Sesión 16 Capitulo 12 Pronósticos

Demanda dependiente. Cantidad de un producto o servicio que se requerirá en razón de la

demanda de otros productos o servicios. Este tipo de demanda interna no necesita de
pronósticos, sino que se puede calcular con base en la demanda correspondiente de otros
productos o servicios.

Demanda independiente. La demanda que no podernos derivar directamente de la demande,

correspondiente de otros productos.

Análisis de series de tiempo. Un tipo de pronóstico con el cual usarnos los datos de la
demanda pasada para prever la demanda futura.

Exponencial aminorado. Técnica para pronosticar a partir de series de tiempo, en cuyo caso
aplicamos una disminución de (1 — alfa) a cada incremento de los datos de la demanda
pasada.

Alfa constante de atenuación. El parámetro de la ecuación del exponencial aminorado que

controla la velocidad de reacción ante las diferencias entre los pronósticos y la demanda real.

Delta constante de atenuación Parámetro adicional usado en una ecuación exponencial

aminorada que incluye un ajuste para la tendencia.

Desviación media absoluta (DMA). Error promedio del pronóstico que se basa en los valores
absolutos del error de cada uno de los pronósticos del pasado.

Señal de rastreo. Medida que indica si el promedio del pronóstico está siguiendo el ritmo de
un verdadero cambio ascendente o descendente en la demanda.

Pronóstico mediante una regresión lineal. Técnica para pronosticar que presupone que los
datos del pasado y las proyecciones del futuro quedan más o menos en línea recta.

Relación causal. Situación donde un hecho provoca que ocurra otro. Si el hecho se ubica en un
futuro distante podría servir de base para el pronóstico.

Pronósticos enfocados. Método de pronóstico en el cual se prueban distintas técnicas en una

simulación de computadora y, a continuación, se usa la mejor técnica. o combinación de
técnicas, para hacer el pronóstico real.

Planear, pronosticar y resurtir en forma conjunta (PPRC). Herramienta de lnternet para

coordinar los pronósticos, la producción y las adquisiciones que forman parte de la cadena de
oferta de una empresa.

Los pronósticos son vitales para toda organización mercantil y para toda decisión
administrativa importante. Los pronósticos representan la base de los planes de largo plazo de
la empresa. En las áreas funcionales de finanzas y contabilidad, los pronósticos son la base
para la planeación del presupuesto y el control de los costos. El departamento de marketing
depende de los pronósticos de ventas para sus planes de productos nuevos, para remunerar al
personal de ventas y para tomar otras decisiones fundamentales. El personal de producción y
el de operaciones usan los pronósticos para tomar decisiones de manera periódica, respecto
de la selección de procesos, la planeación de la capacidad y la disposición física de las
instalaciones, así como para las decisiones rutinarias sobre los planes de producción, los
programas y los inventarios.
ADMINISTRACIÓN DE LA DEMANDA

El propósito de la administración de la demanda es coordinar y controlar todas sus fuentes, de

modo que permitan el aprovechamiento eficiente del sistema de producción y la entrega
puntual de los productos.

La demanda tiene dos fuentes básicas: la demanda dependiente y la demanda independiente.

Una empresa no puede hacer gran cosa respecto de la demanda dependiente, sólo tiene que
satisfacerla (aun cuando tenga que comprar el producto o servicio en lugar de producirlo
internamente). Sin embargo, si la empresa quiere, puede hacer mucho respecto de la
demanda independiente. Por ejemplo, la empresa puede:

1. Adoptar un papel activo para influir en la demanda.

2. Adoptar un papel pasivo y limitarse a responder de acuerdo con la demanda.

Para administrar la demanda dependiente, la independiente, la activa y la pasiva se necesita de

una gran coordinación. Estas demandas tienen origen interno y externo: surgen de marketing
por las ventas de productos nuevos, de servicios prestados a productos debido a la reparación
de partes de productos vendidos previamente, de los almacenes de las fábricas para resurtir
mercancía y de producción para suministrar artículos. En este capítulo nuestro interés
primordial gira en torno a los pronósticos para artículos independientes.

TIPOS DE PRONÓSTICOS

Podemos clasificar los pronósticos en cuatro tipos básicos: cualitativos, de análisis de series de
tiempo, de relaciones causales y simulaciones.

Las técnicas cualitativas son subjetivas o simples juicios y se basan en cálculos y opiniones.

Técnicas de pronóstico y modelos comunes

1. Cualitativas: Subjetivas de juicio. Basadas en estimados y opiniones.

Raíz de Pasto "Grass Roots" Deriva un pronóstico reuniendo información de las personas que
están en un extremo de la jerarquía y que se ocupan de aquello que se pronosticará. Por
ejemplo, derivaríamos un pronóstico general de ventas combinando la información de cada
uno de los vendedores que están más cerca de su territorio.

Investigación de mercado Reúne datos por distintos medios (encuestas, entrevistas, etc.) a
efecto de comprobar hipótesis sobre el mercado. Normalmente la usamos para pronosticar las
ventas a largo plazo y las de productos nuevos.

Consenso de jurado Intercambio franco y libre en juntas. La idea es que la discusión del grupo
producirá mejores pronósticos que los de cualquier individuo. Los participantes pueden ser
ejecutivos. vendedores o clientes.

Analogía histórica Relaciona lo que se pronostica con un elemento similar. Es importante para
planear productos nuevos porque se puede derivar un pronóstico empleando el historial de un
producto similar.

Método Delphi Un grupo de expertos contesta un cuestionario. Un moderador compila los

resultados y prepara otro cuestionario que también le presenta al grupo. Así, el grupo pasa por
un proceso de aprendizaje debido a que recibe nueva información y a que nadie está sujeto a
influencia alguna por presión del grupo ni de personas dominantes.

2. Análisis de series de tiempo: Se basa en la idea de que podemos usar la historia de los
hechos ocurridos para prever el futuro

Promedio movible simple Se obtiene el promedio de un periodo especifico que contiene una
serie de datos dividiendo la suma de los valores de éstos entre el número de valores. Por lo
tanto, cada uno tiene la misma influencia.

Promedio ponderado movible Se ponderan puntos específicos. adjudicándoles mayor o menor

valor que a otros. según los aconseje la experiencia.

Método exponencial aminorado Se ponderan los puntos de datos recientes con un valor más
alto. y su peso va disminuyendo exponencialmente a medida que los datos envejecen

Análisis de regresión Se adapta una línea recta a los datos del pasado, normalmente
relacionando el valor de los datos con el tiempo. La técnica más común de adaptación es la de
los cuadrados mínimos.

Técnica de la caja de Jenkins Es una técnica muy complicada. pero aparentemente resulta la
más exacta, en términos estadísticos, de todas las que existen. Relaciona un tipo de modelo
estadístico con los datos y adapta el modelo a la serie de tiempo empleando la distribución
bayesiana posterior

Series de tiempo Shiskin (También llamada X-11.) Fue desarrollada por Julius Shiskin. de la
Oficina del Censo de estados Unidos. Constituye un método eficaz para descomponer una serie
de tiempo en estacional, tendencias e irregular. Requiere un mínimo de tres años de historia.
Es muy buena para identificar puntos de inflexión, sobre todo en las ventas de la compañía.

Proyecciones de tendencias Aplica una línea matemática de tendencias a los puntos de datos y
los proyecta al futuro.

3. Causales Trata de entender el sistema básico en torno al elemento que será pronosticado.
Por ejemplo, las ventas pueden verse afectadas por la publicidad, la calidad y los
competidores.

Análisis de regresión Es parecido al método de los cuadrados mínimos en las series de tiempo,
pero puede contener muchas variables. Su base es que el pronóstico se deriva de otros hechos
que han ocurrido.

Modelos econométricos Tratan de describir algún sector de la economía mediante una serie
de ecuaciones interdependientes,

Modelos de Insumo/productos Se concentran en las ventas que cada industria hace a otras
empresas y gobiernos. Indican los cambios en las ventas que una industria productora puede
esperar debido a cambios en las compras realizadas por otra industria.

Indicadores líderes Representan estadísticas que se mueven en la misma dirección que la serie
que se está pronosticando, pero que se mueven antes que la serie: por ejemplo, un
incremento en el precio de la gasolina que indica una disminución futura de las ventas de
autos grandes.
4. Modelos de simulació Modelos dinámicos, normalmente de computadora, que permiten al
pronosticador formular supuestos respecto de variables internas del entorno externo del
modelo. Dependiendo de las variables del modelo, el pronosticador puede hacer preguntas
como ¿qué pasaría con mi pronóstico si el precio aumentara 10 por ciento? ¿Cuál sería el
efecto que una recesión nacional leve tendría en mi pronostico?

COMPONENTES DE LA DEMANDA

En casi todos los casos podemos separar la demanda de productos o servicios en seis
componentes: la demanda promedio de un periodo, la tendencia. el elemento estacional, los
elementos cíclicos, la variación aleatoria y la correlación propia. los componentes del
promedio, la tendencia y la estacionalidad, así como la aleatoriedad en torno a una curva de
demanda atenuada.

Los factores cíclicos son más difíciles de determinar debido a que tal vez no se conozca el plazo
de tiempo o no se haya considerado la causa del ciclo. La influencia cíclica en la demanda
puede provenir de hechos tales como las elecciones políticas, la guerra, las condiciones
económicas o las presiones sociológicas.

Las variaciones aleatorias son producto de hechos fortuitos, En términos estadísticos, cuando
restamos todas las causas conocidas de la demanda (promedio, tendencia, estacionalidad,
ciclos y correlación propia) de la demanda total, el resultado de la resta será la parte
inexplicable de la demanda. Si no podemos identificar la causa de este remanente, suponemos
que es puramente fortuito o aleatorio.

La correlación propia denota la persistencia del hecho que ha ocurrido. Concretamente. el

valor esperado en un punto cualquiera guarda una correlación estrecha con sus valores en el
pasado La teoría de la línea de espera dice que la longitud de una línea de espera tiene una
elevada correlación propia. Es decir, si una línea es relativamente larga en un momento dado,
entonces cabe esperar que, poco después de ese momento, la línea siga siendo larga.

Cuando la demanda es aleatoria puede variar enormemente de una semana a otra. Cuando la
demanda guarda una elevada correlación propia, no debe esperarse que cambie mucho de
una semana a otra.

tipos más comunes de tendencias. Una tendencia lineal es, evidentemente, una relación recta
continua. Una curva en S es típica del crecimiento del producto y el ciclo de madurez. El punto
más importante de la curva en S es donde la tendencia cambia de crecimiento lento a
crecimiento rápido, o de rápido a lento. Una tendencia asintótica empieza con una demanda
que crece más al principio, pero que después decae. Esta curva se podría presentar cuando la
empresa ingresa a un mercado existente con el objeto de saturarlo y de captar una parte
considerable del mercado. Una curva exponencial es común en el caso de productos que
registran un crecimiento explosivo. La tendencia exponencial sugiere que las ventas seguirán
aumentando, una suposición que tal vez no sea seguro plantear.

Guía para seleccionar el método más conveniente de pronóstico

MÉTODO DE CANTIDAD DE PATRON DE PLAZO DEL TIEMPO DE ANTECEDENTES DEL
PRONOSTICO DATOS DATOS PRONOSTICO PREPARACION PERSONAL
HISTÓRICOS
Método 5 a 10 Los datos deben Corto Breve Poca sofisticación
exponencial observaciones ser estáticos
simple para establecer el
aminorado peso
 Exponencial de 10 a 15 Tendencia, pero Corto a mediano Breve Leve sofisticación
Holt aminorado observaciones no estacionalidad
para establecer
los dos pesos
Exponencial de un mínimo de 4 a Tendencia y Corto a mediano Breve Moderada
Winter 5 observaciones estacionalidad sofisticación
aminorado por temporada
Modelos de 10 a 20: para Tendencia y Corto a mediano Breve Moderada
regresión de estacionalidad un estacionalidad sofisticación
tendencias mínimo de 5 por
estación
Modelo de 10 observaciones Capacidad para Corto, mediano Muchos para la Cosiderable
regresión causal por variable mejorar patrones o largo preparación, sofisticación
independiente complejos breve para la
aplicación
Descomposición Basta con ver 2 Maneja patrones Corto a mediano Breve a moderado Poca sofisticación
de serie de cresta y valles cíclicos y
tiempo estacionales;
puede identificar
puntos de
inflexión
Caja de Jenkins 50 o más Deben ser Corto mediano Mucho Mucha sofisticación
observaciones estáticos o ser largo
convertidos a
estáticos
El modelo de pronóstico que escoja la empresa dependerá de:

1 El periodo que cubrirá el pronóstico.

2 La disponibilidad de datos.
3 La exactitud requerida.
4 El monto del presupuesto para pronosticar.
5 La disponibilidad de personal calificado.

Al escoger el modelo de pronóstico, hay que tomar en cuenta otras cuestiones, como el grado
de flexibilidad de la empresa. (Cuanto mayor sea la capacidad para reaccionar rápidamente
ante los cambios, tanto menos exacto tendría que ser el pronóstico.) Otro elemento son las
consecuencias de un mal pronóstico. Cuando basamos la decisión de una inversión cuantiosa
de capital en un pronóstico. éste debe ser bueno.

PROMEDIO MOVIBLE SIMPLE

Cuando la demanda de un producto no crece ni disminuye velozmente y si no incluye

características de estacionalidad, el promedio movible serviría para eliminar las fluctuaciones
aleatorias de los pronósticos

Si bien es importante escoger el mejor periodo para este promedio movible, las distintas
extensiones de los periodos producen varios efectos encontrados. Cuanto más largo sea el
periodo del promedio movible, tanto más elementos aleatorios serán atenuados (lo cual
podría ser deseable en muchos casos). No obstante, si los datos siguen una tendencia
(creciente o decreciente), entonces el promedio movible adquiere la característica adversa de
ir a la zaga de la tendencia Por lo tanto, un plazo más breve produce mayor oscilación, pero
permite seguir la tendencia de manera más estrecha. Por el contrario, un plazo más largo
produce una respuesta más atenuada. pero sigue a la zaga de la tendencia.

La principal desventaja de calcular un promedio movible es que todo; los elementos

individuales deben estar en forma de datos. porque un nuevo periodo del pronóstico requiere
que sumemos datos nuevos y que eliminemos los datos más antiguos.
PROMEDIO MOVIL PONDERADO

El promedio movible simple adjudica el mismo valor a cada componente de su base de datos.
pero el promedio movible ponderado permite adjudicar una importancia cualquiera a cada
elemento, siempre y cuando, por supuesto, todos los valores sumen 1

Si bien podemos pasar por alto muchos periodos (es decir, tendrán un peso de cero) y la
ponderación puede seguir un orden cualquiera (por ejemplo, los datos más distantes pueden
tener mayor peso que los más recientes), todos los valores deben sumar 1.

Cómo elegir los pesos, La experiencia y la prueba y error son las vías más fáciles para
determinar el peso de los datos. Por lo general. el pasado más reciente es el indicador más
importante de lo que podernos esperar para el futuro y. por lo tanto, éste debe tener un
mayor peso. Los ingresos o la capacidad de la planta para el mes pasado. por ejemplo,
representarían una mejor estimación para el mes entrante que el ingreso o la capacidad que
tuvo la planta hace varios meses.

El promedio movible ponderado ofrece una ventaja clara sobre el promedio movible simple
porque puede modificar los efectos de los datos del pasado. No obstante, su uso es más
complicado y caro que el del método exponencial aminorado que analizaremos a continuación.

EXPONENCIAL AMINORADO

El principal inconveniente de los métodos de pronóstico antes mencionados (el promedio

movible simple y el ponderado) es que necesitamos contar siempre con una cantidad
importante de datos históricos. (Ocurre lo mismo en el caso de las técnicas para el análisis de
regresión que estudiaremos en breve.) En estos métodos, cuando sumamos un nuevo
conjunto de datos, eliminamos la observación más antigua y calculamos el pronóstico nuevo.
En muchas aplicaciones (tal vez en la mayoría). los casos más recientes indican mejor el futuro
que los de un pasado más distante Suponiendo que esta premisa es válida (que la importancia
de los datos disminuye a medida que se van alejando en el pasado), entonces el método
exponencial Exponencial aminorado aminorado sería el método más lógico y fácil de usar.

El exponencial aminorado es la técnica más usada para pronosticar. Forma parte integral de
casi todos los programas de cómputo para hacer pronósticos y es muy usado para reponer los
inventarios de las empresas minoristas, las compañías mayoristas y las organizaciones que
ofrecen servicios.

Las técnicas de exponencial aminorado deben su gran aceptación a seis razones básicas:

1 Los modelos exponenciales son asombrosamente acertados.

2 Formular un modelo exponencial es relativamente fácil.
3 El usuario puede entender cómo funciona el modelo.
4 Se requieren pocos cálculos para usar el modelo
5 Los requisitos para almacenar en computadora son pocos debido al uso limitado de datos
históricos,
6 Las pruebas para conocer la exactitud con que está funcionando el modelo son fáciles de
calcular

El método de exponencial aminorado sólo necesita de tres conjuntos de datos para

pronosticar el futuro: el pronóstico más reciente, la demanda real que ocurrió en ese periodo y
una alfa constante (a) de atenuación. Esta constante de atenuación determina el grado de
atenuación y la velocidad de la reacción ante las diferencias entre los pronósticos y la venta
real. El valor de la constante está determinado por la naturaleza del producto y por la idea del
gerente respecto de cuál sería una buena tasa de respuesta

Efectos de la tendencia en el exponencial aminorado. Recuerde que una tendencia

ascendente o descendente en los datos reunidos a lo largo de una secuencia de periodos
provoca que el pronóstico exponencial siempre vaya a la zaga (por encima o debajo) de la
realidad. Podemos corregir un poco los pronósticos atenuados exponencialmente si ajustarnos
la tendencia. Para corregir la tendencia necesitamos dos constantes de atenuación. Además de
la alfa constante de atenuación, la ecuación de la tendencia también usa la delta constante (á)
de atenuación. Delta disminuye el efecto del error que ocurre entre la realidad y el pronóstico.
Si no incluirnos alfa ni delta, la tendencia reacciona excesivamente a los errores.

Hay dos métodos para controlar el valor de alfa. Uno usa diversos valores de alfa. El otro usa
una señal de rastreo.

1 Dos o más valores predeterminados de alfa. Se mide el tamaño del error entre el pronóstico
y la demanda real. Dependiendo del grado de error, se usan diferentes valores para alfa. Si el
error es grande, el valor de alfa será 0.8., si el error es pequeño, el valor de alfa será de 0.2.

2 Valores computados de alfa. Un valor de rastreo de alfa calcula si el pronóstico está

siguiendo el ritmo de los verdaderos cambios ascendentes o descendentes de la demanda (a
diferencia de los cambios aleatorios). a esta aplicación, el valor de rastreo de alfa se define
como el error real atenuado exponencialmente dividido entre el error absoluto atenuado
exponencialmente. El valor de alfa cambia de un periodo a otro, dentro de un rango posible de
O a 1.

ERRORES DEL PRONÓSTICO

Al usar la palabra error, nos referirnos a la diferencia entre el valor del pronóstico y lo ocurrido
en realidad. En estadística a estos errores se les llama residuales. Cuando el valor del
pronóstico se ubica dentro de límites confiables, como veremos más adelante en "Medición
del error", en realidad no se trata de un error, a pesar de que comúnmente a esta diferencia se
le llame así.

La demanda de un producto es generada por la interacción de una serie de factores demasiado

compleja como para que un modelo la describa con exactitud. Por lo tanto, todos los
pronósticos contienen cierto grado de error. Cuando hablamos de errores en el pronóstico
debemos diferenciar las fuentes de error de la medición del error

FUENTES DEL ERROR

Los errores tienen distintos orígenes. Uno que muchos pronosticadores no toman en cuenta
ocurre cuando proyectan las tendencias pasadas al futuro. Por ejemplo, cuando hablamos de
errores estadísticos en el análisis de regresión, nos referimos a las desviaciones que alejan las
observaciones de nuestra línea de regresión. Muchas veces añadimos una banda de confianza
(es decir, límites del control estadístico) a la línea de regresión para reducir un error que no
tiene explicación. Sin embargo, si después usamos esta línea de regresión como método de
pronóstico con proyección al futuro, la banda de confianza proyectada no definirá
correctamente el error. Esto se debe a que el intervalo de confianza está basado en datos del
pasado; puede ser válido para los puntos de los datos proyectados y, por lo tanto, no puede
usarse con la misma confianza. De hecho, la experiencia ha demostrado que los errores reales
tienden a ser mayores que los previstos con los modelos de pronóstico.
Cabe decir que los errores se clasifican en sesgados o aleatorios. Los errores sesgados se
presentan cuando un error es cometido constantemente, Entre las fuentes de sesgo se cuenta
no incluir las variables correctas, emplear relaciones equivocadas entre las variables, emplear
una línea equivocada para una tendencia, mover equivocadamente la demanda estacional del
punto donde suele ocurrir y la existencia de alguna tendencia secular no detectada. Los
errores aleatorios serían todos aquellos que el modelo de pronóstico empleado no puede
explicar.

MEDICIÓN DEL ERROR

Algunos términos comunes empleados para describir el grado de error son error estándar,
error medio al cuadrado (o varianza) y desviación media absoluta. Además, podemos usar
señales de rastreo para indicar cualquier sesgo positivo o negativo en el pronóstico.

En la sección de la regresión lineal de este mismo capítulo explicamos el error estándar.

Debido a que el error estándar constituye la raíz cuadrada de una función, muchas veces es
más aconsejable usar la función misma. Esto se conoce como el error medio al cuadrado o
varianza.

La desviación media absoluta (DMA) estuvo de moda hace tiempo, pero luego se cambió
Desviación media absoluta por las mediciones de la desviación estándar y del error estándar.
En años recientes, la DMA se (DMA)

Para calcular la DMA, se emplean las diferencias entre la demanda real y la pronosticada sin
importar el signo. Es igual a la suma de las desviaciones absolutas dividida entre la cantidad de
puntos de datos, o se plantea en forma de ecuación:

Cuando los errores que se presentan en el pronóstico están distribuidos normalmente (como
suele ocurrir), entonces la desviación media estándar se relaciona con la desviación estándar
de la siguiente manera:

Una señal de rastreo es una medida que indica si el promedio del pronóstico está siguiendo el
ritmo de un verdadero cambio ascendente o descendente en la demanda. Por la forma en que
se usa en los pronósticos, la señal de rastreo constituye el número de desviaciones medias
absolutas en que el valor del pronóstico está por arriba o por abajo de los hechos.

SCEP es la suma corriente de errores del pronóstico, considerando la naturaleza del error. (Por
ejemplo, los errores negativos cancelan los errores positivos y viceversa.) DMA es el promedio
de todos los errores del pronóstico (independientemente del signo positivo O negativo de las
desviaciones). Es el promedio de las desviaciones absolutas.

Los límites aceptables para la señal de rastreo dependen del tamaño de la demanda que se
está pronosticando (los artículos de gran volumen o de ingresos altos deben revisarse con
frecuencia) y de la cantidad de tiempo disponible del personal (límites aceptables más
estrechos provocan que un mayor número de pronósticos se salgan de los límites y. por lo
tanto, se necesita más tiempo para investigar).

En un modelo perfecto de pronóstico, los errores reales del pronóstico sumarían O; los errores
producto de una sobrestimación quedarían compensados por los errores de una
subestimación. Así pues. la señal de rastreo también sería O. lo cual indicaría un modelo sin
sesgo, que no produce demandas reales ni líderes. ni rezagadas.
Muchas veces, usamos la DMA para pronosticar errores. En tal caso, sería deseable hacer que
la DMA sea más sensible a los datos recientes. Una técnica útil para hacerlo es computar una
DMA atenuada exponencialmente como pronóstico para el rango de error del periodo
siguiente. El procedimiento es similar al exponencial aminorado simple, que vimos en este
mismo capítulo. El pronóstico de la DMA es muy valioso porque proporciona un rango de
error, Para el caso del control de inventarios, esto es muy útil para establecer los niveles de las
existencias de reserva.

ANÁLISIS DE REGRESIÓN LINEAL

Podemos definir regresión como la relación funcional de dos o más variables correlacionadas.
La usamos para prever una variable, dada otra variable. Normalmente desarrollamos la
relación a partir de datos observados. Regresión lineal se refiere a un tipo especial de
regresión donde las relaciones entre las variables forman una línea recta.

La línea de la regresión lineal tiene la forma Y = a + bX, donde Yes el valor de la variable
dependiente que estamos resolviendo, a es la intersección Y, b es la pendiente y X es la
variable independiente. (En el análisis de series de tiempo, X representa las unidades de
tiempo.)

La regresión lineal es útil para pronosticar los hechos importantes a largo plazo y para la
planeación agregada. Por ejemplo, la regresión lineal sería muy útil para pronosticar la
demanda de familias de productos. Si bien la demanda de productos individuales dentro de
una familia puede variar ampliamente dentro de un periodo, la demanda de la familia entera
de productos es asombrosamente uniforme.

La principal restricción para usar el pronóstico con regresión lineal es, como su nombre
implica, que presupone que los datos del pasado y las proyecciones del futuro quedan
aproximadamente en línea recta. Si bien esto limita su aplicación, si usamos un periodo más
corto, a veces podremos usar el análisis de regresión lineal. Por ejemplo, puede haber
segmentos más breves del periodo más largo que sean aproximadamente lineales.

Usamos la regresión lineal tanto para les pronósticos de series de tiempo como para los
pronósticos de relaciones causales. Cuando la variable dependiente (normalmente el eje
vertical de una gráfica) cambia con el transcurso del tiempo (el eje horizontal en la gráfica) se
trata de un análisis de series de tiempo. Si una variable cambia debido a un cambio en otra
variable, se trata de una relación causal (como el aumento del número de muertes por cáncer
pulmonar debido al aumento de fumadores).

DESCOMPOSICIÓN DE UNA SERIE DE TIEMPO

Podemos definir una serie de tiempo como los datos ordenados en forma cronológica que
pueden contener uno o varios componentes de la demanda: tendencia, estacional, cíclica,
correlación propia y aleatoria. La descomposición de una serie de tiempo consiste en
identificar y separar los datos de la serie de tiempo en estos componentes. En la práctica, es
relativamente fácil identificar la tendencia (incluso sin un análisis matemático. por lo general
es fácil hacer una gráfica y ver la dirección del movimiento) y el componente estacional
(comparando el mismo periodo de un año al siguiente). Es bastante más difícil identificar los
ciclos (éstos pueden abarcar muchos meses o años), la correlación propia y los componentes
aleatorios. (El pronosticador generalmente considera que lo aleatorio es todo lo que resta y
que no puede identificar como otro componente.)
Cuando la demanda contiene tanto efectos de la estacionalidad como de la tendencia, la
interrogante es: ¿cómo se relacionan entre sí? En esta explicación, analizamos dos tipos de
variación estacional: sumada y multiplicada.

Variación estacional sumada. La variación estacional sumada presupone que el monto

estacional es constante, independientemente de cuál sea la tendencia o e] monto promedio.

Pronóstico que incluye tendencia y estacionalidad = Tendencia Estacionalidad

Variación estacional multiplicada. En la variación estacional multiplicada, multiplicamos la

tendencia por los factores estacionales.

Pronóstico que incluye tendencia y estacionalidad = Tendencia x Factor estacional

La variación estacional multiplicada es la experiencia usual. En esencia, señala que cuanto más
alta sea la cantidad básica proyectada, tanto mayor será la variación respecto de lo que
podemos esperár:

Factor estacional (o índice). un factor estacional es la cantidad de corrección que necesita una
serie de tiempo para ajustarse a la estación del año.

Normalmente ligamos el término estaciona/ con una época del año que se caracteriza por una
actividad particular. Empleamos el adjetivo cíclico para indicar cualquier periodo, excepto los
periodos anuales recurrentes de actividades que se repiten.

Descomposición usando regresión por mínimos cuadrados. Descomponer una serie de

tiempo significa encontrar los componentes básicos de la serie de la tendencia. estacionales y
cíclicos. Se calculan los índices para las estaciones y los ciclos El procedimiento para
pronosticar revierte el proceso proyectando la tendencia y ajustándola para los índices
estacionales y cíclicos, que fueron determinados en el proceso de descomposición. De manera
más formal, el proceso consiste en:

1 Descomponer la serie de tiempo en sus componentes.

a) Encontrar el componente estacional.
b) Desestacionalizar la demanda.
c) Encontrar el componente de la tendencia.
2 Pronosticar los valores futuros de cada componente.
a) Proyectar el componente de la tendencia al futuro.
b) Multiplicar el componente de la tendencia por el componente estacional.
Obsérvese que el componente aleatorio no está incluido en la lista. De manera implícita,
eliminarnos el componente aleatorio de la serie de tiempo cuando promediamos corno en el
paso 1. No tiene sentido tratar de proyectar el componente aleatorio en el paso 2. a no ser que
contemos con información acerca de un hecho inusual, como un pleito laboral importante. que
pudría afectar adversamente la demanda del producto (lo cual, en realidad, no sería aleatorio).

paso 1. Determinar el factor estacional (o índice)

Paso 2. Desestacionalizar los datos originales. Para eliminar el efecto estacional en los datos,
dividimos los datos originales entre el factor estacional. Este paso se llama desestacionalizar la
demanda

Paso 3. Desarrollar una línea de regresión por mínimos cuadrados para los datos
desestacionalizados.
Paso 4. Proyectar la línea de regresión hacia el periodo que será pronosticado.

Paso 5. Crear el pronóstico final ajustando la línea de regresión para los factores
estacionales.

Rango de error. Cuando trazamos una linea recta entre los puntos de los datos y después la
usamos para pronosticar, pueden surgir errores de dos fuentes. En primer lugar, están los
errores usuales similares a los de la desviación estándar de un conjunto de datos cualquiera.
En segundo, están los errores que surgen porque la línea está equivocada

PRONÓSTICOS DE RELACIONES CAUSALES

Para que una variable independiente tenga valor para efectos de pronóstico, debe ser un
indicador guía. Por ejemplo, podernos esperar que un periodo extendido de lluvia aumente las
ventas de paraguas e impermeables. La lluvia provoca ventas de equipo para lluvias. Ésta es
una relación causal, en la cual un hecho provoca que ocurra otro. Si el elemento causal es
conocido con bastante anticipación, podemos usarlo como base para el pronóstico.

El primer paso del pronóstico de una relación causal es encontrar los hechos que en realidad
son las causas. Con frecuencia los indicadores guía no son relaciones causales, pero de alguna
manera indirecta podrían sugerir que tal vez ocurran otras cosas. Las otras relaciones no
causales aparentemente existen sólo por coincidencia. Un estudio realizado hace algunos años
demostró que el volumen de alcohol vendido en Suecia se relacionaba en proporción directa
con los sueldos de los profesores. Presuntamente se trataba de una relación espuria (falsa). El
siguiente ejemplo muestra un pronóstico a partir de una relación causal.

ANÁLISIS DE REGRESIÓN MÚLTIPLE

Otro método para hacer pronósticos es el análisis de regresión múltiple, en cuyo caso
consideramos una serie de variables, así corno los efectos de cada una en el objeto en
cuestión. Por ejemplo, en el campo de los artículos para el hogar. podemos expresar los
efectos de la cantidad de bodas, casas nuevas, ingreso disponible y la tendencia en una
ecuación de regresión múltiple como

Pronosticar mediante la regresión múltiple es conveniente cuando una serie de factores

influyen en una variable de interés; en este caso, las ventas. Su dificultad radica en el cálculo
matemático. Por fortuna, tenemos a nuestro alcance programas estándar de computadora
para el análisis de regresión múltiple, los cuales nos evitan la necesidad de un tedioso cálculo
manual.

METODOLOGIA DE LOS PRONÓSTICOS ENFOCADOS

Los pronósticos enfocados simplemente ponen a prueba varias reglas que parecen lógicas y
fáciles de entender para proyectar los datos hacia el pasado al futuro. Cada una de estas reglas
es usada en un programa de simulación de computadora para, en realidad, proyectar la
demanda y después medir qué tan bien actuó esa regla cuando en comparación con lo que
ocurrió Por lo tanto, los dos componentes del sistema de pronósticos enfocados son (1 ) varias
reglas simples de pronóstico y (2) simulaciones en computadora de estas reglas sobre datos
del pasado.

Se trata de reglas simples, de sentido común, creadas y después comprobadas para verificar si
se deben conservar. Algunos ejemplos de reglas simples de pronóstico podrían incluir las
siguientes:
1 Lo que hayamos vendido en los tres meses anteriores es lo que probablemente vende-remos
en los siguientes tres meses.

2 Lo que vendimos en el mismo periodo de tres meses del año pasado probablemente será lo
mismo que vendamos en ese periodo de tres meses de éste. (Esto explicaría los efectos
estacionales.)

3 Probablemente venderemos 10 por ciento más en los próximos tres meses que lo que
vendimos en los tres meses anteriores.

4 Probablemente venderemos 50 por ciento más en los próximos tres meses que lo que
vendimos en los mismos tres meses del año pasado.

5 El porcentaje de cambio que hayamos registrado en los tres meses anteriores de este año, en
comparación con los mismos tres meses del año pasado, probablemente será el mismo
porcentaje de cambio que registraremos en los siguientes tres meses de este año.

PRONÓSTICOS BASADOS EN LA WEB: PLANEAR, PRONOSTICAR Y RESURTIR EN FORMA

CONJUNTA (PPRC)

El objetivo de la PPRC es intercambiar información interna seleccionada en un servidor Web

compartido a efecto de proporcionar visiones más confiables, de futuro a largo plazo, de la
demanda en la cadena de suministro. La PPRC usa un enfoque cíclico e iterativo para derivar
pronósticos de la cadena de suministro en consenso. Consta de los siguientes cinco pasos.

Paso 1. Creación de un acuerdo de socios por adelantado.

Paso 2. Planeación mancomunada de los negocios.

Paso 3. Desarrollo de pronósticos de la demanda.

Paso 4. Compartir los pronósticos

Paso 5. Resurtido de inventarios.

CONCLUSIÓN

Desarrollar un sistema de pronóstico no es cosa fácil. No obstante, debemos hacerlo porque

los pronósticos son fundamentales para toda actividad de planeación. En el corto plazo, los
pronósticos son necesarios para prever los materiales, los productos, los servicios y otros
recursos que necesitaremos para responder a los cambios en la demanda. Los pronósticos
permiten adaptar los programas y las variaciones de trabajo y materiales. A largo plazo, los
pronósticos son necesarios para fundamentar los cambios estratégicos, corno sería desarrollar
mercados nuevos, desarrollar productos o servicios nuevos y expandir las instalaciones
actuales o crear otras nuevas.

En el caso de pronósticos de largo plazo que conducen a importantes inversiones financie-ras,

debernos poner mimo cuidado al derivar un pronóstico. Debemos usar varios enfoques. Los
métodos causales, corno el análisis de regresión o el análisis de regresión múltiple, son muy
provechosos, porque sientan las bases para el análisis. Debemos considerar factores eco-
nómicos, tendencias de productos, factores del crecimiento y la competencia, así como
infinidad de otras variables posibles y debemos ajustar el pronóstico de modo que refleje la
influencia de cada uno de ellos.
En el caso de los pronósticos de corto o mediano plazos (como los requeridos para el control
de inventarios, la contratación de personal y la programación de materiales), podemos usar
modelos más simples, como el de exponencial aminorado y. tal vez, una adaptación o un índice
de estacionalidad. Con estas aplicaciones por lo general se hacen pronósticos de miles de
artículos. Por lo tanto, la rutina para pronosticar debe ser simple y correr velozmente en una
computadora. Asimismo, las rutinas deben detectar y responder velozmente a cambios en la
demanda, definidos y de corto plazo, pero al mismo tiempo deben ignorar las demandas
espurias ocasionales. El exponencial aminorado, vigilado por la gerencia a efecto de controlar
el valor de alfa, resulta una técnica sumamente efectiva.

Los sistemas para pronosticar en forma conjunta, basados en la Web, que usan combinaciones
de los métodos para pronosticar, serán la moda del futuro en muchas industrias. La
información compartida entre los socios comerciales que tienen nexos directos con el sistema
ERP

de cada empresa garantiza la posibilidad de contar con información sin errores, rápidamente y
a costo muy bajo,

En resumen, pronosticar es difícil. Un pronóstico perfecto es corno hacer un hoyo en uno en el

golf: es magnífico conseguirlo, pero debemos contentarnos con sólo acercarnos a ganar la
copa o, para extender más la analogía, con sólo aterrizar en el green. La filosofía ideal es crear
el mejor pronóstico razonablemente posible y, de ahí, protegerse manteniendo la flexibilidad
del sistema para explicar el inevitable error de pronóstico