1

Gestión de
operaciones

Gestión de la
demanda
Profesor: Pedro Peña Carter
Ingeniero Comercial UTFSM
MBA IEDE España
MFC Universitat de Barcelona

Departamento de Ingeniería Comercial Universidad Técnica Federico Santa Maria

 Pronósticos de Demanda 2

Hacer pronósticos de la demanda es una de las

tareas más importantes en el mercadeo de un
producto o servicio.
El pronóstico debe realizarse durante el proceso de
planeación y con él se determina las metas y
objetivos de una empresa en lo relacionado con
ingreso, costos y utilidades estimadas.
 Pronósticos de Demanda 3

Pronosticar. Es emitir un enunciado sobre lo que es

probable que ocurra en el futuro, basándose en
análisis y en consideraciones de juicio.

Propósito. Hacer un pronóstico es obtener

conocimiento sobre eventos inciertos que son
importantes en la toma de decisiones presentes.
 Pronósticos de Demanda 4

Ciencia. Métodos con bases estadísticas.

Arte. Juicio e intuición sobre el marco
metodológico que se va a emplear. Implica,
conocer el ambiente, la selección de la mejor
técnica, el número de datos históricos que debe
incluirse, etc.
Las técnicas de pronósticos disminuyen la
incertidumbre sobre el futuro, permitiendo estructurar
planes y acciones congruentes con los objetivos de la
organización y permiten también tomar acciones
correctivas apropiadas y a tiempo cuando ocurren
situaciones fuera de lo pronosticado.
 Pronósticos de Demanda 5

Tipos de Pronósticos

Corto Plazo
Por su Plazo
Largo Plazo

Según el Entorno a Micro

Pronosticar Macro

Cuantitativo
Según el Procedimiento
Emplado
Cualitativo
 Pronósticos de Demanda 6

Características de Pronósticos
Primera. Todas las situaciones en que se requiere un pronóstico,
tratan con el futuro y el tiempo está directamente involucrado. Así,
debe pronosticarse para un punto específico en el tiempo y el

cambio de ese punto generalmente altera el pronóstico.

Segunda. Otro elemento siempre presente en situaciones de

pronósticos es la incertidumbre. Si el administrador tuviera certeza
sobre las circunstancias que existirán en un tiempo dado, la
preparación de un pronóstico seria trivial.

Tercera. El tercer elemento, presente en grado variable en todas

las situaciones descritas es la confianza de la persona que hace el
pronóstico sobre la información contenida en datos históricos.
 Pronósticos de Demanda 7

Factores a Considerar

El contexto del pronóstico

La relevancia y disponibilidad de datos históricos

El grado de exactitud deseado

El periodo de tiempo que se va a pronosticar

El análisis de costo-beneficio del pronóstico

El punto del ciclo de vida en que se encuentra el

producto.
 Pronósticos de Demanda 8

Métodos de Pronósticos

Cualitativos: Es subjetivo, sentenciosos, se basa en

estimaciones y opiniones.
Método de Delphi: Un grupo de expertos responde un
cuestionario. Un moderador compila los resultados y
formula un nuevo cuestionario que presenta la grupo. De
esta manera se segura que exista un aprendizaje en el
grupo, en este caso no hay influencia de grupo, ni
individuo dominante.
 Pronósticos de Demanda 9

Métodos de Pronósticos

Cualitativos: Es subjetivo, sentenciosos, se basa en

estimaciones y opiniones.
Investigación de Mercados: Recopila datos de varias
maneras (Encuestas, entrevistas, etc.) para probar hipótesis
formuladas con respecto al mercado. Por lo general se usa
para pronosticar ventas largo plazo y de nuevos
productos.

Consenso Grupal: Intercambio abierto de reuniones. La

idea es que la discusión en grupo producirá mejores
pronósticos que si lo hace un solo individuo.
 Pronósticos de Demanda 10

Métodos de Pronósticos

Cualitativos: Es subjetivo, sentenciosos, se basa en

estimaciones y opiniones.
Analogía Histórica: Relaciona lo que se pronostica con un
articulo similar. Es importante para la planificación de
nuevos productos en función de un producto similar.

Niveles Inferiores: Obtiene un pronostico compilando datos

que proporcionan las personas de más baja jerarquía,
quienes tienen contacto con lo que se pronostica.
 Pronósticos de Demanda 11

Métodos de Pronósticos

Cuantitativos:
Análisis de Series de Tiempo Se basa en la idea que se puede
usar la historia de sucesos durante un periodo para hacer
pronósticos.
Promedio Móvil Simple (PMS).

Promedio Móvil Ponderado (PMP).

Suavizamiento Exponencial.

Análisis de Regresiones.

Técnica Box Jenkins.

Series de Tiempo Shiskin.

 Pronósticos de Demanda 12

Métodos de Pronósticos

Cuantitativos:
Causales: Trata de comprender el sistema que forma la base y
entorno del articulo que se pronostica. Por ejemplo: La ventas
pueden ser afectadas por publicidad, calidad y competencia.
Análisis de regresiones

Modelos Econométricos

Modelos de Entrada y Salida.

Indicadores Guías.
 Pronósticos de Demanda 13

Componentes de la Demanda

En la mayoría de los casos se puede dividir la

demanda de productos y servicios en seis
Componentes:
Demanda Promedio para el periodo.

Tendencia.

Influencia estacional.

Elementos cíclicos.

Variación Aleatoria.

Auto correlación.
 Pronósticos de Demanda 14

Componentes de la Demanda
Estacionalidad
Nº de Unid.
Tendencia
Solicitadas

Promedio

1 2 3 4
Año
 Pronósticos de Demanda 15

Componentes de la Demanda

En la gráfica anterior son perceptibles, el promedio, la

tendencia, la estacionalidad como la variación
aleatoria. Sin embargo, otros aspectos no son triviales:
Factores Cíclicos: Porque se puede desconocer el
lapso de tiempo de los datos o no se ha considerado la
causa del ciclo. Esta componente es el resultado de
elecciones políticas, guerras, condiciones económicas,
etc.
 Pronósticos de Demanda 16

Componentes de la Demanda

En la gráfica anterior son perceptibles, el promedio, la

tendencia, la estacionalidad como la variación
aleatoria. Sin embargo, otros aspectos no son triviales:
Variaciones aleatorias: Estas se deben a hechos
fortuitos, es esa porción inexplicable de la demanda,
cuando algo no se pude identificar se asume aleatorio.

Auto correlación: Representa la persistencia de un

fenómeno. El valor esperado para cualquier punto
tiene una alta correlación con sus valores anteriores.
 Pronósticos de Demanda 17

Componentes de la Demanda: Tendencia

Lineal: Relación
directa continua.

Curva S: Típica del

ciclo de
crecimiento y
madurez de un
producto
 Pronósticos de Demanda 18

Componentes de la Demanda: Tendencia

Asintótica: Mayor crecimiento
de la dda al comienzo para
luego nivelarse. Es típico de
Empresas que ingresan al
mercado con la intención de
saturar y capturar gran porción
de el.

Exponencial: Común en
productos de crecimiento
explosivo.
 Pronósticos de Demanda 19

Series de Tiempo

Horizonte Precisión Requisitos

Técnica Complejidad
de Tiempo del Modelo de Datos
Cualitativas Largo Alta Variable Alto
Series de Tiempo - - - -
Promedios Moviles Corto Muy Baja Media Bajo
Suavizamiento Expondencial Corto Baja Adecuada Muy Bajo
Box - Jenkins Corto Muy Alta Alta Alto
Regresión Lineal Largo Media Lata Media Alta Alto
Causal - - - -
Análisis de Regresiones Largo Alta Alto
 Pronósticos de Demanda 20

Series de Tiempo: Promedio Móvil Simple (PMS)

Cuando la demanda de un producto no crece, ni se
reduce rápidamente y no tiene características
estaciónales, un PMS puede ayudar a eliminar las
fluctuaciones aleatorias de un pronostico.
Para este método existen diversos efectos conflictivos
para longitudes de periodos distintos:
Si es mayor el periodo para el PMS, se suavizan los
elementos aleatorios, pero se pierde la tendencia.
Si es menor el periodo, aunque causan más
oscilaciones siguen la tendencia más de cerca.
 Pronósticos de Demanda 21

Series de Tiempo: Promedio Móvil Simple (PMS)

XT = (XT-3 + XT-2 + XT-1) / 3 PMS Tres periodos de Tiempo

Tres Nueve Tres Nueve
Semana Demanda Semana Demanda
Semanas Semanas Semanas Semanas
1 800 16 1.700 2.200 1.811
2 1.400 17 1.800 2.000 1.800
3 1.000 18 2.200 1.833 1.811
4 1.500 1.067 19 1.900 1.900 1.911
5 1.500 1.300 20 2.400 1.967 1.933
6 1.300 1.333 21 2.400 2.167 2.011
7 1.800 1.433 22 2.600 2.233 2.111
8 1.700 1.533 23 2.000 2.467 2.144
9 1.300 1.600 24 2.500 2.333 2.111
10 1.700 1.600 1.367 25 2.600 2.367 2.167
11 1.700 1.567 1.467 26 2.200 2.367 2.267
12 1.500 1.567 1.500 27 2.200 2.433 2.311
13 2.300 1.633 1.556 28 2.500 2.333 2.311
14 2.300 1.833 1.644 29 2.400 2.300 2.378
15 2.000 2.033 1.733 30 2.100 2.367 2.378
 Pronósticos de Demanda 22

Series de Tiempo: Promedio Móvil Simple (PMS)

PMS

3.000
Ventas (Unidades)

2.500

2.000 Real
1.500 3 Semanas
1.000 9 Semanas
500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Semanas
 Pronósticos de Demanda 23

Series de Tiempo: Promedio Móvil Ponderado (PMP)

Este Método no da igual peso a cada dato como el
PMS, este método PMP, permite signarle cualquier
peso a un elemento o dato. Cabe destacar que la
suma de los pesos asociados a los datos que poseo
debe sumar 1.
Supongamos una empresa sabe que la mejor forma de
encontrar un pronóstico en base a 4 meses es ponderando
de la siguiente manera:
Mes más reciente : 40%
Dos Meses atrás : 30%
Tres Meses atrás : 20%
Cuatro meses atrás :10 %
 Pronósticos de Demanda 24

Series de Tiempo: Promedio Móvil Ponderado (PMP)

Mes 1 Mes 2 Mes 3 Mes 4 Mes 5
Demanda 100 90 105 95 ?

El pronóstico del Mes 5 sería:

F5 = 40% x (95) + 30% x (105) + 20% x (90) + 10% x (100) =
F5 = 38 + 31.5 + 18 + 10 =
F5 = 97.5
Suponga Ahora que las ventas para el mes 6 fueron en realidad 110,
entonces el pronostico para el mes 6 sería:
F6 = 40% x (110) + 30% x (95) + 20% x (105) + 10% x (90) =
F6 = 44 + 28.5 + 21 + 9 =
F6 = 102.5
 Pronósticos de Demanda 25

Series de Tiempo: Suavizamiento Exponencial (SE)

Cada vez que se agrega un dato se elimina el más

antiguo y se calcula un nuevo pronóstico.
Es importante distinguir que este método es viable, si y
sólo si, en la medida que transcurre el tiempo los datos
más antiguos no inciden en el modelamiento de datos.

Observación Ponderación para α = 0,05

Ponderación más Reciente = ( 1 - α)^0 0.05
Datos de un periodo antes = ( 1 - α)^1 0.0475
Datos de dos periodos antes = ( 1 - α)^2 0.0451
Datos de tres periodos antes = ( 1 - α)^3 0.0429
 Pronósticos de Demanda 26

Series de Tiempo: Suavizamiento Exponencial (SE)

En este método se necesitan sólo tres datos:
El pronóstico más reciente.
La demanda real para ese periodo.
Una constante de suavizamiento.
Este α, es arbitrario y en la medida que la demanda sea estable,
tendería a ser pequeña la tasa de reacción ante la diferencia
entre la demanda real y la pronosticada. En caso contrario en
productos en etapa de crecimiento, sería más atractivo dar un
tasa más alta para dar mayor importancia a los datos recientes.
Hay un valor estándar para α.

2
= n = Número de Periodos
(n + 1)
 Pronósticos de Demanda 27

Series de Tiempo: Suavizamiento Exponencial (SE)

Ft = Ft −1 +  ( At −1 − Ft −1 )
Ft= El pronóstico suavizado exponencialmente
para el periodo t.
Ft-1= El pronóstico suavizado exponencialmente
para el periodo anterior t-1.
At-1= Demanda real para el periodo anterior.
α = La tasa de respuesta deseada.
 Pronósticos de Demanda 28

Series de Tiempo: Suavizamiento Exponencial (SE)

Esta ecuación establece que el nuevo pronostico

es igual al anterior más una porción del error.
Supongamos que queremos establecer un pronostico
para un producto cuya demanda es estable en el
tiempo, usando un α = 0,05.
Datos:
Ft-1 = 1.050 At-1 = 1.000

Ft = 1.050 + 0,05 (1.000 – 1050) = 1.047,5

 Pronósticos de Demanda 29

Series de Tiempo: Suavizamiento Exponencial (SE)

Una desventaja del suavizamiento exponencial es que retrasa los
cambios en la demanda. El pronóstico se rezaga durante un
aumento o reducción.

DDA REAL
α = 0.5
α = 0.3

α = 0.1
 Pronósticos de Demanda 30

Series de Tiempo: Suavizamiento Exponencial (SE)

Esta ecuación establece que el nuevo pronostico

es igual al anterior más una porción del error.
Supongamos que queremos establecer un pronostico
para un producto cuya demanda es estable en el
tiempo, usando un α = 0,05.
Datos:
Ft-1 = 1.050 At-1 = 1.000

Ft = 1.050 + 0,05 (1.000 – 1050) = 1.047,5

 Pronósticos de Demanda 31

Series de Tiempo: Error de Pronósticos

Nos referimos a la diferencia entre el valor real y el

pronosticado.
La demanda de un producto se genera por la
interacción de varios factores, demasiado
complejos para describir con precisión el modelo.
Es por esto que esta presente el error
 Pronósticos de Demanda 32

Series de Tiempo: Error de Pronósticos

Error sistemático: Es aquel que se comete

sistemáticamente. Alguna se sus causas son: Excluir
las variables correctas, utilizar relaciones
equivocadas entre las variables, emplear la línea de
tendencia incorrecta, desplazar por accidente la
demanda estacional del lugar donde normalmente
ocurre.
Error Aleatorio: Son aquellos que no se pueden
explicar con el modelo de pronostico que se usa.
 Pronósticos de Demanda 33

Series de Tiempo: Error de Pronósticos - MEDICION

Algunos de los términos más comunes para describir

el error son error estándar, varianza (error cuadrático
medio), DMA.
DMA: Es el error promedio de los pronósticos, sin
considerar el signo de diferencia. Equivale a la suma
de las desviaciones absolutas divididas entre el
numero de datos.

n At − Ft
DMA = 
t =1 n
 Pronósticos de Demanda 34

Series de Tiempo: Regresión Lineal

Se define como una relación funcional entre dos o

más variables correlacionadas y se usa para
pronosticar una variable con base a otra.
Pendiente
Intersección en
el eje Y

Y = AX + B
Variable Explicada
Variable Explicativa (Unidades de Tiempo)
 Pronósticos de Demanda 35

Series de Tiempo: Regresión Lineal

La regresión lineal es útil para pronósticos a largo plazo de
sucesos importantes y para la planificación agregada.
La regresión lineal se usa tanto para series de tiempo como para
pronósticos de relaciones causales.

Trimestre Ventas
1 600 Demanda
2 1.550
6,000
3 1.500
5,000
4 1.500 4,000
Ventas

5 2.400 3,000
6 3.100 2,000
1,000
7 2.600
0
8 2.900 1 2 3 4 5 6 7 8 9 10 11 12
9 3.800 Trimestre
10 4.500
11 4.000
12 4.900
 Pronósticos de Demanda 36

Series de Tiempo: Regresión Lineal

Y = AX + B
Datos Reales
Error
Pronostico
Y2R
Error
Y2P

X1 X2 X3

MIN Σ IDato Reali – PronosticoiI = MIN IYiR - YiPI

 Pronósticos de Demanda 37

Series de Tiempo: Regresión Lineal

Y = A + BX

B=
 XY − nXY A = Y − BX
 X − nX 2 2

S YX
DMA =
1,25

S YX =
 − A Y − B XY
Y 2
n Yt R − Yt P
n−2 DMA = 
t =1 n
 Pronósticos de Demanda 38

Series de Tiempo: Regresión Lineal

X Yr XY XX YY Ypron (Yr-Ypron)
1 600 600 1 360.000 801,3 201,3 Y = 359,62X + 441,67
2 1.550 3.100 4 2.402.500 1.160,9 389,1
3 1.500 4.500 9 2.250.000 1.520,5 20,5
4 1.500 6.000 16 2.250.000 1.880,1 380,1 n Yt R − Yt P
5 2.400 12.000 25 5.760.000 2.239,7 160,3 DMA = 
DMA (1) 291,10 t =1 n
6 3.100 18.600 36 9.610.000 2.599,4 500,6
7 2.600 18.200 49 6.760.000 2.959,0 359,0 DMA (2) 296,15
S YX
8 2.900 23.200 64 8.410.000 3.318,6 418,6 DMA =
9 3.800 34.200 81 14.440.000 3.678,2 121,8
1,25
10 4.500 45.000 100 20.250.000 4.037,8 462,2
11 4.000 44.000 121 16.000.000 4.397,4 397,4
12 4.900 58.800 144 24.010.000 4.757,1 142,9
Sumas 33.350 268.200 650 112.502.500 33.350 3.554

Periodo Pronostico DE(1) / DATO REAL DE(2) / DATO REAL En este caso tenemos que la
Y13 5.116,67 5,69% 5,79%
Y14 5.476,28 5,32% 5,41% desviación estándar no se aleja
Y15 5.835,90 4,99% 5,07% más de un 6% respecto del
Y16 6.195,51 4,70% 4,78%
Pronóstico estimado.
 Pronósticos de Demanda 39

Series de Tiempo: Regresión Lineal (EXCEL)

Estadísticas de la regresión
Coeficiente de correlación múltiple 96,60%
Coeficiente de determinación R^2 93,32%
Mayor que 80%
R^2 ajustado 92,65%
es buen indicador.
Error típico 363,88
Observaciones 12

Regresión Coeficientes Error típico

Intercepción 441,67 223,95
Variable X 1 359,62 30,43
 Pronósticos de Demanda 40

Series de Tiempo: Regresión Lineal (EXCEL)

X Yr XY XX YY Ypron IY-YESTI
1 320 320 1 102.400 238,5 81,5
Y = 6.10X + 232.42
2 250 500 4 62.500 244,6 5,4
3 200 600 9 40.000 250,7 50,7 n Yt R − Yt P
4 180 720 16 32.400 256,8 76,8 DMA = 
DMA (1) 35,46 t =1 n
5 235 1.175 25 55.225 262,9 27,9
6 290 1.740 36 84.100 269,0 21,0 DMA (2) 31,04
S YX
7 320 2.240 49 102.400 275,1 44,9 DMA =
8 290 2.320 64 84.100 281,2 8,8
1,25
9 260 2.340 81 67.600 287,3 27,3
10 290 2.900 100 84.100 293,4 3,4
11 320 3.520 121 102.400 299,5 20,5
12 310 3.720 144 96.100 305,6 4,4
Sumas 3.265 22.095 650 913.325 3.265 373

Periodo Pronostico DE(1) / DATO REAL DE(2) / DATO REAL

En este caso tenemos que la
Y13 311,74 11,38% 9,96% desviación estándar se aleja
Y14 317,84 11,16% 9,77%
Y15 323,95 10,95% 9,58% más de un 9% respecto del
Y16 330,05 10,74% 9,41%
Pronóstico estimado.
 Pronósticos de Demanda 41

Series de Tiempo: Regresión Lineal (EXCEL)

Estadísticas de la regresión
Coeficiente de correlación múltiple 46,17%
Coeficiente de determinación R^2 21,32%
Menor que 80%
R^2 ajustado 13,45%
es Pésimo indicador.
Error típico 44,33
Observaciones 12

Regresión Coeficientes Error típico

Intercepción 232,42 27,28
Variable X 1 6,10 3,71