10/17/2017

Gestión de la demanda y oferta:

Pronósticos
ADMINISTRACIÓN DE 6
OPERACIONES
ADM 0320

Profesor:
Ing. Esteban Vernaza, M.B.A.

¿QUÉ ES PRONOSTICAR?
El pronóstico es la base de la planificación corporativa de largo plazo
El arte y la ciencia de predecir los eventos futuros.

Áreas funcionales Importancia de los pronósticos  empleo de datos históricos y su proyección hacia el futuro mediante algún tipo de modelo
matemático.

Representan el fundamento  predicción subjetiva o intuitiva

Finanzas y Contabilidad
para realizar presupuestos y controlar costos
 una combinación de éstas —es decir, un modelo matemático ajustado mediante el buen juicio
del administrador.
Depende del pronóstico de ventas para
Marketing planificar productos nuevos, compensar al
personal de ventas y tomar otras decisiones
clave

Cualitativas Cuantitativas
Toma decisiones periódicas que comprenden: (que apelan al juicio gerencial) (que recurren a modelos matemáticos)

Producción y Operaciones
- Selección de procesos
- Planificación de capacidades
- Distribución de instalaciones
- Planificación de la producción
- Políticas de inventario
Combinar estas técnicas es esencial para un buen proceso de
pronóstico apropiado para tomar decisiones.
• un pronóstico perfecto es imposible
• establecer la práctica de una revisión continua de los pronósticos
• usar dos o tres métodos y considerarlos con sentido común

Administración de la demanda Tipos de pronósticos

Coordinar y controlar todas las fuentes de la demanda, con el fin de usar con
eficiencia el sistema productivo y entregar el producto a tiempo. 1. Cualitativo Subjetivos y se basan en opiniones y estimados

Existen dos fuentes básicas de la demanda: 2. Análisis de series de tiempo Se utiliza información relacionada con la demanda pasada
(datos históricos) para predecir la demanda futura
demanda dependiente demanda independiente
3. Relaciones causales Técnica de regresión lineal
Provocada por la demanda de otros La cantidad de productos que la
productos o servicios. empresa puede vender y que no se
deriva directamente de la demanda 4. Simulación Manejo de modelos en base a suposiciones
Este tipo de demanda interna no de otros productos
necesita un pronóstico, sino solo una
tabulación El modelo de pronóstico que una empresa debe
elegir depende de:

1. Adoptar un papel activo para influir en la demanda • Promedio móvil simple

VENTAS 1. El horizonte de tiempo que se va a pronosticar.
Presionar a su fuerza de ventas • Promedio móvil ponderado
Ofrecer incentivos tanto a los clientes como a su personal 2. La disponibilidad de los datos.
INVENTARIO • Suavización exponencial simple
Crear campañas para vender sus productos y bajar precios.
• Suavización exponencial con tendencia 3. La precisión requerida.
COMPRAS
2. Adoptar un papel pasivo y tan solo responder a la demanda 4. El tamaño del presupuesto para el pronóstico.
• Regresión lineal
Si una compañía funciona a toda su capacidad. RESPUESTOS
No se tiene el poder de cambiar la demanda 5. La disponibilidad de personal calificado.
Mercado sea fijo y estático MANO DE OBRA
6. La flexibilidad de la empresa
Razones competitivas, legales, ambientales, éticas y morales

1
 10/17/2017

Componentes de una serie de tiempo (demanda) PROMEDIO MÓVIL SIMPLE

2. La estacionalidad es un
patrón de datos que se repite
después de un periodo de días,
semanas, meses o trimestres.
1. La tendencia es el movimiento
gradual, hacia arriba o hacia
abajo, de los datos en el tiempo.
• Los promedios móviles son útiles si podemos suponer que la demanda del mercado permanecerá
relativamente estable en el tiempo
• Demanda de un producto no crece ni baja con rapidez
• No tiene características estacionales
• Se debe utilizar datos anteriores para predecir el periodo siguiente de manera directa.
• Cuanto más largo sea el periodo del promedio móvil, más se suavizarán (uniformarán) los
elementos aleatorios

4. Las variaciones aleatorias

son “señales” generadas en
los datos por casualidad o
3. Los ciclos son patrones, por situaciones inusuales. No
detectados en los datos, que siguen ningún patrón
ocurren cada cierta cantidad discernible y, por lo tanto, no
de años. se pueden predecir.

PROMEDIO MÓVIL SIMPLE PROMEDIO MÓVIL PONDERADO

• Permite asignar cualquier importancia a cada elemento, siempre y cuando la suma de todas las
ponderaciones sea igual a uno.

Por ejemplo, tal vez una tienda departamental se dé cuenta de que en un periodo de cuatro meses el
mejor pronóstico se deriva con 40% de las ventas reales durante el mes más reciente, 30% de dos
meses antes, 20% de tres meses antes y 10% de hace cuatro meses.

el pronóstico para el mes 5 sería:

F5 = 0.40(95) + 0.30(105) + 0.20(90) + 0.10(100)

= 38 + 31.5 + 18 + 10
= 97.5

PROMEDIO MÓVIL PONDERADO Demanda real contra métodos de promedios móviles y promedios
móviles ponderados

1. Aumentar el tamaño de n (el

Elección de ponderaciones número de periodos
promediados) suaviza de mejor
Por regla general, el pasado más reciente es el indicador más importante de lo que se espera en el manera las fluctuaciones, pero
futuro y por ende debe tener una ponderación más alta. resta sensibilidad al método
ante cambios reales en los
Por ejemplo, los ingresos o la capacidad de la planta del mes pasado serían un mejor estimado para datos.
el mes próximo que los ingresos o la capacidad de la planta de hace varios meses.
2. Los promedios móviles no
reflejan muy bien las tendencias.
¿Y si los datos son estacionales? Porque son promedios, siempre
se quedarán en niveles pasados,
Las ponderaciones se deben establecer en forma correspondiente. no predicen los cambios hacia
niveles más altos ni más bajos.
Por ejemplo, en el hemisferio norte, las ventas de trajes de baño en julio del año pasado deben Es decir, retrasan los valores
tener una ponderación más alta que las ventas de trajes de baño en diciembre reales.
Tanto las líneas de los promedios móviles simples como las de
3. Los promedios móviles promedios móviles ponderados retrasan la demanda real.
Conclusión
requieren amplios registros de Sin embargo, los promedios móviles ponderados usualmente
datos históricos. reaccionan más rápido ante los cambios detectados en la demanda.
El promedio móvil ponderado tiene una ventaja definitiva sobre el promedio móvil simple en cuanto
Incluso en periodos a la baja (vea noviembre y diciembre), siguen la
a que puede variar los efectos de los datos pasados. demanda de manera más cercana.

2
 10/17/2017

SUAVIZACIÓN EXPONENCIAL SUAVIZACIÓN EXPONENCIAL

Elección del valor apropiado para alfa (α)

• Los hechos más recientes son más indicativos del futuro que los del pasado más distante.
• La suavización exponencial requiere dar a la constante de suavización alfa (α) un valor entre 0 y 1.
• Si esta premisa es válida (que la importancia de los datos disminuye conforme el pasado se vuelve
• La constante de suavizamiento alfa (α), se encuentra generalmente en un intervalo de 0.05 a 0.50
más distante), es probable que el método más lógico y fácil sea la suavización exponencial .
para aplicaciones de negocios. Puede cambiarse para dar más peso a datos recientes (cuando α
es alta) o más peso a datos anteriores (si α es baja).
• Implica mantener muy pocos registros de datos históricos.

• Se necesitan tres piezas de datos para pronosticar el futuro: el pronóstico más reciente, la
demanda real que ocurrió durante el periodo de pronóstico y una constante de suavización alfa (α)  Si la demanda real es estable
(como la demanda de
electricidad o alimentos) sería
deseable un alfa pequeña para
reducir los efectos de los
cambios de corto plazo o
aleatorios.
 Si la demanda real aumenta o
disminuye con rapidez (como en
los artículos de moda o aparatos
electrodomésticos menores), lo
deseable es un alfa alta para
tratar de seguirle el paso al
cambio.

SUAVIZACIÓN EXPONENCIAL Suavizamiento exponencial con ajuste de tendencia

El suavizamiento exponencial simple, como cualquier técnica

de promedios móviles, falla en su respuesta a las tendencias

 Se desea manejar de mejor forma las tendencias

Ejemplo: Suponga que la demanda de un producto o servicio ha venido

aumentando en 100 unidades cada mes y que hemos obtenido
pronósticos con α = 0.4 en el modelo de suavizamiento exponencial. La
tabla siguiente muestra un retraso considerable en los meses 2, 3, 4 y 5,
aun cuando nuestra estimación inicial para el mes 1 es perfecta.

Hacer ajustes de tendencia: Calcular un promedio suavizado exponencialmente de los datos y

después ajustar el retraso positivo o negativo encontrado en la tendencia.

Pronóstico incluyendo la tendencia (FITt ) =

Pronóstico suavizado exponencialmente (Ft ) + tendencia suavizada exponencialmente (Tt )

Suavizamiento exponencial con ajuste de tendencia
Este procedimiento requiere dos constantes de suavizamiento:
α para el promedio y β para la tendencia. Después calculamos el promedio y la tendencia para cada
periodo:
Suavizamiento exponencial con ajuste de tendencia
Ejemplo:
Un importante fabricante de Portland quiere pronosticar la demanda de un equipo para control de la
contaminación. Una revisión de las ventas histórica, como se muestra a continuación, indica que hay una
tendencia creciente.
A las constantes de suavizamiento se les asignan los valores α = 0.2 y
β = 0.4
La compañía supone que el pronóstico inicial para el mes 1 (F 1) fue de
11 unidades y que la tendencia durante el mismo periodo (T1) fue de
2 unidades.

3
 10/17/2017

Suavizamiento exponencial con ajuste de tendencia Suavizamiento exponencial con ajuste de tendencia
Ejemplo: Ejemplo:

α = 0.2
β = 0.4

Comparación de la demanda real (At) contra un

pronóstico de suavizamiento exponencial que incluye
la tendencia (FITt).

 El FIT incorpora la tendencia en la demanda real.

Suavizamiento exponencial con ajuste de tendencia

ANÁLISIS DE REGRESIÓN LINEAL
Usando los datos de la demanda real
para los 9 meses, calcule el pronóstico Pronóstico
• Relación funcional entre dos o más variables correlacionadas.
Dem anda Pronostico Tendencia incluyendo Pronostico
de suavizamiento exponencial sin la Mes real suavizado Ft suavizada Tt tendencia FITt suavizado Ft
tendencia . 1 12 11 2 13,00 11 • Con ella se pronostica una variable con base en otra
2 17 12,80 1,92 14,72 11,20
3 20 15,18 2,10 17,28 12,36 • Relación de las variables forma una recta
4 19 17,82 2,32 20,14 13,89
5 24 19,91 2,23 22,14 14,91
Aplique α = 0.2 y suponga un 6 21 22,51 2,38 24,89 16,73
pronóstico inicial para el mes 1 de 11 7 31 24,11 2,07 26,18 17,58 La recta de la regresión lineal tiene la forma:
unidades. 8 28 27,14 2,45 29,59 20,27 Y = a + bX, donde:
9 36 29,28 2,32 31,60 21,81
10 32,48 2,68 35,16 24,65
Luego grafique los valores • Y = valor de la variable dependiente que se despeja
pronosticados para los meses 2 a 10
• a = secante en Y
¿Qué se puede observar? • b = es la pendiente
• X = es la variable independiente (en el análisis de
Todos los puntos están por serie de tiempo, las X son unidades de tiempo).
debajo y atrasados con
respecto al pronóstico con
ajuste de la tendencia La principal restricción al utilizar el pronóstico de regresión lineal es, como su
nombre lo implica, que se supone que los datos pasados y las proyecciones a
futuro caen sobre una recta.

EJEMPLO DE REGRESION LINEAL: Método de mínimos cuadrados

ANÁLISIS DE REGRESIÓN LINEAL
La regresión lineal se utiliza para pronósticos tanto de series de tiempo como de relaciones causales. Las ventas de una línea de productos de una empresa durante los 12 trimestres de los últimos tres
años son los que se muestra a continuación.

• Cuando la variable dependiente (que casi siempre es el eje vertical en una gráfica) cambia como La compañía quiere pronosticar cada trimestre del cuarto año; es decir, los trimestres 13, 14, 15 y 16.
resultado del tiempo (trazado como el eje horizontal), se trata de un análisis de serie temporal.

• Cuando una variable cambia debido al cambio en otra, se trata de una relación causal (como el
número de muertes debidas al aumento de cáncer pulmonar entre la gente que fuma).

Método de mínimos cuadrados: Enfoque que da

como resultado una línea recta que minimiza
la suma de los cuadrados de las diferencias
verticales o desviaciones de la recta hacia cada
una de las observaciones reales.

Una recta de mínimos cuadrados se describe en

términos de su intersección con el eje y (la altura a la
cual cruza al eje y) y su pendiente (el ángulo de la
recta).

4
 10/17/2017

EJEMPLO DE REGRESION LINEAL: Método de mínimos cuadrados EJEMPLO DE REGRESION LINEAL: Método de mínimos cuadrados
En el método de mínimos cuadrados, las ecuaciones para a y b son:

secante de 441.6 y una pendiente de 359.6

La pendiente muestra que por cada cambio unitario en X, Y cambia 359.6.

Con base estrictamente en la ecuación, los pronósticos de los periodos 13 a 16 serían

Coeficiente de correlación para rectas de regresión Ejemplo de pronóstico mediante una relación causal
Medida de la fuerza de la relación que hay entre dos variables. Carpet City Store en lleva registros anuales de sus ventas de alfombras (en metros cuadrados), además
(r) = el coeficiente de correlación puede ser cualquier número entre +1 y –1. del número de permisos para casas nuevas en su ciudad.

Ventas (en metros

Año Pemisos
cuadrados)
1999 18 13.000
2000 15 12.000
2001 12 11.000
2002 10 10.000
2003 20 14.000
2004 28 16.000
2005 35 19.000
2006 30 17.000
2007 20 13.000

El gerente de operaciones de Carpet City cree que es posible pronosticar las ventas si se conocen los
inicios de proyectos habitacionales del año.

Aunque el coeficiente de correlación es la medida más comúnmente usada para describir las relaciones En primer lugar se deben grafican los datos con:
entre dos variables, existe otra medida. Se llama coeficiente de determinación y es simplemente el
cuadrado del coeficiente de correlación: r2 x = Número de licencias de construcción
y = Ventas de alfombras
Regression Statistics
El valor de r2 siempre será un número positivo en el intervalo de 0 ≤ r 2 ≤ 1. Multiple R 0,994385682
R Square 0,988802885
Adjusted R Square 0,987203298
El coeficiente de determinación es el porcentaje de variación presente en Standard Error 331,9545545
la variable dependiente (y) explicado por la ecuación de regresión.

Ejemplo de pronóstico mediante una relación causal Ejemplo de pronóstico mediante una relación causal

Como los puntos están sobre una recta, se

decide usar la relación lineal Y = a + bx.

Se proyecta la recta trazada a mano hace 25 licencias para construir casas en 2010.
que toque el eje de las Y en unos 7 000 m2 Por tanto, el pronóstico de las ventas para 2010 sería:

Para calcular la pendiente se seleccionan 7 000 + 350(25) = 15750 m2

dos puntos, como:
20.000 SUMMARY OUTPUT
y = 344,22x + 6698,5
18.000 Regression Statistics
Multiple R 0,994385682
16.000 R Square 0,988802885
Ventas (em m2)

Adjusted R Square 0,987203298

14.000 Standard Error 331,9545545
Observations 9
12.000
ANOVA
10.000 df
Regression 1
8.000 Residual 7
Ahora suponga que hay 25 licencias para Total 8

construir casas en 2010. 6.000

0 10 20 30 40 Coefficients
Por tanto, el pronóstico de las ventas para Núm ero de permisos Intercept 6698,492
X Variable 1 344,221
2010 sería:
7 000 + 350(25) = 15750 m2
Año 2010 = 15.304

5
 10/17/2017

Tipos de pronósticos
Medición del error de pronóstico
1. Cualitativo Subjetivos y se basan en opiniones y estimados

2. Análisis de series de tiempo
3. Relaciones causales
4. Simulación
Se utiliza información relacionada con la demanda pasada Puede determinarse al comparar los valores pronosticados con los valores
(datos históricos) para predecir la demanda futura reales u observados.
Técnica de regresión lineal
Error de pronóstico (desviación) = Demanda real − Valor pronosticado
Manejo de modelos en base a suposiciones

Las tres medidas más populares son:

• Promedio móvil simple
• la MAD (mean absolute deviation; desviación absoluta media)
• Promedio móvil ponderado
• el MSE (mean squared error; error cuadrático medio)

• Suavización exponencial simple • el MAPE (mean absolute percent error; error porcentual absoluto medio)

• Suavización exponencial con tendencia

• Regresión lineal

Desviación absoluta media (MAD) Desviación absoluta media (MAD)

Suma de los valores absolutos de los errores

individuales del pronóstico y dividiendo el resultado
entre el número de periodos con datos (n)

Ejemplo:
Durante los últimos 8 trimestres, en el puerto de Baltimore se han descargado de los barcos grandes
cantidades de grano. El administrador de operaciones del puerto quiere probar el uso de suavizamiento
exponencial para ver qué tan bien funciona la técnica para predecir el tonelaje descargado. Supone que
el pronóstico de grano descargado durante el primer trimestre fue de 175 toneladas. Se examinan dos
valores de α = 0.10 y α = 0.50
Compare los datos reales con los pronosticados (usando cada uno de los dos valores de α) y después
encuentre la desviación absoluta y las MAD (desviación absoluta media).

Con base en esta comparación de las dos MAD (desviación absoluta media),
se prefiere una constante de suavizamiento α = 0.10 en lugar de una α = 0.50
porque su MAD es más pequeña.

Error cuadrático medio

Promedio de los cuadrados de las diferencias encontradas

entre los valores pronosticados y los observados

El administrador de operaciones del puerto de Baltimore quiere calcular ahora el MSE para α = 0.10

¿Este MSE = 190.8 es bueno o malo? Todo depende de los MSE calculados para otros métodos
de pronóstico. Un MSE más bajo es mejor porque es un valor que queremos minimizar.
El MSE exagera los errores porque los eleva al cuadrado.