El Método de Pronóstico Holt-Winters

Omar Maguiña Rivero

Noviembre 2016

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.

Grafico 1: Helados DonFrio: Ventas Históricas 2014-2016

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

Nivel de ventas (a), tendencia (b) y factores de estacionalidad (f)

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.

Cuadro 1: Ventas Históricas

Año Mes Ventas -Datos Promedio móvil Promedio Factor de
Históricos móvil centrado estacionalidad
inicial
1 2 3 4 5 6 7 8
1 Enero 1,000 791.19 1.26392
2 Febrero 1,005 791.19 1.27024
3 Marzo 1,020 791.19 1.28920
4 Abril 780 791.19 0.98586
5 Mayo 650 791.19 0.82155
6 Junio 468 790.25 791.19 0.59151
2014
7 Julio 480 791.08 790.25 790.67 0.60708
8 Agosto 490 792.33 791.08 791.71 0.61891
9 Septiembre 710 794.83 792.33 793.58 0.89468
10 Octubre 910 796.92 794.83 795.88 1.14339
11 Noviembre 990 799.42 796.92 798.17 1.24034
12 Diciembre 980 800.00 799.42 799.71 1.22544
13 Enero 1,010 801.83 800.00 800.92 1.26105
14 Febrero 1,020 801.00 801.83 801.42 1.27274
15 Marzo 1,050 801.83 801.00 801.42 1.31017
16 Abril 805 807.67 801.83 804.75 1.00031
17 Mayo 680 808.50 807.67 808.09 0.84149
18 Junio 475 809.75 808.50 809.13 0.58705
2015
19 Julio 502 809.75 808.61 0.62082
20 Agosto 480 808.61 0.59361
21 Septiembre 720 808.61 0.89042
22 Octubre 980 808.61 1.21196
23 Noviembre 1,000 808.61 1.23669
24 Diciembre 995 808.61 1.23051
25 Enero 1,050
26 Febrero 1,040
27 Marzo 1,060
28 Abril 829
29 Mayo 720
30 Junio 490
2016
31 Julio 535
32 Agosto 489
33 Septiembre 760
34 Octubre 930
35 Noviembre 1,010
36 Diciembre 1,020

Omar Maguiña Rivero

EL MÉTODO DE PRONÓSTICO HOLT-WINTERS

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.

Cuadro 2: Factor de estacionalidad normalizado

Mes Promedio de Factor de
factores estacionalidad
mensuales normalizado
Enero 1.26249 1.26201
Febrero 1.27149 1.27102
Marzo 1.29969 1.29920
Abril 0.99309 0.99272
Mayo 0.83152 0.83121
Junio 0.58928 0.58906
Julio 0.61395 0.61372
Agosto 0.60626 0.60603
Septiembre 0.89255 0.89222
Octubre 1.17768 1.17724
Noviembre 1.23852 1.23805
Diciembre 1.22798 1.22752
Total 12.00447 12.00000

Omar Maguiña Rivero

EL MÉTODO DE PRONÓSTICO HOLT-WINTERS

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.

Cuadro 3: Demanda Desestacionalizada

Año Mes Ventas -datos Factor de Nivel -

históricos estacionalidad demanda des-
normalizado estacionalizada
1 2 3 4 5 6
1 Enero 1,000 1.26201 792.39
2 Febrero 1,005 1.27102 790.70
3 Marzo 1,020 1.29920 785.10
4 Abril 780 0.99272 785.72
5 Mayo 650 0.83121 781.99
6 Junio 468 0.58906 794.49
2014
7 Julio 480 0.61372 782.12
8 Agosto 490 0.60603 808.54
9 Septiembre 710 0.89222 795.77
10 Octubre 910 1.17724 772.99
11 Noviembre 990 1.23805 799.64
12 Diciembre 980 1.22752 798.36
13 Enero 1,010 1.26201 800.31
14 Febrero 1,020 1.27102 802.51
15 Marzo 1,050 1.29920 808.19
16 Abril 805 0.99272 810.90
17 Mayo 680 0.83121 818.08
18 Junio 475 0.58906 806.37
2015
19 Julio 502 0.61372 817.96
20 Agosto 480 0.60603 792.04
21 Septiembre 720 0.89222 806.98
22 Octubre 980 1.17724 832.46
23 Noviembre 1,000 1.23805 807.72
24 Diciembre 995 1.22752 810.58

Omar Maguiña Rivero

EL MÉTODO DE PRONÓSTICO HOLT-WINTERS

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.

Cuadro 4: Establecimiento del nivel y tendencia empleando mínimos cuadrados 2014-2015

X Y X^2 Y^2 X.Y

1 792.39 1.00 627,881.91 792.39
2 790.70 4.00 625,206.49 1,581.40
3 785.10 9.00 616,382.01 2,355.30
4 785.72 16.00 617,355.92 3,142.88
5 781.99 25.00 611,508.36 3,909.95
6 794.49 36.00 631,214.36 4,766.94
7 782.12 49.00 611,711.69 5,474.84
8 808.54 64.00 653,736.93 6,468.32
9 795.77 81.00 633,249.89 7,161.93
10 772.99 100.00 597,513.54 7,729.90
11 799.64 121.00 639,424.13 8,796.04
12 798.36 144.00 637,378.69 9,580.32
13 800.31 169.00 640,496.10 10,404.03
14 802.51 196.00 644,022.30 11,235.14
15 808.19 225.00 653,171.08 12,122.85
16 810.90 256.00 657,558.81 12,974.40
17 818.08 289.00 669,254.89 13,907.36
18 806.37 324.00 650,232.58 14,514.66
19 817.96 361.00 669,058.56 15,541.24
20 792.04 400.00 627,327.36 15,840.80
21 806.98 441.00 651,216.72 16,946.58
22 832.46 484.00 692,989.65 18,314.12
23 807.72 529.00 652,411.60 18,577.56
24 810.58 576.00 657,039.94 19,453.92
300 19,201.91 4,900.00 15,367,343.50 241,592.87

Omar Maguiña Rivero

EL MÉTODO DE PRONÓSTICO HOLT-WINTERS

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).

La fórmula empleada para obtener los parámetros a y b de mínimos cuadrados es:

∑ 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.

Cuadro 5: Pronostico de la demanda

Año Mes Ventas Nivel Tendencia Factor de Pronóstico

históricas estacionalidad 2016
ajustado
1 2 3 4 5 6 7 8
24 815.77 1.3643
25 Enero 1,050 824.72 1.7662 1.26312 1,031
26 Febrero 1,040 822.28 1.5433 1.27040 1,050
27 Marzo 1,060 819.78 1.3290 1.29858 1,070
28 Abril 829 828.23 1.7064 0.99354 815
29 Mayo 720 848.43 2.6866 0.83295 690
30 Junio 490 841.28 2.1653 0.58840 501
2016 31 Julio 535 857.87 2.9298 0.61471 518
32 Agosto 489 833.31 1.4728 0.60411 522
33 Septiembre 760 843.47 1.9332 0.89310 745
34 Octubre 930 817.14 0.4353 1.17333 995
35 Noviembre 1,010 816.67 0.3873 1.23792 1,012
36 Diciembre 1,020 824.14 0.7627 1.22853 1,003
9,933 11.99869 9,952
(19)
-0.19%

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.

Omar Maguiña Rivero

EL MÉTODO DE PRONÓSTICO HOLT-WINTERS

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.

La fórmula general del pronóstico es: D t, t+1 = (at +T.bt) + F t+T-P

Dónde:

D = Demanda o variable a estimar;

a = Nivel promedio de ventas;

b = Tendencia;

F = Factor de estacionalidad;

t = Período actual;

T = Número de períodos en adelante que se desea proyectar

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.

Para actualizar el nivel consideramos la siguiente fórmula:

Nivel-0 = Alfa x (Demanda-0 / Factor de estacionalidad-p) +

(1 - Alfa) x (Nivel-1 + Tendencia-1)

Para actualizar la tendencia consideramos la siguiente fórmula:

Tendencia-0 = Beta x (Nivel-0 - Nivel-1) +

(1 - Beta) x (Tendencia-1)

Para actualizar los factores de estacionalidad consideramos la siguiente fórmula:

Factor de estacionalidad-0 = Gamma x (Demand-0 / Level-0) +

(1 - Gama) x (Factor de estacionalidad-P)

Omar Maguiña Rivero

EL MÉTODO DE PRONÓSTICO HOLT-WINTERS

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.

Cuadro 6: Normalización de factores de estacionalidad 2016

Mes Factor de Factor de
estacionalidad estacionalidad
ajustado normalizado
Enero 1.26312 1.26326
Febrero 1.27040 1.27054
Marzo 1.29858 1.29872
Abril 0.99354 0.99365
Mayo 0.83295 0.83304
Junio 0.58840 0.58846
Julio 0.61471 0.61478
Agosto 0.60411 0.60418
Septiembre 0.89310 0.89320
Octubre 1.17333 1.17346
Noviembre 1.23792 1.23806
Diciembre 1.22853 1.22866
Total 11.99869 12.00001

Omar Maguiña Rivero

EL MÉTODO DE PRONÓSTICO HOLT-WINTERS

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.

Cuadro 7: Establecimiento del nivel y tendencia empleando mínimos cuadrados 2014-2016

X Y X^2 Y^2 X.Y

1 792.39 1.00 627,881.91 792.39
2 790.70 4.00 625,206.49 1,581.40
3 785.10 9.00 616,382.01 2,355.30
4 785.72 16.00 617,355.92 3,142.88
5 781.99 25.00 611,508.36 3,909.95
6 794.49 36.00 631,214.36 4,766.94
7 782.12 49.00 611,711.69 5,474.84
8 808.54 64.00 653,736.93 6,468.32
9 795.77 81.00 633,249.89 7,161.93
10 772.99 100.00 597,513.54 7,729.90
11 799.64 121.00 639,424.13 8,796.04
12 798.36 144.00 637,378.69 9,580.32
13 800.31 169.00 640,496.10 10,404.03
14 802.51 196.00 644,022.30 11,235.14
15 808.19 225.00 653,171.08 12,122.85
16 810.90 256.00 657,558.81 12,974.40
17 818.08 289.00 669,254.89 13,907.36
18 806.37 324.00 650,232.58 14,514.66
19 817.96 361.00 669,058.56 15,541.24
20 792.04 400.00 627,327.36 15,840.80
21 806.98 441.00 651,216.72 16,946.58
22 832.46 484.00 692,989.65 18,314.12
23 807.72 529.00 652,411.60 18,577.56
24 810.58 576.00 657,039.94 19,453.92
25 832.01 625.00 692,240.64 20,800.25
26 818.24 676.00 669,516.70 21,274.24
27 815.89 729.00 665,676.49 22,029.03
28 835.08 784.00 697,358.61 23,382.24
29 866.21 841.00 750,319.76 25,120.09
30 831.83 900.00 691,941.15 24,954.90
31 871.73 961.00 759,913.19 27,023.63
32 806.89 1,024.00 651,071.47 25,820.48
33 851.81 1,089.00 725,580.28 28,109.73
34 789.98 1,156.00 624,068.40 26,859.32
35 815.80 1,225.00 665,529.64 28,553.00
36 830.94 1,296.00 690,461.28 29,913.84
666 29,168.32 16,206.00 23,651,021.12 545,433.62

Omar Maguiña Rivero

EL MÉTODO DE PRONÓSTICO HOLT-WINTERS

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

Cuadro 8: Factores de estacionalidad normalizados 2016

Mes Factor de Factor de

estacionalidad estacionalidad
ajustado normalizado
Enero 1.26312 1.26326
Febrero 1.27040 1.27054
Marzo 1.29858 1.29872
Abril 0.99354 0.99365
Mayo 0.83295 0.83304
Junio 0.58840 0.58846
Julio 0.61471 0.61478
Agosto 0.60411 0.60418
Septiembre 0.89310 0.89320
Octubre 1.17333 1.17346
Noviembre 1.23792 1.23806
Diciembre 1.22853 1.22866
Total 11.99869 12.00001

Para los periodos subsiguientes emplearemos la técnica de mínimos cuadrado proyectando el nivel y luego de
agregar la tendencia y re-estacionalizarlo por período.

Cuadro 9: pronóstico de ventas 2017

Año Mes Ventas Nivel Tendencia Factor de Ventas -
históricas estimado estacionalidad pronóstico
normalizado 2015
36 836.45 1.4980
37 Enero 837.95 1.4980 1.26326 1,059
38 Febrero 839.44 1.4980 1.27054 1,067
39 Marzo 840.94 1.4980 1.29872 1,092
40 Abril 842.44 1.4980 0.99365 837
41 Mayo 843.94 1.4980 0.83304 703
42 Junio 845.44 1.4980 0.58846 498
2017 43 Julio 846.93 1.4980 0.61478 521
44 Agosto 848.43 1.4980 0.60418 513
45 Septiembre 849.93 1.4980 0.89320 759
46 Octubre 851.43 1.4980 1.17346 999
47 Noviembre 852.93 1.4980 1.23806 1,056
48 Diciembre 854.42 1.4980 1.22866 1,050
12.00001 10,152

Omar Maguiña Rivero

EL MÉTODO DE PRONÓSTICO HOLT-WINTERS

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.

Ajustes mensuales al pronóstico 2017

Una de las ventajas del método Holt-Winters es poder ajustar el pronóstico a medida que los datos reales están
disponibles.

Cuadro 10: Actualización mensual de pronósticos.

Año Mes Ventas Nivel Tendencia Factor de Ventas -

históricas estimado estacionalidad pronóstico
normalizado 2017
836.45 1.4980
37 Enero 1,102 855.49 2.4278 1.26575 1,059
38 Febrero 1,150 881.99 3.7036 1.27387 1,090
39 Marzo 1,151 885.98 3.7188 1.29876 1,114
40 Abril 850 872.22 2.7924 0.99174 852
41 Mayo 750 887.92 3.4765 0.83420 715
42 Junio 505
2017 43 Julio
44 Agosto
45 Septiembre
46 Octubre
47 Noviembre
48 Diciembre

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.

Omar Maguiña Rivero