Sesión 2

Pronóstico de la
demanda
Dirección Táctica de Operaciones

2.
Pronóstico de
la demanda

Docente: Emilio Flores Ballesteros

Dirección Táctica de Operaciones

2a.
Predicciones
de la
empresa

Docente: Emilio Flores Ballesteros

 Administración de la demanda
Área de Márketing Área de Operaciones
Pronostica la Entrega producto
demanda oportunamente
Administración
de la demanda

Políticas que Políticas que

varían demanda adecuan oferta
 Tipos de predicciones en la empresa
Predicciones
económicas
Predicciones de
demanda
Predicción de
recursos

Predicciones
tecnológicas
 Las predicciones económicas
Producto Bruto Niveles o tasas de
Interno empleo
Predicciones
económicas

Ingresos Inflación y
personales devaluación
 Las predicciones tecnológicas
Innovación de Cambios en la
productos demanda
Predicciones
tecnológicas

Innovación de Cambios en la
procesos competencia
 Información para pronosticar la demanda
Predicciones Diagnóstico de la
económicas empresa
Predicción de la
demanda

Predicciones La demanda
tecnológicas histórica
 Predicciones de los recursos
Demanda de Demanda de
instalaciones fuerza laboral
Predicción de
recursos

Demanda de Demanda de
equipos materiales
 Predicciones de demanda a largo plazo
Plan de nuevos Planeación de la
productos capacidad
Predicciones de
demanda a
largo plazo

Plan de nuevos Planeación de las

procesos instalaciones
 Predicciones de demanda a mediano plazo
Planeación Planeación de
agregada personal
Predicciones de
demanda a
mediano plazo

Planeación de Modificaciones del

inventarios proceso
 Predicciones de demanda a corto plazo
Programa maestro Órdenes de
de producción producción
Predicciones de
demanda a
corto plazo

Compra de partes Asignación de

y materiales tareas
Dirección Táctica de Operaciones

2b.
Técnicas
cualitativas de
predicción

Docente: Emilio Flores Ballesteros

Técnicas cualitativas de predicción

Concepto
•Dependen de conjeturas
adquiridas con base a la
intuición y la experiencia
de la empresa y su
ambiente externo.
•Se usan si los datos
históricos de demanda se
contradicen, insuficientes,
costosos e irrelevantes. Y
cuando hay desequilibrio
en la economía o sector.
 Clases de técnicas cualitativas de predicción
Consenso de Estructura de
comité ejecutivo fuerza ventas
Predicciones de
demanda

Método Delphi o Encuesta a los

de expertos clientes
T. Cualitativa 1: Consenso de comité ejecutivo

Concepto
•Fusión de opiniones de
un pequeño grupo de
ejecutivos especialistas
hasta llegar a un
consenso de la demanda
futura de productos.
•Técnica económica y es
la más utilizada en
predicciones de la
demanda a mediano y
largo plazo.
Técnica cualitativa 2: Método Delphi

Concepto
•Grupo de expertos en
diferentes lugares y en el
anonimato comparten la
información y llegan a un
consenso de ventas de
un nuevo producto.
•Cada miembro llena un
cuestionario y devuelve al
coordinador que resume
los resultados y prepara
un nuevo cuestionario.
T. Cualitativa 3: Pronóstico de la fuerza de ventas

Concepto
•La fuerza de ventas está
en contacto directo con
los clientes e informan
sobre sus intenciones en
el corto y mediano plazo.
•Cada vendedor estima las
ventas de su territorio en
la siguiente temporada. El
Jefe de ventas ajusta las
ventas individuales y hace
la predicción de demanda
T. Cualitativa 4: Encuestas a los clientes

Concepto
•Se pronostica la demanda
según los planes de
compra de los clientes
actuales y potenciales, a
través de encuestas.
•Obtenida la información
de encuestas se aplica un
factor de ajuste de
experiencia que considera
la relación histórica entre
el plan y compras reales.
Dirección Táctica de Operaciones

2c.
Técnicas
cuantitativas
de predicción

Docente: Emilio Flores Ballesteros

Técnicas cuantitativas de predicción

Concepto
•Modelos matemáticos y
datos históricos para
predecir la demanda. Se
usa el pasado para el
pronóstico del futuro.
•Muchos gestores ajustan
las predicciones con un
sistema de monitoreo
para asegurar la mejora
de exactitud en lugar de
entorpecer el pronóstico.
Técnicas cuantitativas de predicción

Modelos
•Modelo de línea recta
•Media móvil y línea recta
•Tasa de crecimiento
•Tendencia estacional o de
temporada
•Regresión múltiple
•Media móvil simple
•Media móvil ponderada
•Suavización exponencial
•Suavización exponencial
con una tendencia
 Tipos de modelos cuantitativos
Series de Modelos Modelos de
tiempo causales suavización

Tendencia de los Tendencia de los Tendencia del

efectos del tiempo efectos de las tiempo en las
que influyen en fuerzas que predicciones de
demanda de una influyen en la demanda en el
variable. demanda. corto plazo.
Dirección Táctica de Operaciones

Modelos
cuantitativos:

Series de
tiempo

Docente: Emilio Flores Ballesteros

 Tendencia secular: línea recta o curva suave
y
300
Línea recta Línea curva suave
250
Demanda (unidades)

Tendencia creciente o
decreciente en línea
200 recta o en una línea
curva suave.
150

100

50
x
0
1 2 3 4 5 6 7 8 9 10
Tiempo en años
 Tendencia estacional o de temporada
y
1,400

1,200
Demanda (en miles de litros)

1,000

800

Su duración se repite
600
en intervalos fijos que
pueden durar un año o
400 periodo de días.

200
Demanda de gaseosas
0
E F M A M J J A S O N D E F M A M J J A x
Tiempo en meses
 Tendencias o variaciones cíclicas
y
1,600
Su duración es menor o
1,400 igual a un año y las
variaciones se repiten
Demanda en toneladas

1,200 de un ciclo a otro

1,000

800

600

400

200
Demanda de Cobre
0
1 2 3 4 5 6 7 8 9 10 11 12 x
Tiempo en trimestres
 y Variaciones aleatorias
1,400

1,200
Demanda en toneladas

1,000

800

600
Son inexplicables por
400 una tendencia son
causados por sucesos
200 imprevistos

0 x
1 2 3 4 5 6 7 8 9 10 11 12
Tiempo en trimestres
 Caso: Método de línea recta y’ = a + b x
Tabla de datos históricos
Datos Datos Producto Cuadrado Valor en Varianza
variable variable de datos variable la línea s 2 = No Explicada
Indep. Depend. Indep. Total explicada
x y xy x2 y’ (y - ŷ)2 (y - y’)2 (y’ - ŷ)2

1 81.2 81.2 1 80.9 3.24 0.09

2 83.1 166.2 4 81.9 0.01 1.44
3 80.8 242.4 9 83.0 4.84 4.84
4 83.6 334.4 16 84.1 0.36 0.25
5 86.3 431.5 25 85.1 10.89 1.44
15 415.0 1255.7 55 19.34 8.06 11.24
3.0 83.0 3.88 1.61 2.25
 Gráfico del método en línea recta
y
94
Datos Históricos Pronóstico Límite inferior Límite superior
92

90
y’ = 79.8 + 1.07 x
88

86

84

82
Pronóstico con
80 tendencia creciente en
línea recta a razón de
78 a = 79.8 1.07 veces la demanda
76 del año anterior
x
74
Año 1 Año 2 Año 3 Año 4 Año 5 Año 6 Año 7 Año 8 Año 9 Año 10
 Cálculos de método en línea recta
Modelo: y’ = a + b x y’ = a + b x = 79.79 + 1.07 x

n xy- x y 5 (1,255.7) – 15 (415)

b= = = 1.07
n x2- x x 5 ( 55 ) – (15) (15)

a = Σy / n - b (Σx / n) = 415 / 5 - 1.07 (15 / 5) = 79.79

s 2 = 8.06 / 5 = 1.612 s = (8.06 / 5)0.5 = 1.27

r = (Variación explicada / variación total ) 0.5

r = [ (19.34 - 8.06) / 19.34 ] 0.5 = 0.762 = 76.2 %
El modelo de pronóstico se adecua a la data histórica en un
76.2%, porque este es el porcentaje de variación explicada
respecto a la variación total.
 Composición de la varianza total
Varianza explicada Varianza no explicada
Las desviaciones Las desviaciones
respecto a la media respecto a la media
se explican por la no se explican por la 42%
tendencia que tiene el tendencia que tiene
modelo aplicado el modelo aplicado

8.06
11.24

58%
Varianza no explicada Varianza explicada
 Método de las medias móviles
Se recomienda usarlo cuando la serie es muy irregular y
amortigua la variación aleatoria de los datos. Aplica medias
parciales de tres datos contiguos.
Media móvil - Año 1 = (81.2 + 81.2 + 83.1) / 3 = 81.8
Media móvil - Año 2 = (81.2 + 83.1 + 80.8) / 3 = 81.7
Media móvil - Año 3 = (83.1 + 80.8 + 83.6) / 3 = 82.5
Media móvil - Año 4 = (80.8 + 83.6 + 86.3) / 3 = 83.6
Media móvil - Año 5 = (83.6 + 86.3 + 86.3) / 3 = 85.4
Si el valor original es primero o último se duplica el primer o
último valor respectivamente, para obtener el promedio.
Concepto Año 1 Año 2 Año 3 Año 4 Año 5
Valor Original 81.2 83.1 80.8 83.6 86.3
Media Móvil 81.8 81.7 82.5 83.6 85.4
 Caso: Medias móviles y línea recta y’ = a + b x
Tabla de datos históricos
Datos Datos Datos Producto Cuadrado Valor de Varianza
variable variable medias de datos variable la línea
Indep. Depend. móviles Indep. Total s 2 = No Explicada
explicada
x y y mm xy mm x2 y’ (y - ŷ)2 (y - y’)2

1 81.2 81.8 81.8 1 81.2 3.24 0.00

2 83.1 81.7 163.4 4 82.1 0.01 1.00
3 80.8 82.5 247.5 9 83.0 4.84 4.84
4 83.6 83.6 334.3 16 83.9 0.36 0.10
5 86.3 85.4 427.0 25 84.8 10.89 2.25
15 415.0 415.0 1254 55 19.34 8.19 11.15
3.0 83.0 3.88 1.64 2.24
 Cálculos medias móviles y línea recta

n x y mm - x y mm 5 (1,254) – 15 (415)
b= = = 0.90
n x2- x x 5 ( 55 ) – (15) (15)

a = Σy / n - b (Σx / n) = 415 / 5 – 0.90 (15 / 5) = 80.3

Modelo: y’ = a + b x y = a + b x = 80.3 + 0.90 x

s 2 = 8.19 / 5 = 1.638 s = (8.19 / 5)0.5 = 1.28

r = (Variación explicada / variación total ) 0.5
r = [ (19.34 - 8.19) / 19.34 ] 0.5 = 0.759 = 75.9 %
El modelo de pronóstico se adecua a la data histórica en un
75.9%, por tener este porcentaje de variación explicada respecto
a la variación total.
 Gráfico de medias móviles y línea recta
y
92
Datos Históricos Pronóstico Límite inferior Límite superior
90

88
y’ = 80.3 + 0.90 x
86

84
Pronóstico con
82 tendencia creciente en
línea recta a razón de
a = 80.3 0.90 miles de clientes
80
por cada año.
x
78

76
Año 1 Año 2 Año 3 Año 4 Año 5 Año 6 Año 7 Año 8 Año 9 Año 10
 Caso: Método de tasa de crecimiento
Tabla de datos históricos
Varianza
Datos Datos Cálculo de variable Valor con
variable variable dependiente con el el modelo s 2 = No
Indep. Depend. modelo Total explicada Explicada
x y y n = y1 (1 + i) x-1 y’ (y - ŷ)2 (y - y’)2
1 81.2 y’ = 81.2 (1.0153)1 - 1 81.2 3.24 0.00
2 83.1 y’ = 81.2 (1.0153)2 - 1 82.4 0.01 0.49
3 80.8 y’ = 81.2 (1.0153)3 - 1 83.7 4.84 8.43
4 83.6 y’ = 81.2 (1.0153)4 - 1 85.0 0.36 1.96
5 86.3 y’ = 81.2 (1.0153)5 - 1 86.3 10.89 0.00
15 415 86.3 = 81.2 (1 + i) 4 19.34 10.88 8.46
3.0 83.0 i = 0.0153 3.87 2.18 1.69
y’ = 81.2 (1 + 0.0153) x - 1 r = (8.46 / 19.34) 0.5 = 66.1 %
Docente: Emilio Flores Ballesteros
 Gráfico del método de tasa de crecimiento
y
100
Datos Históricos Pronóstico Límite inferior Límite superior

95
y’ = 81.2 (1.01535) x - 1
90

85

80 Pronóstico con
tendencia creciente
81.2 como una línea curva
75 suave, con una tasa de
1.535% al año.
70 x
Año 1 Año 2 Año 3 Año 4 Año 5 Año 6 Año 7 Año 8 Año 9 Año 10
 Caso: Método de tendencia estacional
Cálculo de la demanda destemporalizada
Concepto Año Trim 1 Trim 2 Trim 3 Trim 4 Promedio
1 1,900 3,500 4,770 2,530 3,175
Demanda 2 2,320 4,250 5,790 3,090 3,862.5
3 2,810 5,160 7,050 3,780 4,700
1 0.598 1.102 1.502 0.797 Demanda
trimestral /
Índice de 2 0.601 1.100 1.499 0.800 demanda
temporada promedio
3 0.598 1.098 1.500 0.804
Prom 0.599 1.100 1.500 0.800
1 3,172 3,182 3,180 3,163 Demanda
Demanda trimestral /
sin 2 3,873 3,864 3,860 3,863 índice
temporada
3 4,691 4,691 4,700 4,725 promedio
 Tabulación de datos históricos
Año Trimestre Demanda real Índice de Demanda sin
(X) temporada temporada (Y)
T1– 1 1,900 0.599 3,172
T2 – 2 3,500 1.100 3,182
1
T3 – 3 4,770 1.500 3,180
T4 – 4 2,530 0.800 3,163
T1 – 5 2,320 0.599 3,873
T2 – 6 4,250 1.100 3,864
2
T3 – 7 5,790 1.500 3,860
T4 – 8 3,090 0.800 3,863
T1 – 9 2,810 0.599 4,691
T2 – 10 5,160 1.100 4,691
3
T3 – 11 7,050 1.500 4,700
T4 – 12 3,780 0.800 4,725
Cálculo de línea de tendencia Y = 2,799 + 171.2 X
 Pronóstico de la demanda temporal
Año Trimestre Demanda sin Índice de Demanda
(X) temporada (Y) temporada temporalizada
T1– 13 5,025 0.599 3,010
T2 – 14 5,196 1.100 5,716
4
T3 – 15 5,367 1.500 8,051
T4 – 16 5,538 0.800 4,430
T1 – 17 5,709 0.599 3,420
T2 – 18 5,881 1.100 6,469
5
T3 – 19 6,052 1.500 9,078
T4 – 20 6,223 0.800 4,978
T1 – 21 6,394 0.599 3,830
T2 – 22 6,565 1.100 7,222
6
T3 – 23 6,737 1.500 10,106
T4 – 24 6,908 0.800 5,526
Demanda temporalizada = Demanda destemporalizada x Índice de temporada
 Gráfico de tendencia estacional
y
10,000
Datos reales Datos ajustados Pronóstico
9,000
Su duración se repite
8,000 en intervalos fijos que
7,000 duran un año en
periodos trimestrales
6,000

5,000
4,000

3,000

2,000
1,000

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 x
Tiempo en trimestres
Docente: Emilio Flores Ballesteros
Dirección Táctica de Operaciones

Modelos
cuantitativos:

Métodos
causales

Docente: Emilio Flores Ballesteros

 Los métodos causales
Variables independientes
Ingresos (I) Población (H) Precios (P)

Demanda (D)
Variable
dependiente

D = 500 + 0.05 I + 0.03 H - 0.02 P

 Método de Regresión Múltiple

Modelo de regresión múltiple con tres variables

y = a + b1 x1 + b2 x2

Σ y = n a + b1 Σ x1 + b2 Σ x2
Σ x1 y = a Σ x1 + b1 Σ (x1)2 + b2 Σ x1 x2
Σ x2 y = a Σ x2 + b1 Σ x1 x2 + b2 Σ (x2)2
• Luego de resolver las tres ecuaciones simultáneas
precedentes, se obtienen los valores de los parámetros
“a” , “b1” y “b2” y se obtiene el modelo.
• La varianza, desviación y coeficiente de correlación se
obtienen aplicando la tabla de varianza explicada y no
explicada. El modelo se acepta cuando la correlación de
variables es alta.
Gráfico de la Regresión múltiple con 3 variables
y = a + b1 x1 + b2 x2
y

0 x1

Cada punto de la
línea recta expresa
los valores de las
tres variables del
x2 modelo

Docente: Emilio Flores Ballesteros

Dirección Táctica de Operaciones

Modelos
cuantitativos:

Métodos de
suavización

Docente: Emilio Flores Ballesteros

 Suavización media móvil simple
Pronóstico de la demanda del siguiente periodo, en base a
la demanda histórica o real promedio de los últimos “n”
periodos anteriores.
D t + 1 = (D t + D t-1 + D t-2 +……..+ D t-n+1) / n
Donde: D t+1 = Pronóstico de demanda para el periodo (t + 1)
D t = Demanda real para el periodo t
n = Número de periodos a promediar
Debido a que las demandas reales están combinadas en
promedio, las alzas y bajas por periodo se compensan entre
si y se amortigua el efecto de su variación aleatoria.
Este método se utiliza para proyectar la demanda mensual
y se promedia la demanda de los últimos dos a seis meses.
 Suavización: Media móvil simple
Año Mes Demanda Pronóstico con media móvil
real simple dos meses
Julio 1900
Agosto 1920
Setiembre 1940
Año 4
Octubre 1040
Noviembre 1030
Diciembre 1020
Enero 940 (1030 + 1020) / 2 = 1025
Febrero 920 (1020 + 940) / 2 = 980
Marzo 950 (940 + 920) / 2 = 930
Año 5
Abril 1720 (920 + 950) / 2 = 935
Mayo 1730 (950 + 1720) / 2 = 1335
Junio 1710 (1720 + 1730) / 2 = 1725
 Suavización: Media móvil simple
Año Mes Demanda Media móvil Media móvil
real dos meses cinco meses
Julio 1900
Agosto 1920
Setiembre 1940
Año 4
Octubre 1040
Noviembre 1030
Diciembre 1020
Enero 940 1025 1390
Febrero 920 980 1194
Marzo 950 930 990
Año 5
Abril 1720 935 972
Mayo 1730 1335 1110
Junio 1710 1725 1252
 Suavización media móvil ponderada
Pronóstico de la demanda del siguiente periodo, en base a
la demanda real promedio ponderado de los últimos “n”
periodos anteriores, asignando un peso (w) a cada periodo.
D t + 1 = (w t D t + w t-1 D t-1 + …..+ w t-n+1 D t-n+1) / n
Donde: D t+1 = Pronóstico de demanda para el periodo (t + 1)
D t = Demanda real para el periodo t
w t = Peso asignado para el periodo t
n = Número de periodos a promediar
La sumatoria de los pesos (w) asignados a cada periodo es
igual a 1. En la mayoría de los casos la demanda de los
periodos más recientes tienen un mayor peso respecto a la
demanda de los periodos más antiguos. Se promedia la
demanda de los últimos dos a seis meses.
 Suavización: Media móvil ponderada
Año Mes Demanda Pronostico con la media móvil
real ponderada dos meses
Julio 1900
Agosto 1920
Setiembre 1940
Año 4
Octubre 1040
Noviembre 1030
Diciembre 1020
Enero 940 1030 (0.20) + 1020 (0.80) = 1022
Febrero 920 1020 (0.20) + 940 (0.80) = 956
Marzo 950 940 (0.20)+ 920 (0.80) = 924
Año 5
Abril 1720 920 (0.20) + 950 (0.80) = 944
Mayo 1730 950 (0.20) + 1720 (0.80) = 1566
Junio 1710 1720 (0.20) + 1730 (0.80) = 1728
 Suavización exponencial
Pronóstico de la demanda del siguiente periodo, en base a
la demanda proyectada del periodo anterior más una tasa
de error de predicción (α) del periodo precedente.
D t + 1 = D t + α (D real t - D t )
Donde: D t+1 = Pronóstico de demanda para el periodo (t + 1)
D t = Demanda proyectada del periodo t
D real = Demanda real o ejecutada del periodo t
α = Tasa de error de predicción, valor entre 0 y 1.
En la técnica de suavización exponencial, mientras mayor
sea el valor (α), el modelo será más sensible a las
variaciones de temporada en los datos. De otro lado, si se
disminuye el valor de (α), aumenta el efecto de la
suavización del pronóstico mensual.
 Suavización exponencial
Año Mes Demanda Pronóstico de la demanda mensual con
real (α)= 0.20
4 Dic 780 1080
Ene 940 1080 + (0.20) (780 - 1080) = 1020
Feb 920 1020 + (0.20) (940 - 1020) = 1004
Mar 950 1004 + (0.20) (920 - 1004) = 987
Abr 1720 987 + (0.20) (950 - 987) = 980
May 1730 980 + (0.20) (1720 - 980) = 1128
Jun 1710 1128 + (0.20) (1730 - 1128) = 1248
5
Jul 2340 1248 + (0.20) (1710 - 1248) = 1341
Ago 2360 1341 + (0.20) (2340 - 1341) = 1541
Set 2350 1541 + (0.20) (2360 - 1541) = 1704
Oct 1240 1704 + (0.20) (2350 - 1704) = 1834
Nov 1260 1834 + (0.20) (1240 - 1834) = 1715
Dic 1280 1715 + (0.20) (1260 - 1715) = 1624