2.

1 IMPORTANCIA ESTRATEGICA DEL PRONÓSTICO

Los pronósticos son muy usados y de mucha importancia para cualquier empresa
manufacturera o de servicios

Los pronósticos son muy útiles dado que ayudan a la empresa a desarrollar sus
planes a mediano y a largo plazo. Chase, Jacobs y Aquilano (2005) mencionan
que las áreas de finanzas y contabilidad utilizan los pronósticos para poder realizar
la planeación de presupuestos y el control de los costos, mientras que el
departamento de mercadotecnia requiere los pronósticos de ventas ya sea para
establecer sus planes de productos nuevos, para remunerar al personal de ventas,
para tomar decisiones fundamentales y para establecer sus metas de ventas en
un período específico.

Por otro lado, el área de producción y operaciones utiliza los pronósticos para
tomar decisiones de manera habitual respecto a: selección de procesos,
planeación de la capacidad de la empresa, la distribución física de las
instalaciones, los planes y programas de producción y para la planeación de
inventarios. Aunque la empresa siempre busca la mayor exactitud en la
información para tomar las decisiones con el menor riesgo posible, esto no es
viable con los pronósticos.

Siempre existen factores que no son controlables por lo que las decisiones se
toman bajo un cierto grado de incertidumbre. Igual sucede con los pronósticos, al
no poder determinar un pronóstico exacto, se buscaría aplicar varios métodos a la
vez (dos o tres), e ir comparando los resultados predichos con la información real
para ir ajustando el modelo utilizado.

De esta manera, la empresa logrará encontrar el método más conveniente para

poder basar sus decisiones en los datos pronosticados. Chase, Jacobs y Aquilano
(2005) menciona que “los buenos pronósticos dependen de la revisión y
actualización permanentes a la luz de los nuevos datos”.

Este capítulo trata precisamente de los métodos cualitativos y cuantitativos para

realizar pronósticos, así como la manera de monitorearlos.
 2.2 CARACTERÍSTICAS QUE DEFINEN LA DEMANDA

Según Noori y Radford (1997) la administración de la demanda implica reconocer

fuentes de demanda para los bienes y servicios de una empresa, predecir la
demanda y determinar la manera como la empresa satisfará esa demanda. Chase,
Jacobs y Aquilano (2005) menciona que el propósito de la administración de la
demanda consiste en coordinar y controlar todas sus fuentes, de modo que
permitan el aprovechamiento eficiente del sistema de producción y la entrega
puntual de los productos.

Existen dos tipos de demanda: la demanda dependiente y la demanda

independiente:
 La demanda dependiente es la demanda de un producto o servicio que de
pende de la demanda de otros productos o servicios. Por ejemplo, si una
empresa fabrica mil automóviles, entonces necesitará cinco mil llantas
(cuatro que lleva el vehículo y una de refacción). Este tipo de demanda no
requiere de pronóstico alguno, sino simplemente de una tabla de
relaciones. Si consideramos la cantidad de automóviles que la empresa
venderá, se tratará de una demanda independiente, dado que ésta ya no se
deriva de ningún producto en particular.

Respecto a la demanda dependiente, la empresa sólo buscará satisfacerla.

Mientras que con la demanda independiente, la empresa puede (Chase, Jacobs y
Aquilano, 2005).
 
Adoptar un papel activo para influir en la demanda.
La empresa puede ejercer presión en su equipo de vendedores, ofrecer incentivos
a los clientes y a su propio personal, emprender campañas para vender productos
y bajar los precios. Estas medidas incrementarían la demanda. En cambio, podría
disminuir la demanda si sube los precios o reduce las actividades de ventas.
 
Adoptar un papel pasivo y limitarse a responder de acuerdo con la demanda.
 La empresa puede decidir no cambiar la demanda sino esperar a ver qué ocurre
con ella. Esto depende de varios factores:
a) si una empresa está trabajando a toda su capacidad, quizá no quiera hacer
nada respecto de la demanda.
b) tal vez la empresa no pueda cambiar la demanda debido al costo de la
publicidad, que el mercado sea estático y de tamaño fijo, o
c) quizá no pueda ejercer ningún control sobre la demanda. Existen otros
motivos, como los que tienen que ver con la competencia, las leyes, el
entorno, la ética y la moral, por los que se acepta de manera pasiva la
demanda de mercado.

Para administrar la demanda dependiente, la independiente, la activa y la pasiva

es necesaria una gran coordinación.
Estas demandas tienen diferentes orígenes tanto internos como externos: surgen
de mercadotecnia por las ventas de productos nuevos, de servicios prestados a
productos vendidos previamente debido a la reparación de algunas partes, delos
almacenes de las fábricas para resurtir mercancía y de producción para
suministrar artículos. Podemos clasificar los pronósticos en cuatro tipos básicos:
cualitativos, de análisis de series de tiempo, de relaciones causales y
simulaciones.

Las técnicas cualitativas son subjetivas o simples juicios y se basan en pocos

cálculos y opiniones. Las técnicas cuantitativas, por otro lado, requieren de una
gran cantidad de cálculos y se basan principalmente en la idea de que se puede
utilizar información del pasado para predecir el futuro. Así se pueden obtener
tendencias, estacionalidad o ciclos en la demanda pronosticada. Mientras que los
pronósticos basados en relaciones causales se explicarán utilizando la regresión
lineal, la cual supone que la demanda de un producto está relacionada con varios
factores de su entorno.

Además, los modelos de simulación permiten probar una serie de escenarios para
analizar diferentes alternativas en base acondiciones supuestas diferentes. Chase,
Jacobs y Aquilano (2005) mencionan que en casi todos los tipos de modelos de
pronósticos, se puede separar la demanda de productos o servicios en seis
componentes: la demanda promedio de un período, la tendencia, la
estacionalidad, los factores cíclicos, la variación aleatoria y la correlación propia.

La demanda promedio se refiere a la cantidad de productos o servicios que se

necesitan en un período determinado.

La tendencia se relaciona directamente con el comportamiento delos datos

históricos, se puede tener una tendencia positiva, negativa o nulaLa estacionalidad
es una característica de comportamiento que puede presentar la demanda, en
algunos productos o servicios se presenta esta situación, por ejemplo: helados en
verano, ropa gruesa en invierno, ropa ligera en verano, bebidas calientes en
invierno, antigripales en primavera, etcétera.
 2.3 MÉTODOS CUALITATIVOS

Consulta a la fuerza de ventas

Noori y Radford (1997) mencionan que en muchas empresas la fuerza de ventas
puede estar en contacto directo con los clientes, lo cual constituye una muy buena
fuente de información primaria (primera mano) que considera las intenciones de
compra de los 27 clientes a corto y a mediano plazos. Esta información puede
ayudar a la empresa para realizar un pronóstico rápido y a bajo costo.

Jurado de opinión ejecutiva

De acuerdo a Noori y Radford (1997), en el consenso del comité ejecutivo o jurado
de opinión ejecutiva las predicciones pueden desarrollarse interrogando a un
pequeño grupo de ejecutivos para analizar sus opiniones en cuanto a los valores
futuros de los aspectos por predecir. Esta técnica permite la fusión de las
opiniones de una sección de expertos interfuncionales, pero los factores sociales o
la presencia de un miembro poderoso pueden impedir que el grupo llegue a un
verdadero consenso. Esta técnica es relativamente económica y es la más
utilizada en las predicciones a mediano y a largo plazo.

Método Delphi
Para evitar que un miembro poderoso pueda influir en la determinación de los
pronósticos se puede utilizar el Método Delphi. Este método garantiza que los
participantes en el estudio lo hagan de manera anónima, así se evita la coacción
de un miembro poderoso en la decisión final. Para este método cada participante
tiene la misma importancia. En este método se elige un moderador o coordinador,
el cual prepara un cuestionario y lo distribuye entre los participantes en el estudio.
Posteriormente, recibe los cuestionarios contestados, procesa las respuestas y,
los resultados del primer cuestionario los regresa a los participantes junto con un
nuevo cuestionario.

Investigación de mercado
Las empresas con frecuencia contratan a compañías especializadas en la
investigación de mercados para que le realicen los pronósticos de sus productos.
Estas compañías buscan al mercado objetivo para aplicar encuestas, entrevistas
telefónicas, para degustar productos en tiendas de autoservicios, para analizar el
comportamiento de la gente ante el cambio de presentación de un producto
determinado o para investigar acerca de la aceptación de un producto nuevo.Con
la información obtenida se puede hacer pronósticos de las ventas futuras, de la
demanda futura de un producto e inclusive, de la aceptación de un producto
nuevo.
Analogía de ciclos de vida
Este tipo de predicción está basada en la fase de introducción, crecimiento y
saturación de productos similares, aprovecha el crecimiento de las ventas de
curva en de S. Es un pronóstico de ventas a largo plazo para planeación de
capacidad e instalaciones, su costo es relativo y a corto plazo no es de utilidad.
 2.4 METODOS CUANTITATIVOS

Series de tiempo
Los modelos con series de tiempo buscan pronosticar el futuro con datos del
pasado. Por ejemplo, las ventas de las últimas cinco semanas pueden utilizarse
para pronosticar las ventas de la semana 6, las ventas trimestrales de los últimos
años pueden utilizarse para pronosticar las ventas de trimestres futuros, la
demanda de un producto determinado de los últimos meses se pueden utilizar
para pronosticar las ventas futuras de los próximos diez meses, etcétera.

El modelo de pronóstico que escoja la empresa dependerá de:

1. El o los períodos a pronosticar.
2. La disponibilidad de datos.
3. La exactitud requerida.
4. El monto del presupuesto para pronosticar.
5. La disponibilidad de personal calificado.

Al escoger el modelo de pronóstico, hay que tomar en cuenta otras cuestiones,

como el grado de flexibilidad de la empresa. Otro elemento son las consecuencias
de un mal pronóstico. Cuando basamos la decisión de una inversión cuantiosa de
capital en un pronóstico, éste debe ser bueno.

Enfoque simple
Muchos modelos emplean datos históricos para calcular un promedio de la
demanda pasada, para ser utilizado como pronóstico. Una manera de calcular un
promedio simple se puede calcular tomando un conjunto de datos históricos
dividido entre el número de períodos. Se calcula como sigue:

Promedios móviles
El promedio simple asigna el mismo valor a cada dato, esto a veces es
inconveniente para algunas empresas; tal vez se quiera resaltar la importancia de
los datos más recientes sobre los más antiguos, en ese caso se puede utilizar el
promedio móvil ponderado. Esta técnica permite asignar una importancia
cualquiera a cada elemento siempre y cuando, por supuesto, todos los valores
sumen 1. Por ejemplo, una tienda de departamentos puede considerar que, para
un periodo de cuatro meses, podrá hacer el mejor pronóstico tomando 40 por
ciento de las ventas reales del mes pasado, 30 por ciento de las del mes
antepasado, 20 por ciento del mes anterior y 10 por ciento del mes anterior a este
último. Si las ventas reales fueron:

Suavización exponencial
El principal inconveniente de los métodos de pronóstico basados en promedio
simple y promedio móvil ponderado es que se necesita contar siempre con una
cantidad importante de datos históricos. En estos métodos, cuando se suma un
nuevo conjunto de datos, se elimina la observación más antigua y se calcula el
pronóstico nuevo. En muchas aplicaciones, los casos más recientes indican mejor
el futuro que los de un pasado más distante. Suponiendo que esta premisa es
válida (que la importancia de los datos disminuye a medida que se van alejando
en el pasado), entonces el método de suavización exponencial sería el método
más lógico y fácil de usar.

Tendencia lineal (Mínimos cuadrados)

Este método sirve para extrapolar la demanda histórica pasada. Se utiliza a
menudo cuando se hacen ajustes a corto plazo en niveles de producción e
inventarios. Si se considera la situación de que, la demanda en el mercado reviste
variaciones periódicas más o menos uniformes entre ciertos límites de tiempo.
Para aplicar este método en pronósticos, es necesario saber que una línea recta
se define con la ecuación:
Relaciones causales
Modelos causales: La regresión lineal, un modelo causal, incorpora al modelo las
variables o factores que pueden influenciar la cantidad que se pronostica. Un
modelo causal puede incluir factores tales como principios de planta nuevos,
presupuesto para publicidad y precios de los competidores. En este método, todos
los enfoques estadísticos para desarrollar pronósticos de la demanda proyectan la
información histórica pasada dentro del futuro lo que permite formular previsiones
acerca de la demanda de un producto. Algunos métodos estadísticos que pueden
emplearse con cierto éxito para pronosticar la demanda son: el promedio simple,
el promedio móvil, el promedio móvil ponderado y los mínimos cuadrados.

Análisis de Regresión Lineal

A diferencia de los pronósticos de series temporales, los modelos de pronósticos
causales consideran diferentes variables que están relacionadas con la cantidad
de la que se está haciendo la predicción. Una vez que estas variables
relacionadas han sido encontradas, se construye el modelo estadístico para
realizar el pronóstico. Este enfoque es más potente que los métodos de las series
temporales que únicamente utilizan valores históricos de la variable a predecir.
Deben considerarse muchos factores en el análisis causal. Por ejemplo, la
demanda de periódicos puede relacionarse con la población, la actividad
económica y el ingreso per cápita; la temperatura promedio con el verano y la
hora; las ventas de computadores PC
 2.5 Monitoreo y control de los pronósticos

Errores del pronóstico

Al usar la palabra error, se refiere a la diferencia entre el valor del pronóstico y lo
ocurrido en realidad. En estadística a estos errores se les llama residuales.
Cuando el valor del pronóstico se ubica dentro de límites confiables, en realidad
no se trata de un error, a pesar de que comúnmente a esta diferencia se le llame
así. La demanda de un producto es generada por la interacción de una serie de
factores demasiado compleja como para que un modelo la describa con exactitud.
Por lo tanto, todos los pronósticos contienen cierto grado de error. Cuando se
habla de errores en el pronóstico se deben diferenciar las fuentes de error de la
medición del error.

Fuentes del error

Los errores tienen distintos orígenes. Uno que muchos pronosticadores no toman
en cuenta ocurre cuando proyectan las tendencias pasadas al futuro. Por ejemplo,
cuando se habla de errores estadísticos en el análisis de regresión, se refiere a las
desviaciones que alejan las observaciones de la línea de regresión. Muchas veces
se añade un intervalo de confianza (es decir, límites de control estadístico) a la
línea de regresión para reducir un error que no tiene explicación. Sin embargo, si
después se usa esta línea de regresión como método de pronóstico con
proyección al futuro, el intervalo de confianza proyectada no definirá
correctamente el error. Esto se debe a que el intervalo de confianza está basado
en datos del pasado: puede ser válido para los puntos de los datos proyectados y,
por lo tanto, no puede usarse con la misma confianza. De hecho, la experiencia ha
demostrado que los errores reales tienden a ser mayores que los previstos con los
modelos de pronóstico. Cabe decir que los errores se clasifican en sesgados o
aleatorios. Los errores sesgados se presentan cuando un error es cometido
constantemente.

Medición del error

Algunos términos comunes empleados para describir el grado de error son error
estándar error, medio al cuadrado (o varianza) y desviación media absoluta.
Además, se pueden usar señales de rastreo para indicar cualquier sesgo positivo
o negativo en el pronóstico. Debido a que el error estándar constituye la raíz
cuadrada de una función, muchas veces es más aconsejable usar la función
misma. Esto se conoce como el error medio al cuadrado o varianza. La desviación
media absoluta (DMA) representa el error promedio de los pronósticos que
emplean valores absolutos. La DMA es valiosa porque, al igual que la desviación
estándar, mide la dispersión de un valor observado que se aleja del valor
esperado
 2.6 USO DE SOFTWARE EN PRONOSTICOS

Los cálculos del pronóstico rara vez se hacen a mano en esta época de
computadoras. Muchos programas de paquetes académicos y comerciales se
encuentran disponibles para manejar series de tiempos y proyecciones causales.

Los paquetes populares de computadora incluyen Time Series Forecasting de

General Electric, e IMPACT (Inventory Management Program and Control
Technique) de IBM. Los paquetes universitarios populares son SAS, SPSS,
BIONED, SYSTAB, AB:POM y Minitab. Estos, y una gran selección de otros,
también están disponibles para utilizarse en microcomputadoras.

El desarrollo que ha tenido el mayor impacto en el pronóstico es el de los

paquetes de programas de cómputo diseñados específicamente para tratar en
forma directa diferentes métodos de pronóstico.

Se han desarrollado cientos de paquetes estadísticos y de pronóstico tanto para

macro como para microcomputadoras (o computadoras personales, a las que con
frecuencia se les llama PCs). Los administradores con PCs sobre sus escritorios y
el conocimiento de técnicas de pronóstico, ya no dependen de un equipo de
trabajo para realizar sus pronósticos. Los administradores modernos están
aprovechando la ventaja de la facilidad y disponibilidad de métodos complejos de
pronóstico que proporcionan las computadoras personales.

En esta sección, se mencionan algunos de los paquetes de cómputo estadísticos y

de pronóstico más utilizados. Con frecuencia se utilizan paquetes estadísticos que
funcionan en macrocomputadoras, e incluyen partes que tratan directamente
varios métodos de pronóstico.

Cuatro de los paquetes más populares son:

1. Minitab: presenta menús y cuadros de diálogo, manteniendo el lenguaje de
comandos para agregar velocidad y flexibilidad.
2. Statistical Package for the Social Sciences (SPSS): paquete estadístico para las
ciencias sociales.
3. Statistical Análisis System (SAS): sistema de análisis estadístico.
4. Excel