON, P. (1996). Planeacin de la
produccin y control de los inventarios. Mxico: Prentice Hall.
WAYNE, W. (2008). Investigacin de operaciones, aplicaciones y algoritmos.
(Cuarta ed.). Mxico: Thompson.

Imgenes (www.freeimages.com)
34

Tarea: Pelcula
Ver la pelcula llamada Moneyball o en espaol
Rompiendo las reglas
En el foro de esta semana deber discutir como
lo aprendido en clase el da de hoy aplica con lo
que le sucediy al equipo de baseball Los
Atlticos de Oakland y responder a las siguientes
preguntas:

1. Cul fue el reto que afront Billy Beane ante

la directiva del equipo? Qu paradigmas
tuvo que romper?
2. Cmo ayudaron los pronsticos a los
Atlticos de Oakland?

3. Cmo aplicara lo aprendido en su negocio u

profesin?

35