Escuela de Ingeniería Industrial

Programa de Posgrado
Sistemas de Pronósticos e
Inventarios: Sistemas de
Pronósticos (3)
Presentado por: Carlos Julio Vidal Holguín
Santiago de Cali, abril – junio de 2021
 Contenido

Pronósticos de demanda estacional (teoría opcional)

Errores suavizados, señales de rastreo y control de
datos atípicos
Combinación de pronósticos
Pronósticos acumulados
Planeación de Operaciones y Ventas (Sales and
Operations Planning, S&OP)
Pronósticos de Demanda Estacional
x t = (b1 + b2 t )ct +  t

Componente permanente: a1 (T ) = b1 + b2T

Factor estacional multiplicativo: ct

Componente aleatoria: t
Longitud del período estacional: L periodos
Se dispone de datos para las últimas m estaciones
Ejemplo de demanda estacional: Consumo de
gas natural en EEUU (1987 – 1992)
1 .8 0 0 ,0

1 .6 0 0 ,0

1 .4 0 0 ,0
Dem anda (Trillones de BTU)

1 .2 0 0 ,0

1 .0 0 0 ,0

8 0 0 ,0

6 0 0 ,0

4 0 0 ,0

2 0 0 ,0

0 ,0
1

10

13

16

19

25

28

31

37

43

46

49

55

58

61

64

67

70
22

34

40

52
M es
Actualización de los parámetros del modelo
Componente permanente:

aˆ1 (T ) = 
xT
cˆT (T − L)

+ (1 −  ) aˆ1 (T − 1) + bˆ2 (T − 1) 
Tendencia: bˆ2 (T ) =  aˆ 1 (T ) − aˆ 1 (T − 1) + (1 −  )bˆ2 (T − 1)

xT
Factor estacional:
cˆT (T ) =  + (1 −  )cˆT (T − L)
aˆ 1 (T )
Fórmula para calcular el pronóstico:

 
xˆ T + (T ) = aˆ1 (T ) + bˆ2 (T ) cˆT + (T +  − L)
Inicialización del sistema de pronósticos
ˆb (0) = x m − x1
m es el número de
Tendencia:
estaciones de inicio
( m − 1) L
2

Lˆ
Componente permanente: aˆ 1 (0) = x1 − b2 (0)
2
Factores estacionales:

xt
cˆ t = , para t = 1,2,..., mL
x i − ( L + 1) / 2 − j  bˆ2 (0)

L
1 m −1 cˆ t (0) = c t , para t = 1,2,..., L
ct =  cˆt + jL , para t = 1,2,..., L L

m j =0 c
t =1
t
 Explicación de algunas ecuaciones
Estación No. 2

Estación No. 1

Promedio estación
2
(m – 1)L
L/2

Promedio estación 1
(Prom. Estac. 2 – Prom. Estac. 1) / (2 – 1)
Ejemplo de demanda estacional pura: Consumo
de gas natural en EEUU (1987 – 1992)
1 .8 0 0 ,0

1 .6 0 0 ,0

1 .4 0 0 ,0
Dem anda (Trillones de BTU)

1 .2 0 0 ,0

1 .0 0 0 ,0

8 0 0 ,0

6 0 0 ,0

4 0 0 ,0

2 0 0 ,0

0 ,0
1

10

13

16

19

25

28

31

37

43

46

49

55

58

61

64

67

70
22

34

40

52
M es
Ejemplo de demanda estacional
M ES D EMA N D A MES D E M A N DA MES D EM A N D A
1 1 .4 9 9 , 2 13 1 .6 3 3 , 2 25 1 .3 6 1 , 0
2 1 .3 1 6 , 5 14 1 .4 6 2 , 6 26 1 .4 1 6 , 3
3 1 .1 5 5 , 5 15 1 .1 7 8 , 1 27 1 .2 6 5 , 7
4 92 6,0 16 8 3 0 ,0 28 85 1,3
5 63 0,5 17 6 0 6 ,5 29 60 4,8
6 52 0,3 18 5 1 3 ,7 30 47 4,6
7 53 1,6 19 5 4 3 ,4 31 50 7,3
8 58 6,2 20 6 0 4 ,8 32 51 9,8
9 51 8,8 21 5 2 8 ,0 33 47 1,4
10 70 4,2 22 6 7 1 ,3 34 69 4,9
11 87 8,4 23 8 8 9 ,7 35 90 1,3
12 1 .2 7 6 , 2 24 1 .2 4 4 , 0 36 1 .4 8 2 , 7

M ES D EMA N D A MES D E M A N DA MES D EM A N D A

37 1 .4 3 7 , 5 49 1 .5 1 2 , 9 61 1 .3 9 5 , 3
38 1 .1 6 7 , 7 50 1 .1 9 2 , 0 62 1 .1 9 4 , 1
39 1 .0 5 5 , 7 51 1 .0 7 5 , 6 63 1 .0 7 0 , 8
40 82 4,7 52 7 6 3 ,0 64 83 4,4
41 59 8,9 53 5 5 1 ,9 65 57 5,9
42 48 3,2 54 4 3 4 ,0 66 45 8,3
43 47 8,1 55 4 7 2 ,3 67 43 1,0
44 52 3,3 56 4 3 8 ,8 68 44 1,8
45 49 8,1 57 4 4 8 ,2 69 46 2,6
46 63 5,5 58 6 1 7 ,9 70 70 0,9
47 83 4,6 59 9 0 0 ,7 71 99 6,6
48 1 .3 0 4 , 5 60 1 .1 9 4 , 3 72 1 .3 4 4 , 8
 Componente permanente, tendencia y
factores estacionales de inicio
m = 4 estaciones disponibles;
Longitud de cada estación L = 12 meses x − x1 820.15 − 878.6167
bˆ2 (0) = m = = −1.62407
x1 = 878.6167 x 2 = 892.1083 ( m − 1) L ( 4 − 1)  12
x 3 = 879.2583 x m = x4 = 820.1500

Lˆ 12
aˆ1 (0) = x1 − b2 (0) = 878.6167 − ( −1.62407) = 888.3611
2 2 P er ío d o V a lo r d e j E s ti m a c i ó n P er í o d o Va lo r d e j E s ti m a c i ó n
1 1 1 , 68 9 1 4 6 25 1 1 , 53 2 3 2 9
2 2 1 , 48 6 0 1 7 26 2 1 , 59 7 5 1 1
3 3 1 , 30 6 6 8 2 27 3 1 , 43 0 2 6 2
xt
cˆt = , para t = 1,2,..., mL
4 4 1 , 04 9 0 8 2 28 4 0 , 96 3 7 5 2

xi − ( L + 1) / 2 − j  bˆ2 (0)
5 5 0 , 71 5 6 2 1 29 5 0 , 68 5 9 5 2
6 6 0 , 59 1 6 3 4 30 6 0 , 53 9 2 7 5
7 7 0 , 60 5 6 0 2 31 7 0 , 57 7 4 9 7
x1
cˆ1 =
8 8 0 , 66 9 0 4 0 32 8 0 , 59 2 8 2 3

x1 − ( L + 1) / 2 − j  bˆ2 (0)
9 9 0 , 59 3 2 1 5 33 9 0 , 53 8 6 2 1
10 10 0 , 80 6 7 0 6 34 10 0 , 79 5 4 6 8
11 11 1 , 00 8 1 3 9 35 11 1 , 03 3 6 6 0

1,499.2 12 12 1 , 46 7 4 2 9 36 12 1 , 70 3 6 1 5
cˆ1 = = 1.689146
878.6167 − (12 + 1) / 2 − 1 (-1.62407)
13 1 1 , 81 2 5 7 1 37 1 1 , 73 3 8 4 5
14 2 1 , 62 6 1 6 5 38 2 1 , 41 1 1 8 9
15 3 1 , 31 2 2 1 8 39 3 1 , 27 8 3 4 4

1,316.5 16 4 0 , 92 6 1 6 5 40 4 1 , 00 0 5 9 4
cˆ2 = = 1.486017
878.6167 − (12 + 1) / 2 − 2 (-1.62407)
17 5 0 , 67 7 9 9 9 41 5 0 , 72 8 0 7 0
18 6 0 , 57 5 3 0 3 42 6 0 , 58 8 5 7 8
19 7 0 , 60 9 6 7 4 43 7 0 , 58 3 5 2 0

1,155.5 20 8 0 , 67 9 8 0 1 44 8 0 , 63 9 9 5 5

cˆ3 = = 1.306682
878.6167 − (12 + 1) / 2 − 3 (-1.62407)
21 9 0 , 59 4 5 6 2 45 9 0 , 61 0 3 4 9
22 10 0 , 75 7 3 1 2 46 10 0 , 78 0 2 6 6
23 11 1 , 00 5 5 3 8 47 11 1 , 02 6 7 6 8
24 12 1 , 40 8 5 5 3 48 12 1 , 60 8 0 7 7
 Continuación factores estacionales
1 3
c1 =  cˆ1+12 k , para t = 1
4 k =0
1 1
c1 = (cˆ1 + cˆ13 + cˆ 25 + cˆ37 ) = (1.689146 + 1.812571 + 1.532329 + 1.733845)
4 4
c1 = 1.691972

MES Promedio Normalizados

1 1,691972 1,693578
2 1,530221 1,531673
3 1,331877 1,333140
4 0,984898 0,985833
L 5 0,701910 0,702576
cˆ t (0) = c t L
, para t = 1,2,..., L 6 0,573698 0,574242

c
t =1
t
7
8
0,594073
0,645405
0,594637
0,646017
9 0,584187 0,584741
10 0,784938 0,785683
11 1,018526 1,019493
12 1,546918 1,548386

Suma = 11,988623 12,000000

Cálculos para actualizar el origen de tiempo
aˆ1 (T ) = 
xT
cˆT (T − L)

+ (1 −  ) aˆ1 (T − 1) + bˆ2 (T − 1) 
+ (0.861)888.3611 + ( −1.6241)
1,499.2
aˆ1 (1) = (0.1390)
1.693578
aˆ1 (1) = 886.5271
xT
cˆT (T ) =  + (1 −  )cˆT (T − L)
bˆ2 (T ) =  aˆ1 (T ) − aˆ1 (T − 1) + (1 −  )bˆ2 (T − 1) ˆa1 (T )
bˆ2 (1) = (0.01)886.5271 − 888.3611 + (0.99)(−1.6241) cˆ1 (1) = (0.5374)
1,499.2
+ (0.4626)(1.693578)
bˆ2 (1) = −1.6262
886.5271
cˆ1 (1) = 1.6922

Pronóstico:

 
xˆ T + (T ) = aˆ1 (T ) + bˆ2 (T ) cˆT + (T +  − L)

 
xˆ 0+1 (0) = aˆ1 (0) + bˆ2 (0) cˆ 0+1 (T +  − L)
xˆ 1 (0) = 888.3611 + ( −1.6241) (1.693578)
xˆ 1 (0) = 1,501.7584
Valores de inicio: Nuevo origen de tiempo
MES DEMANDA a 1(T ) b 2(T ) c T (T )
1.6936
1.5317
1.3331
0.9858
0.7026
0.5742 Valores de inicio calculados
0.5946 con las ecuaciones (3.39) a (3.43)
0.6460
0.5847
0.7857
1.0195
0 888.3611 -1.6241 1.5484
1 1,499.2 886.6715 -1.6896 1.6915
2 1,316.5 883.8781 -2.7934 1.5002
3 1,155.5 880.4633 -3.4148 1.3177
4 926.0 879.7474 -0.7159 1.0356
5 630.5 879.8282 0.0809 0.7130
6 520.3 881.0430 1.2147 0.5864
7 531.6 882.7663 1.7234 0.6003
8 586.2 885.4831 2.7168 0.6579
9 518.8 888.1579 2.6748 0.5843
10 704.2 891.0693 2.9114 0.7891
11 878.4 892.5771 1.5078 0.9931
12 1,276.2 891.0559 -1.5212 1.4618
13 1,633.2 892.8289 1.7729 1.7942
……… ……… ……… ……… ………
36 1,482.7 841.1922 7.3531 1.6756
37 1,437.5 850.3100 9.1178 1.6717
38 1,167.7 853.3305 3.0205 1.4337
39 1,055.7 851.3184 -2.0121 1.2875
40 824.7 849.0314 -2.2869 0.9731 Valores de inicio referidos al comienzo
41 598.9 847.2416 -1.7899 0.7046 del período 49 para la simulación de los
42 483.2 846.2888 -0.9527 0.5679 pronósticos a partir de este período,
43 478.1 843.4517 -2.8371 0.5743 calculados con las ecuaciones (3.35)-(3.37),
44 523.3 840.3240 -3.1277 0.6240 utilizando:
45 498.1 838.9099 -1.4141 0.5872  = 0.0434  = 1.0000  = 0.7452
46 635.5 835.0302 -3.8797 0.7746
47 834.6 829.2444 -5.7858 1.0202
48 1,304.5 821.5100 -7.7343 1.6103
 MES DEMANDA a 1(T ) b 2(T ) c T (T ) Pronóstico Error
37 1.6717
38 1.4337
39 1.2875
40 0.9731
41 0.7046
42 0.5679
43 0.5743
44 0.6240
45 0.5872
46 0.7746
47 1.0202
48 821.5100 -7.7343 1.6103
49 1,512.9 817.7307 -3.7793 1.8047 1,360.39 152.51
50 1,192.0 814.7093 -3.0214 1.4556 1,166.93 25.07
51 1,075.6 812.7173 -1.9920 1.3143 1,045.03 30.57
52 763.0 809.5700 -3.1473 0.9503 788.93 -25.93
53 551.9 805.4204 -4.1496 0.6902 568.19 -16.29
54 434.0 799.6672 -5.7532 0.5491 455.01 -21.01
55 472.3 795.1469 -4.5203 0.5890 455.97 16.33
56 438.8 786.8390 -8.3079 0.5746 493.32 -54.52
57 448.2 777.8688 -8.9702 0.5790 457.17 -8.97
58 617.9 770.1488 -7.7200 0.7952 595.56 22.34
59 900.7 767.6514 -2.4974 1.1343 777.80 122.90
60 1,194.3 764.1362 -3.5152 1.5750 1,232.11 -37.81
61 1,395.3 761.1646 -2.9715 1.8259 1,372.67 22.63
62 1,194.1 760.8876 -0.2770 1.5404 1,103.63 90.47
63 1,070.8 762.9569 2.0693 1.3808 999.67 71.13
64 834.4 769.9260 6.9691 1.0497 726.99 107.41
65 575.9 779.3898 9.4638 0.7265 536.18 39.72
66 458.3 790.8365 11.4468 0.5718 433.18 25.12
67 431.0 799.2271 8.3906 0.5519 472.52 -41.52
68 441.8 805.9408 6.7137 0.5549 464.03 -22.23
69 462.6 812.0609 6.1201 0.5720 470.53 -7.93
70 700.9 820.9201 8.8592 0.8389 650.65 50.25
71 996.6 831.8959 10.9758 1.1818 941.22 55.38
72 1,344.8 843.3473 11.4513 1.5896 1,327.52 17.28 3,426.20 ← ECM
73 ? = 1 1,560.75
74 ? 2 1,334.35
75 ? 3 1,211.90
76 ? 4 933.38
77 ? 5 654.28
78 ? 6 521.49 Pronósticos en tiempo real
79 ? 7 509.71 para 1-12 meses adelante:
80 ? 8 518.81 (Meses 73-84)
81 ? 9 541.38
82 ? 10 803.53
83 ? 11 1,145.50
84 ? 12 1,559.03
 = 0.0434  = 1.0000  = 0.7452
Pronósticos de demanda estacional
Ilustración en hoja de cálculo
 Pronósticos de demanda estacional

Demanda Pronóstico

1,800

1,600
Demanda (Trillones de BTU)

1,400

1,200

1,000

800

600

400

200

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 81 83

Mes (1987-1993)
Soluciones locales y globales
y convergencia del solver*
ECM

Mínimo local Mínimo global

Mínimo global


mín *Analogía
máx
de la bolita
 Otros métodos de pronósticos de
demanda estacional

Método aditivo de Winters: x t = b1 + b2 t + c t +  t

Métodos de suavización directa que combinan

diversas funciones matemáticas, como por ejemplo
combinaciones de funciones trigonométricas de
senos y cosenos.
 Errores suavizados (1)
Error Suavizado Q(T ) = we (T ) + (1 − w)Q(T − 1)
w es otra constante de suavización (0.1  w  0.2)
Q(0)  0
MAD suavizada:
MAD(T ) = w e(T ) + (1 − w) MAD(T − 1)
MAD(0)  0.8ˆ  c1 , donde:
m

 t t
( x − ˆ
x ) 2

ˆ  = t =1
(con base en residuos de R.L.)
m−2
α
3 ( )
c1 = 1 +  1 + 4 β + 5 β 2
+ 2 α( 1 + 3 β) + 2 α 2
 ;  = 1−
( 1 + β) 
 DEMANDA (Unidades)

0
10
20
30
40
50
60
70
80
1 90
4
7
10
13

a1(0)
16
19
22
25
28
31
34
37
40
43
46
Pendiente = b2(0)

49

SEMANAS
52
GRÁFICO EJEMPLO 3.4

55
58
61
64
b1(0)

67
70
73
76
79
82
85
88
 Errores suavizados (2)

ECM Suavizado ECMS (T ) = we 2 (T ) + (1 − w) ECMS (T − 1)

 (x t − xˆt ) 2

ECMS (0) = t =1
m−2
(Con base en residuos de R. L.)

Estimación dinámica: ECMS(T) y parámetros de control

 Señales de rastreo
Una señal de rastreo útil se define como :
Q( T )
Señal de Rastreo =
MAD( T )

La señal de rastreo siempre está entre -1 y 1.

Los valores máximos aceptables dependen de la

aplicación y pueden variar de 0.2 a 0.6.

Cuando dos o más señales de rastreo sucesivas

sobrepasan el valor máximo, entonces deben
recalcularse los parámetros del modelo y/o
revisarse el modelo que se está utilizando.
Control de datos atípicos (Outliers)

e(T )
4 ó 5
MAD(T )

No es conveniente la eliminación
automática de datos atípicos: Deben analizarse
cuidadosamente antes de eliminarlos.
Ilustración de errores suavizados
Semana Per. T Demanda Pron. Error Inv. Máx. basado Error Suav. MAD Suav. ECM Suav. Señal rastreo Outliers
1 23 eT en ECMS (T ) Q (T ) MAD (T ) ECMS(T) Q (T )/MAD (T ) │e T /MAD (T )│
51 0 48 0.00 9.59 136.92
52 1 44 50.19 -6.19 73.13 -0.62 9.25 127.06 0.07 0.67
53 2 47 50.30 -3.30 72.40 -0.89 8.66 115.45 0.10 0.38
54 3 47 50.63 -3.63 71.69 -1.16 8.15 105.22 0.14 0.45
55 4 36 50.93 -14.93 71.03 -2.54 8.83 116.99 0.29 1.69
56 5 79 50.35 28.65 71.55 0.58 10.81 187.37 0.05 2.65
57 6 62 53.11 8.89 79.94 1.41 10.62 176.55 0.13 0.84
58 7 31 54.38 -23.38 80.43 -1.07 11.90 213.57 0.09 1.97
59 8 75 53.19 21.81 81.83 1.22 12.89 239.80 0.09 1.69
60 9 38 55.44 -17.44 85.79 -0.65 13.34 246.23 0.05 1.31
61 10 40 54.70 -14.70 85.45 -2.05 13.48 243.21 0.15 1.09
62 11 60 54.14 5.86 84.71 -1.26 12.72 222.32 0.10 0.46
63 12 44 55.15 -11.15 84.37 -2.25 12.56 212.52 0.18 0.89
64 13 37 54.85 -17.85 83.43 -3.81 13.09 223.14 0.29 1.36
65 14 34 54.02 -20.02 83.30 -5.43 13.78 240.92 0.39 1.45
66 15 59 53.00 6.00 83.42 -4.29 13.00 220.42 0.33 0.46
67 16 47 53.95 -6.95 83.05 -4.55 12.40 203.22 0.37 0.56
68 17 53 53.92 -0.92 81.86 -4.19 11.25 182.98 0.37 0.08
69 18 48 54.34 -6.34 80.85 -4.41 10.76 168.70 0.41 0.59
70 19 44 54.34 -10.34 79.79 -5.00 10.72 162.51 0.47 0.96
71 20 39 54.02 -15.02 79.01 -6.00 11.15 168.82 0.54 1.35
72 21 52 53.32 -1.32 78.79 -5.53 10.17 152.11 0.54 0.13
73 22 70 53.66 16.34 77.84 -3.35 10.78 163.59 0.31 1.52
74 23 58 55.36 2.64 80.43 -2.75 9.97 147.93 0.28 0.26
75 24 66 56.03 9.97 79.87 -1.48 9.97 143.08 0.15 1.00
76 25 54 57.26 -3.26 80.71 -1.65 9.30 129.83 0.18 0.35
77 26 47 57.50 -10.50 79.83 -2.54 9.42 127.87 0.27 1.11
78 27 71 57.16 13.84 79.33 -0.90 9.86 134.22 0.09 1.40
79 28 59 58.69 0.31 81.40 -0.78 8.90 120.81 0.09 0.03
80 29 73 59.20 13.80 80.74 0.68 9.39 127.78 0.07 1.47
81 30 46 60.74 -14.74 82.90 -0.86 9.93 136.74 0.09 1.48
82 31 44 60.11 -16.11 83.03 -2.39 10.55 149.02 0.23 1.53
83 32 62 59.35 2.65 83.28 -1.88 9.76 134.82 0.19 0.27
84 33 69 60.01 8.99 82.77 -0.80 9.68 129.42 0.08 0.93
85 34 30 61.17 -31.17 83.46 -3.83 11.83 213.61 0.32 2.63
86 35 73 59.24 13.76 87.88 -2.07 12.02 211.19 0.17 1.14
87 36 72 60.73 11.27 89.21 -0.74 11.95 202.77 0.06 0.94
88 37 59 62.05 -3.05 89.96 -0.97 11.06 183.42 0.09 0.28
89 38 59 62.28 -3.28 88.82 -1.20 10.28 166.16 0.12 0.32
90 39 ? 62.48 87.75 ← Inventario Máximo proyectado en tiempo real
ALPHA = 0.0385 BETA = 0.9615
k= 1.96 Valor de w = 0.1

Ilustración con el Ejemplo 3.8 (pp. 161-166).

 Ilustración de errores suavizados
Demanda Pronóstico Inv. Máximo (ECMS) Inv. Máximo
100

90

80
Demanda (Unidades)

70

60

50

40

30

20

10

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Semanas
 Métodos auto – adaptivos
En estos métodos, la constante de suavización  se actualiza
dinámicamente en cada período, utilizando alguna regla
especificada para fijar su valor:
– Haciéndola siempre igual a la señal de rastreo del mismo período
(método clásico). Debe recordarse que el pronóstico inicial se
determina con α, pero de ahí en adelante se usa la señal de
rastreo del período anterior para su cálculo.
– Haciéndola igual a la señal de rastreo si ésta es ≤ que un valor
límite (normalmente = 0.30), e igual a dicho valor límite si la señal
de rastreo es > que el mismo. Es posible dejar variable el límite
superior de la señal de rastreo y optimizar con solver.
– Dejando variable el valor límite de la constante de suavización w
y optimizándolo con solver.
– Dejándola igual a la señal de rastreo si esta es ≤ 0.30, e igual al
α utilizado para el primer pronóstico si la señal de rastreo es >
0.30. Esta estrategia parece superar los métodos anteriores. 1
1Contribución de María Camila Aristizábal, Maestría en Ingeniería, septiembre 2020.
 Combinación de pronósticos (1)
Se ha encontrado que la combinación de pronósticos
provenientes de varios métodos, puede producir
mejores resultados que cualquiera de los métodos
individuales.
Puede probarse el promedio simple o una combinación
lineal de métodos de pronósticos [Se sugiere leer Claeskens
et al. (2016)1 y Chan y Pauwels (2018)2].
Probar la optimización del promedio de pronósticos
cambiando alphas y w en las otras hojas electrónicas.
1 Claeskens, G., Magnus, J.R., Vasnev, A.L., & Wang, W. (2016). The forecast combination puzzle: A simple
theoretical explanation. International Journal of Forecasting, 32, 754-762.
2 Chan,F. & Pauwels, L.L. (2018). Some theoretical results in forecast combination. International Journal
Forecasting, 34, 64-74.
 Combinación de pronósticos (2)
Suponga que a un conjunto de datos de demanda se
le ha aplicado Promedio Móvil con el N óptimo (PM),
Suavización Exponencial Simple con el α óptimo (SES)
y Suavización Exponencial Doble con el α óptimo
(SED). Una combinación de estos pronósticos puede
ser:
Pronóstico Combinado
(combinación lineal convexa):

PC = (a1  PM) + (a2  SES) + (a3  SED)

a1 + a2 + a3 = 1
0 ≤ a1, a2, a3 ≤ 1
Preguntas sobre combinación de pronósticos
¿Cuántos sistemas de pronósticos deben combinarse?

¿Es recomendable solamente incluir métodos que se

ajusten al patrón de demanda a pronosticar?

¿Cómo se deben combinar los sistemas de pronósticos

elegidos?

¿Es recomendable realizar una combinación y que ésta

se incluya como un nuevo método a combinar en forma
recursiva?
 Suavización doble:
Deducción de ecuaciones (3)
Pronósticos  períodos adelante xˆ T + (T ) = xˆ T + bˆ2 (T )
Reemplazando los estimadores de b2 y xT, se obtiene finalmente:
      2 
xˆ T + (T ) =  2 +  ST −  1 +  ST
 1 −   1 − 
[2]
S0 y S 0 se estiman de las siguientes ecuaciones :
ˆ 1−  ˆ 2  ˆ 1−  ˆ
S0 = b1 (0) −  b2 (0) S0 = b1 (0) − 2 b2 (0)
     
Donde : bˆ1 (0) = aˆ1 (0) + mbˆ2 (0)
m es el número de períodos para iniciar el pronóstico
Ver la deducción de estas ecuaciones en el texto de inventarios, pág. 111-112.
 Pronósticos acumulados
L
pL
Xˆ L (T ) =  xˆT + (T ) ˆ L = ECMS (T )
 =1 c1

      2 
xˆ T + (T ) =  2 +  ST −  1 +  ST
 1 −   1 − 
L2
pL = L +
2(1 +  ) 3
5(1 + 2  +  2
) + 4 L (1 −  2
) +  L ;  = 1 − 
2 2


c1 = 1 +
(1 +  ) 3
(1 + 4  + 5  2
) + 2 (1 + 3 ) + 2 2
 ;  = 1−
 Sistemas de pronósticos
con promociones

Posibles tratamiento de las promociones de

productos:
– Métodos de Winters
– Aplicación de factores
– Pronóstico exclusivo de las promociones
– Utilización de métodos auto-adaptivos
– ¿Otros posibles?
 Objetivo principal del sistema de
pronósticos (control continuo)
Especificación del valor Características principales
mínimo de k aceptable relativas al ítem:
(Q, A, v, r, etc.)
SISTEMA DE
PRONÓSTICOS:
Regla de decisión para
determinar el factor de ˆ1 = ECM , ó
seguridad k ˆ1 = 1.2533 * MAD
dˆ = Pr onóstico
Desviación estándar, ˆ L = ˆ1 L
s = xˆL + k̂ L Pronóstico de demanda, xˆL = dˆL

Ajuste manual del Sistemas de Logística, de información

punto de reorden s y de administración de la organización

Figura 5.3. Metodología general para determinar el punto de reorden s

[Fuente: Complementada de Silver et al. (1998), p. 256]
 Objetivo principal del sistema de
pronósticos (control periódico)
Especificación del valor Características principales
mínimo de k aceptable del ítem (intervalo de
revisión R, valor v, tasa r,
costo de ordenamiento A)

Regla de decisión para

determinar el factor de Sistema de
seguridad k pronósticos:
Pronóstico de demanda: ˆ 1 = ECM ó
x̂R+ L = d̂  ( R + L) ˆ 1 = 1.25  MAD;
Sistema de control Desviación estándar: d̂ = Pronóstico
(Inventario máximo S)
ˆ R+ L = ˆ 1  R + L
S = x̂ R + L + kˆ R + L

Sistemas de Logística, de información y de

Posible ajuste manual administración de la organización
Planeación de Operaciones y Ventas:
Sales & Operations Planning, S&OP
S&OP es un proceso formal donde varias personas
de la organización asisten a varias reuniones,
discutiéndose datos de las diversas áreas del negocio
y tomando decisiones sobre planeación de demanda
y suministros.
El objetivo es lograr consenso entre varios
departamentos acerca de la mejor forma de alcanzar
un balance óptimo entre suministro y demanda y
cumplir las metas de negocio.
Es común que las reuniones sean mensuales para
planear 6 – 12 meses en el futuro.
 S&OP: Datos considerados
El plan actual de cada grupo de productos
Inventarios a la fecha
Pronósticos de ventas
Órdenes recibidas
Materias primas disponibles
Planes de manufactura y capacidad
Capacidad de distribución
Capacidad de despacho
Indicadores de desempeño
Nivel de servicio al cliente
Aspectos financieros
Existencia de nuevos productos
 S&OP: Integrantes de la reunión
Planeadores de demanda
Personal de mercadeo y ventas
Personal de producción
Personal de Logística
Analistas de pronósticos
Personal de servicio al cliente
Personal de finanzas
Gerente de Supply Chain
 S&OP: Beneficios
Incremento de la precisión del plan
Incremento de los márgenes de los productos
Mejoramiento de la satisfacción del cliente
Reducción de costos por uso eficiente de recursos
Mejoramiento de la flexibilidad organizacional
Reducción de inventarios y costos de obsolescencia
Mejor comunicación entre grupos
Mejor flujo de caja y LT más cortos
Reducción de costos de transporte
Mejor conocimiento del negocio de parte del equipo
Mejoramiento del trabajo en equipo
 The monthly sales and operations
planning process
STEP 5
Exec SOP Decisions
Meeting
STEP 4
Pre-SOP Recommendations
Meeting
For executive S&OP
STEP 3
Supply
Capacity constraints
Planning
2-nd pass spreadsheet
STEP 2
Demand Management forecast
Planning
1-st pass spreadsheets
STEP 1
Data
Statistical forecasts
Gathering
Field sales worksheet

End of month Wallace: 2nd edition Sales & Operations Planning

 S&OP: Detalles del proceso (1)
Etapa 1: Recolección de datos
– Ventas reales, inventarios, producción
– Mercadeo y ventas
– Toda información que se considere pertinente
Etapa 2: Planeación de demanda
– Información recibida de la etapa anterior
– Pronósticos de ventas por producto, familias y total
– Los pronósticos no solamente consideran elementos
estadísticos e históricos sino también:
Clientes actuales y nuevos
Competencia
Economía y precios
Nuevos productos
Promociones
Directivas de la administración
 S&OP: Detalles del proceso (2)
Etapa 3: Planeación de suministro
– Recursos disponibles
– Capacidad de producción
– Interacción con manufactura
– Estrategias de demanda y suministro (make-to-order,
make-to-stock, Fill Rates, Inventario a la mano)

Etapa 4: Pre-Reunión del S&OP

– Decisiones para balancear suministro y demanda
– Solución de diferencias en cuanto sea posible
– Identificación de puntos de desacuerdo
– Desarrollo de escenarios
– Planeación de la reunión de S&OP
 S&OP: Detalles del proceso (3)

Etapa 5: Reunión ejecutiva del S&OP

– Toma de decisiones
– Autorización de cambios en el S&OP
– Definición de elementos financieros
– Solución de conflictos
– Revisión de desempeño, aspectos de los productos,
proyectos especiales, etc.