Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Pronc3b3sticos Holt Winters Omr Nov2016 PDF
Pronc3b3sticos Holt Winters Omr Nov2016 PDF
EL método Holt-Winters es un método de pronóstico de triple exponente suavizante y tiene la ventaja de ser
fácil de adaptarse a medida que nueva información real está disponible. El método Holt- Winters es una
extensión del método Holt que considera solo dos exponentes suavizantes. Holt-Winters considera nivel,
tendencia y estacional de una determinada serie de tiempos. Este método tiene dos principales modelos,
dependiendo del tipo de estacionalidad; el modelo multiplicativo estacional y el modelo aditivo estacional. El
referente trabajo se concentra en el modelo multiplicativo.
Existen tres fases de trabajo, con tres conjuntos de datos diferentes. Un primer grupo de datos es para inicializar
el modelo, esto es determinar los indicadores de nivel, tendencia y estacionalidad. Un segundo conjunto de
datos es necesario para probar o calibrar los índices de suavización Alfa, Beta y Gamma. Un tercer grupo de
datos para pronosticar y evaluar el funcionamiento del modelo propuesto. Ejecutar todas las fases en un solo
grupo de datos puede conducir a tratar de encajar en exceso el modelo a los datos disponibles.
Para explicar este método de pronóstico tomaremos como ejemplo a la empresa Donfrio, ubicándonos
imaginariamente a fines del año 2016 tratando de pronosticar las ventas para el año siguiente, es decir el año
2017.
Al observar la gráfico 1 de las ventas históricas podemos notar que los datos muestran un nivel, estacionalidad y
una ligera tendencia positiva, lo que hace ideal el empleo del método Holt-Winters. Cabe resaltar que los datos
disponibles deben estar depurados de cualquier evento que haya originado niveles de ventas anómalas, es decir
EL MÉTODO DE PRONÓSTICO HOLT-WINTERS
ventas que no se espera se repitan en el futro, como incremento de ventas por promociones realizadas en el
pasado. En el cuadro 1 tenemos ventas históricas que completan tres estaciones de la empresa DonFrio (2014-
2016), las cuales emplearemos para demostrar el uso de la técnica Holt-Winters
Para determinar el nivel actual de ventas (promedio), existen diversas técnicas. Emplearemos el método de
promedio móvil, debido a que este método es uno de los que mejor reflejan la existencia de tendencias al alza o
baja.
El en grafico 1 observamos que cada estación está compuesta de doce periodos (de enero a diciembre). Es decir
la curva que forman los niveles de ventas tiende a repetirse cada doce meses.
Para iniciar el modelo vamos a trabajar únicamente con los datos correspondientes a los años 2014 y 2015;
dejamos el año 2016 para calibrar nuestro modelo. Las cuatro primeras columnas del cuadro 1 son para indicar
el año, período, mes y demanda histórica en unidades, información que debe ser proporcionada para nuestro
trabajo de pronóstico.
En las columnas 5 y 6 se muestran los cálculos del promedio móvil, el cual debe ser “centrado” en la columna
7. El promedio móvil de la demanda de los doce primeros meses (columna 4; períodos 1, 2, 3… 12) es 790.25
unidades; lo ubicamos en junio 2014 y repetimos la misma cifra en julio 2014. Esto debido a que 12 representa
un número par sin centro, esto no ocurriría si se tratase de una estación con un número impar de períodos. El
segundo promedio móvil de la demanda de doce meses (períodos 2, 3, 4…13) es de 791.08 unidades; lo
ubicamos frente a los meses de julio 2014 y agosto 2014. El tercer promedio móvil, (períodos 3, 4, 5…14) lo
ubicamos frente a los meses de agosto 2014 y septiembre 2014. Repetimos la operación hasta el promedio
móvil décimo tercero (períodos 13, 14, 15…24) y ubicamos el resultado de 809.75 frente a los meses de junio
2015 y julio 2015).
El siguiente paso es obtener los promedios móviles por mes (columna 7), empezamos por el mes de julio del
2014 con 790.67 [(791.08 + 790.25)/2], luego sigue agosto del 2014 con 791.71 [(792.33 + 791.08)/2] y así
sucesivamente hasta junio del 2015 con 809.13 [(809.75 + 808.50)/2]. Los meses de enero a junio del 2014 son
completados promediando los dos primeros meses disponibles, en este caso con los datos de julio y agosto con
791.19 [(790.67 + 791.71)/2]. Para los meses de julio a diciembre del 2015 son completados promediando los
dos últimos meses disponibles, en este caso con los datos de mayo y junio con 808.61 [(808.08 + 809.13)/2]
(Nahmias Steven, 2009).
La columna 8 del cuadro 1 se refiere a los factores de estacionalidad inicial por período, para lo cual dividimos
las ventas reales de cada mes entre el promedio móvil centrado obtenido en el paso anterior. Así para el mes de
enero de 2014 tenemos un factor de estacionalidad de 1.26392 (1,000/791.19). Para el mes de febrero del 2014
tenemos un factor de estacionalidad de 1.27024 (1,005/791.19) y así sucesivamente para cada mes de los años
2014 y 2015.
Como disponemos de factores de estacionalidad para dos años (2014 y 2015), procedemos a promediar los
factores de igual período, es decir el promediamos el factor de estacionalidad inicial del mes de enero del 2014
con el factor de estacionalidad inicial del mes de enero del 2015, lo cual nos da un factor promedio de 1.26249
[(1.26392 + 1.26105) / 2] ; luego promediamos el factor de estacionalidad inicial del mes de febrero del 2014
con el factor de estacionalidad inicial del mes de febrero del 2015, lo cual nos da un factor promedio de 1.27149
[(1.27024 + 1.27274) / 2] y así sucesivamente todos los períodos del año 2014 y 2015, como se aprecia en el
cuadro 2.
La sumatoria de los factores iniciales debe sumar P (Número de períodos de la estacionalidad) en este caso 12,
de no ser así procedemos a normalizarlo o ajustarlo para que sumen exactamente 12, multiplicando cada
promedio de factor mensual por 12/12.00447. Al resultado obtenido lo llamamos factores de estacionalidad
normalizados.
Los factores de estacionalidad normalizado representan la estacionalidad esperada de las ventas futuras de la
empresa. Las cifras superiores a uno, representan periodos cuyas ventas esperadas son superiores al promedio
anual. Las cifras inferiores a uno, representan periodos cuyas ventas esperadas son inferiores al promedio anual.
En el cuadro #3 mostramos como se determina los niveles de demanda desestacionalizada que nos permitirán
determinar la tendencia empleando la técnica de los mínimos cuadrados. La demanda desestacionalizada para
cada periodo se obtiene dividiendo la demanda de cada periodo por el factor de estacionalidad normalizado
correspondiente. Así para el período 1 el nivel de demanda desestacionalizada es de 792.39 unidades
(1,000/1.26201), para el segundo período es de 790.70 unidades (1,005/1.27102) y así sucesivamente.
Una vez obtenido las demandas desestacionalizadas para los periodos del 1 al 24, podemos proyectar los
períodos siguientes y luego re-estacionalizarla empleando los factores de estacionalidad normalizado
correspondientes.
La demanda desestacionalizada representa el promedio mensual de las ventas anualizadas en cada período.
A continuación empleamos la técnica de mínimos cuadrados para proyectar la demanda desestacionalizada para
el año 2016; donde Y representa la demanda desestacionalizada obtenida del cuadro 3 y X representa el periodo
de análisis (2014-2015).
∑ 𝑋 2 . ∑ 𝑌 − ∑ 𝑋 . ∑ 𝑋. 𝑌
𝑎=
𝑁. ∑ 𝑋 2 − (∑ 𝑋)2
𝑁. ∑ 𝑋. 𝑌 − ∑ 𝑋 . ∑ 𝑌
𝑏=
𝑁. ∑ 𝑋 2 − (∑ 𝑋)2
Resolviendo obtenemos un nivel (a) de 783.03 unidades y una tendencia (b) de 1.3643 unidades. Estos
parámetros se emplearan para pronosticar nuestra demanda 2016 en el siguiente cuadro.
En el cuadro 5, realizamos el pronóstico de la demanda para el período 2016, período ya ejecutado. Es decir,
empleamos los parámetros obtenidos, con datos trabajados de los años 2014 y 2015, para comprobar que se
ajustan razonablemente al año 2016 y de ser necesario se ajustarán con los factores de ajuste alfa, gama y beta
para el nivel, tendencia y estacionalidad respectivamente.
Uno de los aspectos más discutidos de este método es cómo inicializar el modelo, es decir cuál será el primer
dato del nivel y tendencia (período 25). En este ejemplo emplearemos los datos obtenidos de nuestra proyección
con mínimos cuadros.
Dónde:
b = Tendencia;
F = Factor de estacionalidad;
t = Período actual;
Para este ejemplo tomaremos los siguientes valores: alfa: 0.5100; beta: 0.053; gamma: 0.10.
Ubicándonos en diciembre del 2015 procedemos a pronosticar la demanda para el año 2016. Como valores
iniciales de nivel (a0) empleamos 815.77 (783.03 + 24 x 1.3643) unidades y para la tendencia (b0) 1.3643
unidades. Como factores de estacionalidad inicial emplearemos los factores de estacionalidad normalizados-
2015 calculados anteriormente. Empleando la formula modelo de pronóstico para el mes de enero del 2014 la
demanda para el mes de enero del 2016 se estima en 1031 unidades [(815.77 + 1.3643) x 1.26201].
Una vez inicializado el pronóstico, para el resto de meses debemos primero actualizar el nivel, la tendencia y los
factores de estacionalidad conforme se conocen los datos reales.
(1 - Beta) x (Tendencia-1)
Note que en cada una de las formulas presentadas la primera parte incide en los datos más recientes, mientras
que la segunda parte incide en la parte histórica. Los factores de suavización alfa (α), beta (β) y gamma (γ)
varían entre 0 y 1. Asignar el valor de cero significa que la nueva información (último dato real) es meramente
accidental y el patrón de comportamiento de las ventas debe mantener los niveles, tendencias o factores de
estacionalidad históricos-dependiendo a cuál factor suavizante se asigne el valor de cero. Por otro lado,
asignarle un valor de uno a estos factores, significa asegurar que el último nivel de ventas alcanzado en el
período es relevante, estableciéndose así un nuevo nivel, tendencia o estacionalidad en las ventas.
Para el mes de enero del 2016 el nuevo nivel queda ajustado en 824.72 unidades [0.51 x (1,050 / 1.26201) + (1-
0.51) x (815.77 + 1.3643)], la tendencia queda ajustada a 1.7662 unidades [0.053 x (824.72 – 815.77) + (1 -
0.053) x 1.3643] y el factor de estacionalidad en 1.26312 [0.10 x (1,050 / 824.72) + (1 – 0.10) x 1.26201]
Una vez actualizados los parámetros para el mes de enero podemos pronosticar febrero considerando la última
información disponible. Ubicándonos en enero del 2016 aplicando la formula general del pronóstico tenemos
para el mes de febrero de 1,050 unidades [(824.72 + 1.7662) x 1.27102].
Para el mes de febrero del 2016 el nuevo nivel queda ajustado en 822.28 unidades [0.51 x (1,040 / 1.27102) +
(1-0.51) x (824.72 + 1.7662)], la tendencia queda ajustada a 1.5433 unidades [0.053 x (822.28 – 824.72) + (1 -
0.053) x 1.7662] y el factor de estacionalidad en 1.27040 [0.10 x (1,040 / 822.28) + (1 – 0.10) x 1.27102]. Con
estos datos pronosticamos marzo con 1,070 unidades [(814.86 + 2.8384) x 1.29920]. Repetimos la operación
para cada uno de los meses restantes del año 2016.
Al final del cuadro podemos observar que el total de ventas anuales reales suma 9,933 unidades y nuestro
pronóstico llega a 9,952 unidades, con una diferencia de -19 unidades que representa un porcentaje bastante
aceptable de error 0.19% de no ser el caso debe modificarse los factores de ajuste alfa, beta y gama hasta
obtener una variación menor al 4% ó 5% como regla empírica. Una vez logrado este ajuste podemos concluir
que nuestros parámetros se encuentran debidamente calibrados y podemos prepararnos para el verdadero
pronóstico del año 2017.
Ahora procedemos a normalizar los factores de estacionalidad ajustado para que el total sea igual a P (Número
de períodos de la estacionalidad), en este caso 12. Cada factor de estacionalidad ajustado es multiplicado por
(12 / 11.99869) La tercera columna del cuadro 6 muestra los resultados de la normalización.
Para pronosticar el año 2017, iniciamos con el nivel y tendencia obtenida al pronosticar la demanda
desestacionalizada esta vez incluyendo a los años 2014 al 2016. Así mismo emplearemos los factores de
estacionalidad normalizados del año 2016. Siguiendo el enfoque de mínimos cuadrados para los datos de los
años 2014 al 2016 obtenemos a = 782.52 y b = 1.498
Para los periodos subsiguientes emplearemos la técnica de mínimos cuadrado proyectando el nivel y luego de
agregar la tendencia y re-estacionalizarlo por período.
El nivel inicial (período 36) es a = [782.52 + 1.498 x 36)], la tendencia (b) se mantiene estable en 1.498
unidades por período y la estacionalidad como ya lo mencionamos serán los índices normalizados del año 2016.
Así, el nivel para enero del 2017 es de 837.95 (782.52 + 1.498 x 37), para el mes de febrero del 2017 es de
839.44 (782.52 + 1.3643 x 38) y así sucesivamente hasta el período 48 correspondiente a diciembre del 2017.
Una vez concluido con los cálculos de nivel procedemos pronosticar la demanda. Para enero del 2017 es de
1,059 unidades [(836.45 + 1.498) x 1.26326). Para el mes de febrero el pronóstico es de 1,067 unidades
[(837.95 + 1.498) x 1.27054]. Para el mes de marzo la demanda se estima en 1,092 unidades [(839.44 + 1.498)
x 1.29872]. Para el mes de abril tenemos un pronóstico de 837 unidades [(840.94 + 1.498) x 0.99365]. Esta
operación se repite para cada período del año 2015.
Una de las ventajas del método Holt-Winters es poder ajustar el pronóstico a medida que los datos reales están
disponibles.
Inicializamos enero del 2017 con un pronóstico de 1,059 unidades [(836.45+1.4980) x1.26326]. Una vez
transcurrido el mes de enero del 2017 y conocidas sus ventas reales (1,102 unidades en el ejemplo) se estima el
nuevo nivel, tendencia y estacionalidad para enero 2017. Con el nuevo nivel y tendencia de enero podemos
pronosticar las ventas de febrero empleando el último factor de estacionalidad normalizado disponible del 2016
[(855.49+2.4278) x 1.27054]. Debe observarse que el factor de estacionalidad a emplearse es el último
normalizado disponible, es decir el correspondiente al año anterior 2016. El pronóstico del mes de marzo se
efectúa luego de conocidas las ventas reales de febrero y estimar su nuevo nivel, tendencia y estacionalidad. Así
el nuevo pronóstico para marzo del 2017 que da establecido en 1150 unidades [(881.99+3.7036) x 1.29872]. La
operación se repite para todos los periodos restantes del año 2017.
El archivo en Excel desarrollado en este escrito puede ser encontrado en el siguiente link:
https://drive.google.com/file/d/0B-UO-e1h0W-acnFwNEM3cTZJZGc/view?usp=sharing
Omar Maguiña Rivero
EL MÉTODO DE PRONÓSTICO HOLT-WINTERS
BIBLIOGRAFÍA
Caplice Chris (2014) Course: CTL.SC1x -Supply Chain & Logistics Fundamentals. USA: MIT-Center for
Transportation & Logistics.
Nahmias Steven (2009). Production and Operation Analysis 6th e. USA: McGraw Hill.
Prajakta S. Kalekar (2004). Time series Forecasting using Holt-Winters Exponential Smoothing (04329008).
Bombay: Kanwal Rekhi School of Information Technology.
Schroeder Roger (2008) Operations Management; Contemporary Concepts and Cases. 4th e. USA: McGraw
Hill.