LEGISLACIÓN DE COMERCIO INTERNACIONAL

UNIVERSIDAD CATÓLICA DE EL
SALVADOR
PRONÓSTICO DE DEMANDA

¿Por qué necesito un pronóstico de demanda?

- La empresa se mueve en un contexto altamente incierto.

- Factores que son relevantes para la empresa: PESTLA.

- Tomar decisiones sobre variables controlables considerando los

factores incontrolables.
Los pronósticos son vitales para toda organización de
negocios, así como para cualquier decisión importante de
la gerencia.
ADMÓN. DE LA DEMANDA

Usar con eficiencia el sistema productivo y entregar el producto a

tiempo
ADMÓN. DE LA DEMANDA

¿De dónde proviene la demanda de un producto y qué puede

hacer la empresa para administrarla?
ADMÓN. DE LA DEMANDA

Existen dos fuentes básicas de demanda:

1. Demanda dependiente
Es aquella provocada por la demanda de otros productos o
servicios.
ADMÓN. DE LA DEMANDA

Existen dos fuentes básicas de demanda:

2. Demanda independiente
Es aquella que no se deriva directamente de la demanda de otros
productos.
OBJETIVO DEL PRONÓSTICO

Reducir la incertidumbre acerca de lo que puede acontecer en el

futuro proporcionando información cercana a la realidad que
permita tomar decisiones.
ENFOQUE DE LOS PRONÓSTICOS

1. SUBJETIVOS
Se basan en el juicio y la experiencia

2. OBJETIVOS
Se basan en modelos matemáticos
EJ. DE PATRONES DE DEMANDA
TIPOS DE TENDENCIAS MÁS COMUNES
CLASIFICACIÓN DE LOS PRONÓSTICOS

El pronóstico se puede clasificar en cuatro tipos básicos:

1. Cualitativos
2. Análisis de series de tiempo
3. Relaciones causales
4. Simulación.
1. TÉCNICAS CUALITATIVAS:
Son subjetivas y se basan en estimados y opiniones.
2. ANÁLISIS DE SERIES DE TIEMPO:
Los modelos de series de tiempo se basan en la idea de que es
posible utilizar información relacionada con la demanda pasada
para predecir la demanda futura.
TIPOS DE PRONÓSTICOS

3. RELACIONES CAUSALES:
Considera aquellos factores (no sólo el tiempo) que determinan la
demanda.
TIPOS DE PRONÓSTICOS

4. SIMULACIÓN:
Permiten al encargado manejar varios escenarios acerca de la
condición del pronóstico.
2. ANÁLISIS DE SERIES DE TIEMPO

Los modelos más utilizados para calcular pronósticos de series de

tiempo son:
- Promedio móvil simple.
- Promedio móvil ponderado.
- Regresión lineal.
Promedio móvil simple

Cuando la demanda de un producto no crece ni baja con rapidez,

y si no tiene características estacionales, el método de promedio
móvil puede ser útil para eliminar las fluctuaciones aleatorias del
pronóstico de demanda.
Promedio móvil simple

Si se quiere pronosticar el mes de junio, con un promedio móvil

de 5 meses, puede tomarse el promedio de enero, febrero, marzo,
abril y mayo.

Cuando pase junio, el pronóstico para julio será el promedio de

febrero, marzo, abril, mayo y junio.

Para realizar el cálculo (ejemplo anterior), deben existir los datos

de los últimos cinco meses.
Promedio móvil simple

FÓRMULA:
Promedio móvil simple

▪ Con los siguientes datos, calcule el pronóstico de la demanda

en periodos de tres y nueve semanas.
PROMEDIO MÓVIL SIMPLE
PROMEDIO MÓVIL SIMPLE
PROMEDIO MÓVIL SIMPLE
PROMEDIO MÓVIL SIMPLE
PROMEDIO MÓVIL SIMPLE
PROMEDIO MÓVIL SIMPLE
PROMEDIO MÓVIL SIMPLE
PROMEDIO MÓVIL SIMPLE
PROMEDIO MÓVIL SIMPLE
PROMEDIO MÓVIL SIMPLE
PROMEDIO MÓVIL SIMPLE
PROMEDIO MÓVIL SIMPLE
PROMEDIO MÓVIL SIMPLE
Promedio móvil ponderado

▪ Mientras que el promedio móvil simple da igual importancia a

cada uno de los componentes de la base de datos del promedio
móvil, un promedio móvil ponderado permite asignar cualquier
importancia a cada elemento, siempre y cuando la suma de
todas las ponderaciones sea igual a uno.
Promedio móvil ponderado

▪ FÓRMULA:
Promedio móvil ponderado

▪ Una tienda departamental lleva el registro de sus ventas de

forma mensual. Gracias a esos registros sabe que el mejor
pronóstico se deriva asignando el 40% de importancia al mes
más reciente (último), 30% de importancia al penúltimo mes,
20% al antepenúltimo y 10% al tras-antepenúltimo mes.
Promedio móvil ponderado

▪ Las ventas reales de la tienda departamental fueron:

Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 (mes

actual)
94 90 105 100 ?

El cálculo para el quinto mes sería:

F5= 0.40(100) + 0.30(105) + 0.20(90) + 0.10(94)
= 40 + 31.5 + 18 + 10
= 100
Promedio móvil ponderado

▪ Suponga que las ventas para el quinto mes resultaron ser 110.
Entonces, el pronóstico para el sexto mes sería:

F6= 0.40(110) + 0.30(100) + 0.20(105) + 0.10(90)

= 44 + 30 + 21 + 9
= 104
Promedio móvil ponderado

▪ Elección de las ponderaciones:

La experiencia y las pruebas son las formas más sencillas de
elegir las ponderaciones. Por regla general, el pasado más
reciente es el indicador más importante de lo que se espera en el
futuro y, por lo tanto, debe tener una ponderación más alta.
Promedio móvil ponderado

▪ Elección de las ponderaciones:

Los ingresos o la capacidad de la planta del mes pasado, por
ejemplo, serían un mejor estimado para el mes próximo que los
ingresos o la capacidad de la planta de hace varios meses.
Promedio móvil ponderado

▪ Elección de las ponderaciones:

No obstante, si los datos son estacionales, por ejemplo, las
ponderaciones se deben establecer en forma correspondiente. Las
ventas de trajes de baño en julio 2020 deben tener una
ponderación más alta que las ventas de trajes de baño en
diciembre del mismo año.
ANÁLISIS DE REGRESIÓN LINEAL:
La regresión se define como una relación funcional entre dos o
más variables correlacionadas. Con ella se pronostica una
variable con base en otra.
ANÁLISIS DE REGRESIÓN LINEAL:

Por lo general, la relación se establece a partir de datos

observados.
No obstante, es necesario determinar si los datos siguen un patrón
lineal.
Si se cumple lo anterior, la regresión lineal puede utilizarse para
pronósticos tanto de series de tiempo como de relaciones
causales.

Cuando la V.D. (eje vertical en una gráfica) cambia como

resultado del tiempo (eje horizontal), se trata de un análisis de
series de tiempo.

Mientras que, si una variable cambia debido al cambio en otra, se

trata de una relación causal.
La recta de la regresión lineal tiene la siguiente forma:

Donde:
Y es el valor de la V.D. que se despeja.
a es la secante en Y.
b es la pendiente.
x es la V.I. (en el análisis de series de tiempo, las x son unidades de tiempo)
Las ecuaciones para encontrar a y b son:
ANÁLISIS DE REGRESIÓN LINEAL

donde:
a: secante Y
b: Pendiente de la recta
ȳ : Promedio de todas las y
x : Promedio de todas las x
x: valor x de cada punto de datos
n: número de punto de datos
Y: valor de la variable dependiente calculada con la ecuación de r
Con el siguiente ejemplo se demuestra el análisis de regresión
lineal con mínimos cuadrados.
ANÁLISIS DE REGRESIÓN LINEAL
MÉTODO DE MÍNIMOS CUADRADOS

Las ventas de una línea de productos de una empresa durante los

12 trimestres de los últimos tres años son las siguientes:
ANÁLISIS DE REGRESIÓN LINEAL
MÉTODO DE MÍNIMOS CUADRADOS

Trimestre Ventas Trimestre Ventas

1 600 7 2600
2 1550 8 2900
3 1500 9 3800
4 1500 10 4500
5 2400 11 4000
6 3100 12 4900
ANÁLISIS DE REGRESIÓN LINEAL
MÉTODO DE MÍNIMOS CUADRADOS

La compañía quiere pronosticar cada trimestre del cuarto año, es

decir, los trimestres 13, 14, 15 y 16.
ANÁLISIS DE REGRESIÓN LINEAL
MÉTODO DE MÍNIMOS CUADRADOS
Con base en la ecuación, los pronósticos de los periodos 13 a 16
serian:
Y13 = 441.6 + 359.61 (13) = 5,116.6
Y14 = 441.6 + 359.61 (14) = 5,476.2
Y15 = 441.6 + 359.61 (15) = 5,835.8
Y16 = 441.6 + 359.61 (16) = 6,195.4