YNcKGuq SEMCVWHG - gd6EaiBMfdFks1mT Lectura Fundamental 2

Unidad 1 / Escenario 2
Lectura fundamental
Indicadores y métodos de pronósticos
Contenido
1 Indicadores de un sistema de pronósticos
2 Técnicas cualitativas
3 Técnicas extrínsecas
4 Técnicas intrínsecas
Palabras clave: errores de pronósticos, costo de pronósticos, métodos de pronósticos, promedios, suavizaciones,
señal de rastreo, técnicas cualitativas.
Introducción
En el Escenario 1, se abordó la estrategia de producción y la estrategia corporativa. A continuación,
usted revisará los indicadores de un sistema de pronóstico, los diferentes métodos para realizar el
cálculo de los pronósticos de acuerdo circunstancias específicas y las principales formas de evaluar la
exactitud de un sistema de pronósticos.
1. Indicadores de un sistema de pronósticos

Existen dos grandes indicadores para un sistema de pronósticos:
»» Indicadores de precisión
»» Indicadores de costo
1.1. Indicadores de precisión
Los indicadores de precisión se miden a partir de los errores de los pronósticos. Estos se calculan
como la diferencia existente entre la demanda real observada y la demanda pronosticada.
Supongamos que se tiene la siguiente demanda real Xt para ocho periodos, así como el pronóstico
estimado X ′t desde el periodo dos al periodo ocho.
Tabla 1. Ejemplo de demanda y pronósticos en 8 periodos
t X(t) X’t
1 200
2 250 200
3 175 225
4 186 208
5 190 203
6 240 200
7 250 207
8 190 213
Fuente: elaboración propia
POLITÉCNICO GRANCOLOMBIANO 2
La ecuación que nos permite calcular el error del pronóstico está dada por:
� pronostico � Et Xt X t
Error � del
Et : error � del � pronostico

� de � demanda
� para � el periodo � y
Xt : Demanda � real � observada

� en � el periodot�
X ′t : Demanda � pronosticada � para

� el � periodo
� t� �
Aplicando esta ecuación en el ejemplo obtendríamos:
Tabla 2. Cálculo del error del pronóstico
t X(t) X’(t) E(t)

1 200
2 250 200 50
3 175 225 - 50
4 186 208 - 22
5 190 203 - 13
6 240 200 40
7 250 207 43
8 190 213 - 23
Otros indicadores de precisión son el error absoluto y el error cuadrático, los cuales resultan más
efectivos que el error del pronóstico dado que su suma no se cancela. Las ecuaciones que expresan
estos tipos de erro son:
� Et Xt X t
Error � Absoluto
2
Error Cuadratico E 2t Xt Xt
Aplicando esta ecuación en el ejemplo obtendríamos:
Tabla 3. Cálculo del error absoluto y error cuadrático
t X(t) X'(t) E(t) |Et| E^2 (t)

1 200
2 250 200 50 50 2.500
3 175 225 - 50 50 2.500
4 186 208 - 22 22 499
5 190 203 - 13 13 163
6 240 200 40 40 1.584
7 250 207 43 43 1.863
8 190 213 - 23 23 529
Además de los errores absoluto y cuadrático, existe la medida conocida como el APE (Absolute
Percentage Error) por sus siglas en inglés, la cual es ampliamente usada en la industria. Consiste en
calcular el error porcentual de la demanda estimada, es decir, muestra qué porcentaje de la demanda
estimada es error (APE’) o cuánto hay de error en la demanda real (APE). Se calculan a partir de las
siguientes ecuaciones:
Xt Xt
Error porcentual APE 100 *
Xt
Xt X t
Error porcentual APE ' 100 *
X 't
Aplicando esta ecuación al ejemplo obtendríamos:
Tabla 4. Cálculo del APE y APE’
t X(t) X'(t) E(t) |Et| E^2 (T) APE APE'

1 200
2 250 200 50 50 2.500 20% 25%
3 175 225 - 50 50 2.500 29% 22%
4 186 208 - 22 22 499 12% 11%
5 190 203 - 13 13 163 7% 6%
6 240 200 40 40 1.584 17% 20%
7 250 207 43 43 1.863 17% 21%
8 190 213 - 23 23 529 12% 11%
El APE suele ser más común dado que calcula el error respecto a la demanda real; mientras que el APE’, en
tanto se calcula respecto al pronóstico, tiende a evaluar a la persona que está realizando los pronósticos.
Los indicadores de precisión que se han revisado hasta ahora sirven para un solo periodo de tiempo.
No obstante, evaluar un solo periodo de tiempo no resulta eficaz a la hora de medir la eficiencia de
un sistema de pronósticos, ya que los posibles pueden darse debido a causas puntuales. Es adecuado,
entonces, revisar indicadores que permitan evaluar el desempeño de los sistemas de pronósticos en
diferentes periodos.
La Desviación absoluta media (MAD, Mean Absolute Deviation, por sus siglas en inglés) se calcula
como el promedio de los errores absolutos en un número considerable de periodos. Esta nos permite
evaluar el sistema de pronósticos en horizontes prolongados. El cálculo del MAD se obtiene de la
siguiente fórmula:
n
Xt Xt
MAD t 1
n
Es importante decir que n es el número de pronósticos. Así, para nuestro ejemplo el MAD resulta de:
50 50 22 13 40 43 23
MAD 34
7
Otro indicador que permite revisar la precisión de los pronósticos en diferentes horizontes de tiempo es
el Error cuadrático medio (MSE, Mean Square Error, por sus siglas en inglés). Este se calcula como el
promedio de los errores cuadráticos en un número n de periodos. La ecuación para su cálculo es:
n 2
Xt Xt
MSE t 1
n
En este orden de ideas para nuestro ejemplo el MSE es:
2500 2500 499 163 1584 1863 529

MSE 1377
7
La Desviación absoluta porcentual media (MAPE, Mean Absolute Percentage Error, por sus siglas
en inglés) es el promedio en n periodos de los errores APE o APE’ y está dado por las siguientes
expresiones:
Xt Xt
100 *
Xt
MAPE
n
Xt X t
100 *
X 't
MAPE
n
En este orden de ideas, para nuestro ejemplo el MAPE y MAPE’ son:
20% 29% 12% 7% 17% 17% 12%

MAPE 16%
7
25% 22% 11% 6% 20% 21% 11%

MAPE 17%
7
1.2. Indicadores de costo
Además de los indicadores de precisión es importante medir el impacto en el costo del sistema de
pronósticos. Tener un sistema de pronósticos de mucha calidad puede reducir los costos debido a que
disminuye las pérdidas generadas por la incertidumbre. Sin embargo, es conveniente revisar que tan
costoso es el sistema de pronósticos, pues puede superar el valor de las perdidas. El punto de balance
entre el costo total, definido en este caso como la suma de los costos de las perdidas y el sistema de
pronóstico, se observa en la siguiente Figura 1:
Figura 1. Nivel de esfuerzo de generación del pronóstico vs el costo.

Fuente: elaboración propia a partir de Vidal (2009).
2. Técnicas cualitativas
Las técnicas cualitativas son proyecciones basadas en el juicio, la intuición y las opiniones informadas.
Por su naturaleza, son métodos subjetivos. Estas técnicas se utilizan para pronosticar tendencias
generales de negocios y la demanda potencial de grandes familias de productos durante un período
prolongado de tiempo. Estos métodos son utilizados principalmente por la alta gerencia, mientras que,
en la producción y los pronósticos de inventario, al relacionarse con la demanda de artículos finales
particulares, las técnicas cualitativas rara vez son apropiadas.
En casos en los que se desea pronosticar la demanda de un nuevo producto, se puede acudir a las
técnicas de investigación de mercado y de analogía histórica. Por un lado, la investigación de mercado
es un procedimiento sistemático, formal y consciente para determinar la opinión o la intención
del cliente. Este método, es una buena opción cuando no hay un histórico con el cual realizar un
pronóstico o cuando no se tiene un patrón para determinar la demanda. Por otra parte, la analogía
histórica se basa en un análisis comparativo de la introducción y el crecimiento de productos similares
con la esperanza de que el nuevo producto se comporte de manera similar.
Otro método de pronóstico cualitativo es el Delphi, el cual se basa en la opinión de un grupo de

expertos para para pronosticar lo que puede suceder en un futuro con un determinado producto.
3. Técnicas extrínsecas
Las técnicas de pronóstico extrínseco son proyecciones basadas en indicadores externos
(extrínsecos) que se relacionan con la demanda de los productos de una empresa. Ejemplos de tales
datos serían las tasas de natalidad y el ingreso monetario en una población. Esto quiere decir que
teóricamente la demanda de un grupo de productos es directamente proporcional, o se correlaciona,
con la actividad de otro campo.
Ejemplos de correlación son:
»» Las ventas de ladrillos son proporcionales a las viviendas que se van a construir en determinada
localidad.
»» Las ventas de neumáticos de automóviles son proporcionales al consumo de gasolina.
La construcción de casas y el consumo de gasolina son en este caso indicadores económicos
pues describen las condiciones económicas que prevalecen durante un período de tiempo
determinado. Otros indicadores económicos de uso común son adjudicaciones de contratos de
construcción, producción de automóviles, ingresos agrícolas, producción de acero e ingresos
nacionales brutos. Generalmente, estos datos se compilan y publican en entidades gubernamentales,
revistas, documentos financieros, asociaciones comerciales y bancos, y sirven para pronosticar
comportamientos de mercado.
Es muy importante identificar el indicador que se relaciona directamente con una demanda aún
no cumplida. Por ejemplo, el número de contratos de construcción adjudicados en un período
puede determinar el material de construcción vendido en el próximo período. Si no se encuentra un
indicador anticipado, se puede usar otro indicador. El pronóstico extrínseco resulta útil allí donde se
hace necesario pronosticar la demanda total de productos de una empresa o la demanda de familias
de productos. Estos pronósticos se utilizan con mayor frecuencia en la etapa de planificación de
negocios y de producción, y no tanto en pronósticos sobre artículos finales individuales o acabados de
inventario (SKU, Stock-Keeping Unit, por sus siglas en inglés).
4. Técnicas intrínsecas
Las técnicas de pronóstico intrínseco utilizan datos históricos para pronosticar. Estos datos
generalmente se registran en la empresa y se encuentran a disposición del interesado fácilmente.
Las técnicas de pronóstico intrínseco se basan en el supuesto de que lo que sucedió en el pasado
ocurrirá en el futuro. A menudo se utilizan para realizar la programación de la producción cuando se
necesitan pronósticos de artículos finales. Quizá un ejemplo ayude a entender esto. Supongamos que
la demanda mensual de un artículo en particular durante el año pasado es:
Tabla 5. Ejemplo de demanda anual
Mes Demanda Mes Demanda

Enero 3.897 Julio 5.494
Febrero 4.864 Agosto 2.255
Marzo 3.397 Septiembre 3.590
Abril 2.420 Octubre 2.212
Mayo 3.083 Noviembre 2.549
Junio 1.755 Diciembre 3.017
Ahora pensemos que nos encontramos a finales de diciembre y que queremos pronosticar la demanda para
enero del próximo año. En este caso, los datos se pueden interpretar de la siguiente manera:
»» La demanda de enero del próximo año será la misma que la de diciembre. La demanda de enero
se pronosticaría en 3.017. Esto puede parecer demasiado simple, pero si hay pocos cambios en
la demanda de un mes a otro, probablemente será bastante útil.
»» La demanda de enero del próximo año será la misma que la de enero del año en curso. En este
caso, la demanda pronosticada sería de 3.897, la misma de enero del año pasado. Esta regla es
adecuada si la demanda es estacional y hay poca tendencia hacia arriba o hacia abajo.
Patrones como estos, basados en un solo mes o en un período pasado, resultan insuficientes cuando
hay mucha fluctuación aleatoria en la demanda. Por ello, los métodos que promedian el historial
de demanda son mejores porque pueden amortiguar algunos efectos de la variación aleatoria. Así,
el promedio de la demanda del año anterior se puede utilizar como una estimación de la demanda
de enero. Sin embargo, el simple no responde siempre a las tendencias o cambios en el nivel de
demanda, por lo tanto, calcular el promedio móvil puede ser más adecuado.
4.1. Promedio simple
Teniendo en cuenta que la demanda puede fluctuar debido a la variación aleatoria, resulta mejor
pronosticar la demanda promedio en lugar de adivinar cuál será el efecto de la fluctuación aleatoria.
Esto se debe realizar junto con estimación de error. El promedio simple consiste en tomar los
promedios de periodos pasados para hacer un pronóstico. De esta manera, para el ejemplo
presentado, el pronóstico de enero del próximo año será el promedio de la demanda de todos los
meses, el cual es igual a 3.211 (Ver Tabla 5). La ecuación que conduce a este resultado es la que
expresa el promedio de todas las demandas:
n
X t
X t t 1
n
4.2. Promedio móvil
Una forma simple de pronosticar es tomar la demanda promedio de periodos anteriores y usar el
resultado para un próximo período. Este pronóstico siempre se basaría en la demanda actual.
Siguiendo con el ejemplo que se viene trabajando, el promedio de la demanda de octubre, noviembre y
diciembre seria 2.593. Supongamos ahora que la demanda es de 2.500 en lugar de 2.593. El pronóstico
para el siguiente mes, es decir, febrero sería de 2.689, el promedio de 2.549, 3.017 y 2.500. Como
podemos ver el número de periodos que tomamos para realizar el cálculo del pronóstico es N=3. N indica
el número de periodos que se toman para calcular el pronóstico mediante un promedio. Esto conduce a la
pregunta por el número N adecuado. El mejor será aquel que reduzca al máximo los diferentes errores de
pronósticos que vimos en el escenario en la sección de errores.
El promedio móvil se utiliza para pronosticar productos con demanda estable, de poca tendencia o
estacionalidad. Esta técnica también es útil para filtrar las fluctuaciones aleatorias. Esto tiene sentido si se
considera que los períodos de alta demanda son seguidos a menudo por períodos de baja demanda.
Una debilidad de esta técnica resulta de la necesidad de conservar varios períodos del historial para
cada elemento a pronosticar. Esto requiere de una gran cantidad de almacenamiento informático
y de esfuerzo administrativo. Además, los cálculos son engorrosos. Una técnica de pronóstico
común, llamada suavización exponencial, da los mismos resultados que un promedio móvil, pero sin la
necesidad de almacenar tantos datos y con cálculos más fáciles.
4.3. Suavización exponencial
Como se mencionó anteriormente con el uso de esta técnica no es necesario mantener una gran
cantidad de información para obtener un promedio móvil, ya que los pronósticos previamente
calculados se convierten en el historial. Por lo tanto, la suavización exponencial puede basarse en la
previsión calculada anteriormente y los nuevos datos que provienen de la demanda real.
Para ilustrar esto, se puede volver a los datos de la Tabla 1. En ese sentido, el promedio de la demanda
de los últimos seis meses (3.186 unidades) se puede utilizar para pronosticar la demanda de enero. Si
a fines de enero, la demanda real es de 2.500 unidades, debemos abandonar la demanda del primer
mes (julio) y considerar la demanda de enero para determinar el nuevo pronóstico. Así, si se toma un
promedio del pronóstico anterior (3.186) y la demanda real para enero (2.500), el pronóstico nuevo
para febrero será de 2.687 unidades. Esta fórmula pone un énfasis tanto en la demanda del mes más
reciente como en el pronóstico anterior (todos los meses anteriores).
Si esto no resulta para establecer un pronóstico, se le puede asignar un porcentaje específico tanto
a la demanda real como al pronóstico anterior. Esto siempre será relativo. En el siguiente ejemplo
se muestra el resultado si se le asigna a la demanda del último mes un valor del 10% mientras que al
pronóstico anterior 90%. En ese caso:
Pronóstico de febrero = 0.1 x (2.500) + 0.9 x (3.186) = 3.117
Se puede observar que este pronóstico no aumentó tanto como el pronóstico anterior Una ventaja de
la suavización exponencial es que a los nuevos datos se les puede dar el peso que el interesado desee.
El peso dado a la última demanda real se llama constante de suavizamiento y se representa con la letra
griega alfa (α) y se expresa como un decimal de 0 a 1.
En general la fórmula para calcular un pronóstico con esta técnica será:
Pronostico Ultima demanda 1 Pronostico Previo
X t *X t 1 *X ' t 1
El suavizamiento exponencial simple proporciona un método de rutina para actualizar regularmente los
pronósticos de artículos. De hecho, funciona bastante bien cuando se trata de elementos estables, pues se
adecua para el pronóstico a corto plazo. No es recomendable cuando la demanda es intermitente.
4.4. Suavización exponencial doble
El método de suavización exponencial doble, a diferencia del método de suavización exponencial

simple, considera una posible tendencia (creciente o decreciente) de la demanda. Este método trata
de determinar diferentes parámetros de demandas futuras que sean constantes y con tendencia. Es
decir, que no tienen presencia de estacionalidad marcada. Además de la constante de suavización de
nivel α, este método introduce una constante de suavización de tendencia β. Es decir, tenemos:
»» α: suaviza el valor de la serie (promedio-estacionario)
»» β: suaviza la tendencia (pendiente de los datos)
Las constantes de suavizamiento pueden ser las mismas, sin embargo, en la mayoría de las aplicaciones se da
mayor estabilidad al estimado de la pendiente que al de la constante, es decir que β ≤ α. Adicionalmente se
deben utilizar para la inicialización del pronóstico los siguientes elementos:
So : corte � dela � regresión � b

� � recta � de
Go : pendiente � dela � regresión � m

� � recta � de
Para actualizar estos valores empleamos las siguientes ecuaciones:
St Xt 1 *( S t 1
Gt 1 )
Gt ( St St 1 ) 1 *G t 1
El pronóstico para el periodo T sería:
X t St Gt
τ : representa � el � número
� de � periodos
� que � estoy
� pronosticando�� hacia
� adelante
Supongamos que se tiene la siguiente demanda real Xt para diez periodos y se desea calcular el
pronóstico hasta el periodo 13:
Tabla 6. Demanda para 10 periodos ejemplo de SED
t X(t) t X(t)
1 23 6 38
2 24 7 35
3 27 8 41
4 30 9 43
5 31 10 48
Asumiremos que α=0.2 y β=0.1, nótese que β ≤ α. Lo primero que debemos calcular es la
inicialización del método, dado que necesitamos St −1 � cuando t = 1. De esta manera calculamos So y
Go . Como se mencionó anteriormente So es el corte de la recta de regresión. Lo podemos calcular
con la función “interseccion.eje”, mientras que para calcular Go utilizamos la función pendiente
So Para este caso es igual a 19.
Go Para este caso es igual a 2.72.
Luego de estos cálculos podemos calcular St y Gt para todos los periodos de 1 a 10. En este caso
τ = 1 dado que la proyección es de un periodo. Para los periodos 12 y 13 como no se tienen St y Gt
τ comenzará a variar de acuerdo con el número de periodos que se proyecta desde el periodo 10. Es
decir, para el periodo 12 τ valdrá 2 y para el periodo 13 τ valdrá 3. Utilizando el ultimo St y Gt , es
decir el del periodo 10.
Tabla 7. Pronóstico utilizando SED
τ t X(t) S(t) G(t) F(t)

0 19,00 2,73
1 23 21,98 2,75 21,73
2 24 24,59 2,74 24,73
3 27 27,26 2,73 27,33
4 30 29,99 2,73 29,99
5 31 32,38 2,70 32,73
6 38 35,66 2,76 35,08
7 35 37,73 2,69 38,42
8 41 40,54 2,70 40,42
9 43 43,19 2,69 43,24
10 48 46,31 2,74 45,88
1 11 49,04
2 12 51,78
3 13 54,52
4.5. Factores estacionales
Muchos productos tienen un patrón de demanda estacional o periódico como los esquís, los trajes
de baño, las vacunas, los dulces y las luces de árboles de Navidad, mientras que otros como la
electricidad varían según la hora del día, la semana o el mes. El método de factores estacionales
permite determinar el comportamiento futuro de este tipo de ítems.
4.5.1. Índice de estacionalidad
Un indicador útil del grado de variación estacional es el índice estacional o índice de estacionalidad.
Este índice es una estimación de la demanda del producto en una determinada estación. Por ejemplo,
la demanda de dulces puede promediar 100 por mes, pero en octubre el promedio es de 175 y en
septiembre es de 35. El índice de octubre sería de 1.75, y en septiembre sería de 0.35.
La fórmula para calcular el índice de estacionalidad es:
Demanda � promedio
� por � periodo
Indice � de
� Estacionalidad = �
� detodos
� � los � periodos
El período puede ser diario, semanal, mensual o trimestral, según la base de la estacionalidad de la demanda.
La demanda promedio para todos los períodos es un valor que promedia la estacionalidad. Esto se
llama la demanda desestacionalizada. La ecuación anterior se puede reescribir como:
� por � periodo
Indice � de
� Estacionalidad = �
Demanda � desestacionalizada
4.5.2. Previsiones estacionales
La ecuación para desarrollar índices estacionales también se usa para pronosticar la demanda
estacional. Si una compañía pronostica una demanda promedio para todos los períodos, los índices
estacionales se pueden usar para calcular los pronósticos estacionales. De esta manera tendremos:
Demanda estacional Indice de Estacionalidad Demanda desesstacionalizada
En la Tabla 8, aparecen datos que permiten calcular el índice de estacionalidad:

Tabla 8. Ejemplo de demanda con estacionalidad
Año Trimestre
1 2 3 4 Total
1 122 108 81 90 401
2 130 100 73 96 399
3 132 98 71 99 400
Promedio 128 102 75 95 400
En este ejemplo, el índice de estacionalidad sería el siguiente para cada trimestre:
Tabla 9. Índice de estacionalidad
Promedio de
100
promedios
Índice 1 1,28
Índice 2 1,02
Índice 3 0,75
Índice 4 0,95
Tenga en cuenta que el total de todos los índices estacionales es igual al número de períodos. Esta es una
buena manera de comprobar si los cálculos son correctos. Suponga que la demanda anual de la compañía
para el año cuatro será de 420, por lo tanto, el pronóstico trimestral para el siguiente año será:
Pronóstico de la demanda trimestral promedio = 420 / 4 = 105
Tabla 10. Índice de estacionalidad
Índice Año 4
Índice 1 1,28 Trimestre 1 134,4
Total 420
4.6. Suavización exponencial triple
La suavización exponencial triple es un método que suele usarse para el cálculo de demandas cuyos
patrones reflejan tendencia estacional. A diferencia de la suavización exponencial doble, se toman en
cuenta tres componentes (nivel, tendencia y ciclo) expresados como, α, β y Y, así como la longitud de
la estación (N) y el número de estaciones (m).
Generalmente, se usan 3 ecuaciones de suavizamiento en cada periodo para actualizar los cálculos de
la serie desestacionalizada, los factores estacionales y la tendencia. A saber:
St : Representa � el � promedio
� exponencial � dela
� � serie
� de � datos
Gt : Utilizada � para � la
� estimación � detendencias
�
Ct : Utilizada � para � la
� estimación � dela
� � estacionalidad
Ft 1
Utilizada para el pronostico de periodos Futuros
Cada una de estas ecuaciones está determinada por las siguientes ecuaciones:
Xt
St St 1 Gt 1
Ct N
Gt St St 1 1 Gt 1
Xt
Ct 1 Ct N
St
X 't 1 St Gt Ct N
Revisemos el uso de este método con un ejemplo. Supongamos la siguiente demanda:

Tabla 11. Ejemplo de demanda para SET
t X(t)
0
1 11
2 20
3 26
4 17
5 15
6 27
7 34
8 22
Para este caso, los parámetros iniciales son: α =0.1, β =0.1, Y =0.1, N = 4 y m = 2.
Al igual que en la SED, lo primero que se debe tener en cuenta que los valores de S0 y Go . De esta
manera obtenemos:
S0 = 13.57
G0 = 1.76
C
Para inicializar 0 se deben estimar los valores de la recta de regresión para todos los periodos para
los que conozca la demanda Y(t), teniendo en cuenta la ecuación de la recta
Y t mx b
Donde m es la pendiente (Go) y b es el corte con el eje X (So). Así tenemos para cada periodo de
tiempo los siguientes datos:
Tabla 12. Estimación de Y(t)
t X(t) Y(t)
1 11 15,33
2 20 17,10
3 26 18,86
4 17 20,62
5 15 22,38
6 27 24,14
7 34 25,90
8 22 27,67
Posteriormente se debe dividir el valor real de la demanda X(t) entre Y(t)
Tabla 13. Estimación de X(t)/Y(t)
t X(t) Y(t) X(t)/Y(t)

1 11 15,33 0,72
2 20 17,10 1,17
3 26 18,86 1,38
4 17 20,62 0,82
5 15 22,38 0,67
6 27 24,14 1,12
7 34 25,90 1,31
8 22 27,67 0,80
Luego se promedian los factores correspondientes a cada estación para obtener la inicialización requerida.
Tabla 14. Inicialización
t X(t) Y(t) X(t)/Y(t) S(t) G(t) C(t)

-3 (0,72+0,67) /2 = 0,69
-2 (1,17+1,12) /2= 1,14
-1 (1,38+1,31) /2= 1,14
0 13,57 1,76 (0,82+0,80) /2= 0,81
1 11 15,33 0,72
2 20 17,10 1,17
3 26 18,86 1,38
4 17 20,62 0,82
5 15 15,33 0,67
6 27 24,14 1,12
7 34 25,90 1,31
8 22 27,67 0,80

Una vez tenemos inicializados los datos podemos proceder con el cálculo respectivo aplicando las
formulas, de esta manera tendremos:
Tabla 15. Cálculo SET
t X(t) Y(t) X(t)/Y(t) S(t) G(t) C(t) F(t)

-3 0,69
-2 1,14
-1 1,35
0 b= 13,57 m= 1,76 0,81
1 11 15,33 0,72 15,39 1,77 0,70 10,64
2 20 17,10 1,17 17,19 1,77 1,15 19,62
3 26 18,86 1,38 18,99 1,77 1,35 25,51
4 17 20,62 0,82 20,79 1,78 0,81 16,82
5 15 22,38 0,67 22,46 1,77 0,69 15,70
6 27 24,14 1,12 24,16 1,76 1,14 27,77
7 34 25,90 1,31 25,85 1,75 1,34 34,94
8 22 27,67 0,80 27,56 1,75 0,81 22,38
Conclusión
Los pronósticos no siempre serán exactos. Sin embargo, son una buena herramienta para tomar
decisiones en las empresas. En este sentido, es de vital importancia conocer el comportamiento de
los ítems que se producen, pues esto puede orientar el uso de los métodos que se han expuesto en
esta lectura. Encontrará un detalle amplio de este tema en la Lectura complementaria del Escenario.
A continuación, se presenta un breve resumen de los métodos:
Tabla 16. Método vs patrón de demanda
Patrón de Demanda Método

Promedio Simple / Promedio Móvil / Suavización
Uniforme
Exponencial Simple
Tendencia Suavización Exponencial Doble
Estacionalidad Factores Estacionarios
Estacionalidad Suavización Exponencial Triple
Es necesario tener en cuenta que todo pronóstico implica un margen de error. Confiar totalmente
en un pronóstico puede conllevar problemas para las organizaciones. Una forma confiable de suplir
la demanda con la producción adecuada es verificar la relación tiempo de entrega sobre el tiempo de
espera de la demanda. El tiempo de entrega de producción es el tiempo de entrega de un producto
e incluye la fabricación, montaje, entrega y, a veces, el diseño del producto. Mientras que el tiempo
de espera de la demanda es el tiempo de entrega del cliente y varía de acuerdo con factores como el
stock o el tamaño de la empresa. Este lapso temporal va desde el momento en el que el cliente realiza
un pedido hasta que se entregan los productos.
La forma tradicional de protegerse contra la variabilidad de la demanda es incluir un inventario de

seguridad en el inventario de existencias. Sin embargo, este método implica un gasto extra por parte
del proveedor. Además de lo ya dicho, existen cinco formas de hacer predicciones más precisas:
1. Reducir el tiempo de producción.
2. Igualar el Lead Time de atención al cliente con el tiempo de producción.
3. Vender lo que se pronostica (control sobre el mercado)
4. Simplificar el portafolio.
5. Estandarizar productos y procesos.
Referencias
Ballou, R. (2003). Logística: Administración de la cadena de suministro. Madrid: Prentice Hall.
Chopra, S. (2008). Administración de la cadena de suministro. Estrategia, planeación y operación.

Naucalpan de Juárez: Pearson Prentice Hall.
Chapman, S. (2006). Planificación y control de la producción. Naucalpan de Juárez: Pearson Prentice Hall.
Vidal, C. (2009). Fundamentos de control y gestión de inventarios. Santiago de Cali: Universidad del Valle.
INFORMACIÓN TÉCNICA
Módulo: Gerencia de Producción

Unidad 1: Estrategia de la gerencia de producción y pronósticos
Escenario 2: Pronósticos y gestión de la demanda
Autor: Esteban Castro Mora
Asesor Pedagógico: Jessica Katherin Pinzón Arias

Diseñador Gráfico: Eveling Peñaranda
Asistente: Julieth Sthefhany Ortiz Munevar
Este material pertenece al Politécnico Grancolombiano.

Prohibida su reproducción total o parcial.

YNcKGuq SEMCVWHG - gd6EaiBMfdFks1mT Lectura Fundamental 2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

YNcKGuq SEMCVWHG - gd6EaiBMfdFks1mT Lectura Fundamental 2

Cargado por

Copyright:

Formatos disponibles

Unidad 1 / Escenario 2

Indicadores y métodos de pronósticos

1 Indicadores de un sistema de pronósticos

1. Indicadores de un sistema de pronósticos

1.1. Indicadores de precisión

Tabla 1. Ejemplo de demanda y pronósticos en 8 periodos

Et : error � del � pronostico

Xt : Demanda � real � observada

X ′t : Demanda � pronosticada � para

Aplicando esta ecuación en el ejemplo obtendríamos:

Tabla 2. Cálculo del error del pronóstico

t X(t) X’(t) E(t)

Tabla 3. Cálculo del error absoluto y error cuadrático

t X(t) X'(t) E(t) |Et| E^2 (t)

Tabla 4. Cálculo del APE y APE’

t X(t) X'(t) E(t) |Et| E^2 (T) APE APE'

En este orden de ideas para nuestro ejemplo el MSE es:

2500 2500 499 163 1584 1863 529

En este orden de ideas, para nuestro ejemplo el MAPE y MAPE’ son:

20% 29% 12% 7% 17% 17% 12%

25% 22% 11% 6% 20% 21% 11%

Figura 1. Nivel de esfuerzo de generación del pronóstico vs el costo.

Otro método de pronóstico cualitativo es el Delphi, el cual se basa en la opinión de un grupo de

Ejemplos de correlación son:

»» Las ventas de neumáticos de automóviles son proporcionales al consumo de gasolina.

Tabla 5. Ejemplo de demanda anual

Mes Demanda Mes Demanda

4.1. Promedio simple

4.2. Promedio móvil

4.3. Suavización exponencial

Pronóstico de febrero = 0.1 x (2.500) + 0.9 x (3.186) = 3.117

En general la fórmula para calcular un pronóstico con esta técnica será:

Pronostico Ultima demanda 1 Pronostico Previo

4.4. Suavización exponencial doble

El método de suavización exponencial doble, a diferencia del método de suavización exponencial

»» α: suaviza el valor de la serie (promedio-estacionario)

»» β: suaviza la tendencia (pendiente de los datos)

So : corte � dela � regresión �  b 

Go : pendiente � dela � regresión �  m 

Para actualizar estos valores empleamos las siguientes ecuaciones:

El pronóstico para el periodo T sería:

Tabla 6. Demanda para 10 periodos ejemplo de SED

So Para este caso es igual a 19.

Go Para este caso es igual a 2.72.

τ t X(t) S(t) G(t) F(t)

4.5. Factores estacionales

4.5.1. Índice de estacionalidad

4.5.2. Previsiones estacionales

Demanda estacional Indice de Estacionalidad Demanda desesstacionalizada

En la Tabla 8, aparecen datos que permiten calcular el índice de estacionalidad:

Tabla 9. Índice de estacionalidad

Pronóstico de la demanda trimestral promedio = 420 / 4 = 105

Tabla 10. Índice de estacionalidad

4.6. Suavización exponencial triple

Revisemos el uso de este método con un ejemplo. Supongamos la siguiente demanda:

Tabla 12. Estimación de Y(t)

Tabla 13. Estimación de X(t)/Y(t)

t X(t) Y(t) X(t)/Y(t)

t X(t) Y(t) X(t)/Y(t) S(t) G(t) C(t)

t X(t) Y(t) X(t)/Y(t) S(t) G(t) C(t) F(t)

Fuente: elaboración propia

A continuación, se presenta un breve resumen de los métodos:

Tabla 16. Método vs patrón de demanda

So : corte � dela � regresión � b

Go : pendiente � dela � regresión � m