Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3. INTRODUCCIÓN A LOS
PRONÓSTICOS DE DEMANDA
3.1. INTRODUCCIÓN
Prácticamente en todo proceso de decisión en cualquier tipo de organización debe
pronosticarse una o más variables de interés. En una empresa del sector productivo, por
ejemplo, es fundamental pronosticar los requerimientos de materiales necesarios para producir
los bienes que ella manufactura; en un sistema financiero internacional es fundamental
predecir el comportamiento del flujo de dinero y las tasas de cambio; en un sistema de
servicios, como un restaurante de comidas rápidas, es muy importante pronosticar la carga de
trabajo para asignar el número de personas adecuado que atenderá a los clientes en cierto
período; en una empresa que comercializa productos, o sea que compra a un número de
proveedores y vende el mismo producto a una población de clientes, se hace fundamental
pronosticar la demanda que dichos clientes van a generar.
Finalmente, nótese la importancia de los errores de pronóstico, los cuales son la fuente de
análisis para determinar la conveniencia del modelo utilizado.
DATOS
HISTÓRICOS Posible modificación del
modelo o sus parámetros
Selección e inicialización
del modelo
MODELO
MATEMÁTICO
Demanda real observada
INTERVENCIÓN Pronóstico
HUMANA estadístico
CÁLCULO DE
PRONÓSTICO DE ERRORES DE
DEMANDA PRONÓSTICO
Otro aspecto importante inherente a un sistema de pronósticos es el costo total del sistema
escogido. Entre más sofisticado sea el sistema de pronósticos, probablemente se podrá
pronosticar mejor la demanda y su variabilidad, pero a la vez esto tendrá un mayor costo al
requerirse mayor esfuerzo humano y de computación. Si por el contrario se utiliza un sistema
de pronósticos menos complejo, los costos de operación del sistema serán menores, pero la
precisión de los pronósticos será menor, lo que puede causar pérdidas debidas a la presencia
de mayores fuentes de variabilidad. Claramente, y como se muestra en la Figura 3.2, el
sistema de pronósticos ideal debería operar cerca de la zona donde el costo total es mínimo.
El arte del analista consiste en seleccionar, de acuerdo con esto y con las condiciones
particulares de su organización, el mejor sistema de pronósticos.
Fundamentos de Gestión de Inventarios. Capítulo 3: Introducción a los pronósticos de demanda 35
Costo
Costo Total
Pérdidas debido
a la incertidumbre
Semana 1 2 3 4 5 6 7 8 9 10 11 12
Ventas 10 9 3 5 3 3 0 0 0 0 2 2
Existen tres factores de tiempo fundamentales que deben determinarse en cualquier sistema
de pronósticos, a saber:
El período del pronóstico es la unidad básica de tiempo para la cual se realiza el pronóstico
y depende de la naturaleza del proceso bajo estudio y de la forma como se registran las
transacciones en la organización. Por ejemplo, en muchos sistemas es usual tomar como
período de tiempo una semana, aunque si se desea llevar este pronóstico a diario, esto puede
hacerse. Es muy sencillo implementar pronósticos semanales o mensuales a partir de datos
diarios de demanda.
El intervalo del pronóstico es la frecuencia con la que se efectúan los nuevos pronósticos, a
medida que se vaya obteniendo información adicional. A menudo este intervalo coincide con
el período principal del pronóstico, o sea que para nuestro ejemplo, el pronóstico se
actualizaría cada semana. Para la determinación del intervalo del pronóstico es importante
tener en cuenta el modo en el que opera el sistema de procesamiento de datos de la
organización, el cual provee la información sobre la variable que se pronostica. Si, por
ejemplo, la información se actualizara diariamente, cualquier período de tiempo igual o
superior a un día sería adecuado para escoger el intervalo de pronóstico.
Otro aspecto significativo es el conflicto que existe entre la disponibilidad y calidad de los
recursos de computación de la organización y el sistema de pronósticos a utilizar. Si, por
ejemplo, sólo se pronostica un número bajo de variables y en forma no muy frecuente, se
pueden escoger métodos de pronóstico altamente sofisticados que consumen mucho tiempo de
computación, los cuales probablemente brindarán mejores resultados. Si, por el contrario, se
trata de pronosticar un gran número de variables muy frecuentemente, es preferible dedicar
más esfuerzo al manejo eficiente de los datos y a los procedimientos de administración del
pronóstico que al método de pronóstico en sí.
Wild (1997) cita las siguientes causas como las principales para que un sistema de
pronósticos y de control de inventarios no produzca los resultados deseados:
Utilización de datos poco confiables. La precisión de los registros que se tengan sobre el
inventario físico existente es fundamental. Un error en el dato del inventario disponible
(kardex, por ejemplo), puede no considerar un ítem importante para el cual el sistema ‘cree’
que aún tiene inventario disponible. Igualmente, la calidad de los datos históricos de ventas
y demanda no servida es fundamental para el éxito del sistema, ya que los resultados de
cualquier modelo por sofisticado que sea dependen de la información que se le suministre.
Utilización de datos de ventas en lugar de datos de demanda real. Aunque este caso ya
ha sido comentado anteriormente con relación a la distorsión de los promedios en casos de
faltantes sin el adecuado registro de la demanda no servida, vale la pena comentar otro
caso. Supóngase, por ejemplo, que la demanda de un ítem para las últimas tres semanas fue
de 150, 120 y 85 unidades. Si hubo faltante en las primeras dos semanas y es posible
administrar órdenes pendientes, esta demanda podría cubrirse totalmente en la semana 3 al
recibirse el pedido. Sin embargo, el registro del sistema en cuanto a ventas en este caso
sería de 0, 0 y 355 unidades para las semanas 1, 2 y 3, respectivamente. Claramente, la
última situación no refleja el comportamiento real de la demanda y puede distorsionar
cualquier sistema de pronósticos, ya que aunque produce el mismo promedio, afecta el
cálculo de la variabilidad de la demanda (la desviación estándar medida para la muestra
registrada en el primer caso es 32.53 unidades, mientras que en el segundo caso es 204.96
38 Carlos Julio Vidal Holguín (Universidad del Valle − Escuela de Ingeniería Industrial y Estadística)
Sesgos en los pronósticos. Un problema real que afecta cualquier sistema de pronósticos,
bien sea basado en técnicas estadísticas o no, es la aparición de sesgos por encima o por
debajo de la demanda real. Un sesgo consiste en que el pronóstico es consistentemente
superior (inferior) a la demanda real en varios períodos consecutivos. Esto indica
claramente que se está sobrestimando (subestimando) la demanda. En un sistema de
pronósticos bien diseñado este problema es manejable a través de técnicas de control y
señales de rastreo. Donde usualmente ocurren estos problemas es en los pronósticos
subjetivos, principalmente del personal de ventas de una organización, ya que se tiende a
inflar el pronóstico para disponer siempre de mercancía para la venta.
Precisión
Costo
La precisión de un pronóstico se mide con base en los errores de pronóstico, los cuales se
calculan como la diferencia entre el valor real observado y su pronóstico. Obviamente, el
cálculo del error de pronóstico solo puede hacerse después de conocerse el valor real
observado de la variable que se está estimando. La expresión más común para el cálculo de
este error es la siguiente:
Por ejemplo, si se pronosticó una demanda de x̂ t = 150 unidades de cierto ítem para la
semana pasada, pero la demanda real fue de x t = 135 unidades, entonces el error de
pronóstico es e t = x t − x̂ t = 135 – 150 = −15 unidades. Nótese que el error de pronóstico
definido anteriormente conserva su signo algebraico.
Otros medidores de variabilidad que han demostrado ser más efectivos que el anterior, por
cuanto no tienden a cancelarse con signos contrarios, son los siguientes:
40 Carlos Julio Vidal Holguín (Universidad del Valle − Escuela de Ingeniería Industrial y Estadística)
La MAD se define como el promedio de los errores absolutos sobre un número determinado
de períodos, de la siguiente forma:
∑x
t =1
t − xˆ t
MAD = (3.4)
n
n 2
∑ ( x t − xˆ t )
t =1
ECM = (3.5)
n
De acuerdo con Silver et al. (1998), la utilidad de los resultados se mide principalmente
con base en el grado de aceptación, credibilidad y utilización que se le dé al sistema de
pronósticos. Idealmente, un sistema de pronósticos debería:
Estimar la demanda esperada en el corto plazo, pero también proveer mecanismos para
estimar dicha demanda en el mediano y largo plazo para efectos de planeación agregada;
Actualizar los pronósticos periódicamente de tal manera que cualquier corrección pueda
hacerse rápidamente;
Permitir el juicio y la intervención humanos para refinar y modificar los pronósticos, si así
se considerare necesario;
Ser robusto, o sea proveer pronósticos que no se vean afectados significativamente por
factores incontrolables al sistema, tales como las variaciones aleatorias naturales del
proceso bajo estudio;
Ser comprensible para la administración del sistema y todo el personal involucrado directa
o indirectamente en el proceso, en la medida que no solo deben usarse sus resultados, sino
comprender muy bien los mecanismos internos que lo gobiernan. Este problema ocurre
cuando se utiliza software para pronósticos indiscriminadamente. Por ello es recomendable
que en lo posible la organización genere sus propios programas y técnicas de pronósticos,
o, en su defecto, evalúe detalladamente la conveniencia de una u otra alternativa.
La estabilidad y respuesta del sistema de pronósticos se refiere al hecho que este no debe
ser exageradamente sensible que responda aceleradamente a las variaciones aleatorias
naturales del proceso bajo estudio, ni tampoco que su respuesta sea tardía o inexistente a
cambios reales de la tendencia de la demanda. Más adelante se verá que esto se controla con
los parámetros del sistema de pronósticos escogido, como por ejemplo con el valor de la
constante de suavización α para el caso del método de suavización exponencial.
Demanda Tendencia
140
D = -0,0145t + 63,184
120
Demanda (unid.)
100
80
60
40
20
0
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
1
5
9
Tiempo (semanas)
Demanda Tendencia
140
120
D = 0,2481t + 34,979
Demanda (unid.)
100
80
60
40
20
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
1
5
9 Tiempo (Semanas)
Demanda Tendencia
250
D = -0,5013t + 105,57
Demanda (unid.)
200
150
100
50
0
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
1
5
9
Tiempo (Semanas)
Demanda
60
Demanda (unid.)
50
40
30
20
10
0
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
1
5
9
Tiempo (Semanas)
Demanda
200
180
Demanda (unid.)
160
140
120
100
80
60
40
20
0
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
1
5
9
Tiempo (Semanas)
Las figuras 3.3 a 3.7 han sido adaptadas de casos reales e ilustran algunos de los patrones
mostrados en la Figura 2.1 y combinaciones de los mismos. En ellas se han representado los
datos de demanda contra tiempo y se ha dibujado la tendencia de la demanda mediante
regresión lineal simple. Existe un método de pronósticos adecuado para cada uno de estos
patrones de demanda, el cual debe experimentarse y evaluarse con la utilización de datos
históricos, como se ilustrará posteriormente.
Aunque la Tabla 3.1 es una buena base para la selección del sistema de pronósticos, la
decisión final debe tomarse con base en información adicional del sistema bajo estudio. En
primera instancia, la selección del período de pronóstico, del horizonte de planeación y del
intervalo de pronóstico debe hacerse de acuerdo con el sistema bajo estudio y sus
características particulares. En muchos casos de empresas comerciales, por ejemplo, un
período de pronóstico de una semana es satisfactorio, ya que no es ni muy corto como para
incurrir en excesivos costos de generación de los pronósticos y de actualización de parámetros
de control, ni muy largo como para incurrir en pronósticos obsoletos o de mucha variabilidad.
Si se requieren pronósticos de menor tiempo, por ejemplo diarios, la transformación de los
pronósticos semanales a diarios es relativamente sencilla y puede hacerse mediante ecuaciones
sencillas deducidas empíricamente. [Ver expresiones (3.11) adelante]
Cuando se dispone de datos históricos suficientes, se puede realizar lo que se denomina una
simulación del pronóstico, lo cual es muy útil para escoger el sistema de pronósticos
adecuado. El método inicia tomando los datos observados en un cierto período de tiempo
anterior al presente, el cual se utiliza para estimar los parámetros del modelo de pronósticos
que se va a aplicar. El proceso de pronósticos se inicia entonces a partir de un cierto tiempo
anterior al presente, y se simula como si se hubiera hecho en forma real, con la ventaja de que
ya se dispone de datos reales de demanda, pues ésta ya ocurrió. Esto permite evaluar el
comportamiento del sistema de pronósticos bajo análisis a través del cálculo de los errores de
pronóstico, variando ciertos parámetros hasta obtener aquellos valores que producen los
menores errores. Después de realizado este proceso, se fijan los parámetros óptimos hallados
Fundamentos de Gestión de Inventarios. Capítulo 3: Introducción a los pronósticos de demanda 45
y se inicia el pronóstico real propiamente dicho. Al cabo de cierto tiempo se puede repetir este
proceso para mantener actualizados los parámetros óptimos del sistema de pronósticos que se
esté aplicando. Este método permite comparar diversos métodos de pronósticos entre sí y
diversos parámetros al interior de un método específico.
Como una guía, el sistema de pronósticos a escoger depende en gran parte del patrón de
demanda observado a través de datos históricos. La Tabla 3.2 resume las relaciones más
comunes entre el sistema de pronósticos y el patrón de demanda, aunque de nuevo, se trata de
una primera aproximación a la decisión definitiva, ya que ésta siempre depende de la
naturaleza del sistema bajo estudio.
Errática (Ítems clase A de bajo movimiento) Pronóstico combinado de tiempo entre la ocurrencia de
demandas consecutivas y la magnitud de las
transacciones individuales
Como ayuda para la decisión final pueden consultarse las Tablas 3.1 y 3.2 y analizar
profundamente los patrones de demanda de ítems representativos de cada clase, realizando
experimentos de simulación de pronósticos y, obviamente, monitoreando los pronósticos a
través de técnicas que se describirán posteriormente.
Ejercicios 3.1.
1. Considere el conjunto de datos de demanda para cierto ítem, mostrado en la Tabla 3.3. Se
presenta información para 89 semanas.
2. Suponga que un ítem clase A está presentando una demanda altamente estable sin
prácticamente ninguna tendencia. De acuerdo con la Tabla 3.1, debería utilizarse
suavización exponencial doble para su pronóstico, ya que se trata de un ítem clase A. Por
otra parte, de acuerdo con la Tabla 3.2, se podría utilizar suavización exponencial simple e