Pronósticos cuantitativos

Estos pronósticos utilizan modelos matemáticos con los que se analizan los resultados
pasados de las ventas de una empresa. Estos modelos suponen que los datos
históricos son relevantes en el futuro, por lo tanto es necesario conocer los datos de
ventas pasados y los patrones de demanda.

En este artículo voy a tratar de ejemplificar los pronósticos cuantitativos, como son
el modelo de regresión o el run rate. Estos métodos por norma general tienen
un error de pronóstico menor al de los cualitativos puesto que se usan datos
reales e internos a la hora de hacer las predicciones.

A pesar de que la palabra ‘cuantitativa’ vaya acompañada de muchas connotaciones

matemáticas (y obviamente incluye un poco de trabajo de cálculo por tu parte) no hay
ninguna razón por la que tengas que preocuparte lo más mínimo. A mi tampoco se me
daban bien las matemáticas y he podido desenvolverme fácilmente con estos
métodos… Así pues, intentemos no complicarnos la vida y pongamos las cosas
fáciles. Lo que haremos ahora será desarrollar los 4 métodos de pronósticos
cuantitativos de series de tiempo más comúnmente utilizados en el sector de ventas.
Permíteme hacerte una última aclaración, conocidos como modelos de pronósticos de
series de tiempo, estos métodos predicen el futuro de las ventas de un producto (bien o
servicio) mediante modelos matemáticos que se apoyan en datos históricos de la
demanda para proyectar la demanda futura. Recuerda, una serie de tiempo es
un conjunto de observaciones de una variable a lo largo del tiempo.

Los 4 métodos cuantitativos:

Tasa de crecimiento medio

El primer pronóstico dentro de los modelos cuantitativos del que hablaremos es la tasa
de crecimiento medio. A efectos prácticos, lo que este método utiliza son los datos de
un periodo anterior; semanas, meses o incluso años, dependiendo del periodo de
crecimiento que quieras predecir.
Por ejemplo si quieres pronosticar las ventas del próximo mes tienes que multiplicar
las ventas de este mes por 1 más la tasa de crecimiento de ventas mensual.
La fórmula debería ser:
(x) ventas mensuales x (1 + % tasa de crecimiento de ventas) = ventas del
próximo mes

Por lo tanto si tienes un aumento del 20% en las ventas en relación al mes pasado, es
decir, 25.000€ del valor del producto, entonces tu pronóstico de ventas para el
próximo mes es:

25.000€ x (1 + 20%) = 30.000€

¡Así de simple!

Regresión lineal simple

Otro de los métodos cuantitativos de pronóstico de ventas que me gustaría enseñarte
es el análisis de regresión o regresión lineal. Este método agrupa una variable
dependiente (la demanda) con una variable independiente (en este caso el tiempo) a
través de una ecuación lineal. En otras palabras y para hacerlo fácil, digamos que
consiste en añadir tus datos de ventas en un gráfico, trazar una línea que los conecte y
extender dicha línea en el futuro.

Vamos a empezar abriendo excel y añadiendo los datos de ventas en una gráfica
lineal:
El eje vertical (y) son las ventas, representada con un incremento de 10.000€ en cada
nivel.

El eje horizontal (x) se refiere al periodo de tiempo, en este caso representado por
meses; cada nivel es un mes y medio.

Con el objetivo de pronosticar las ventas para el próximo mes, lo que puedes hacer es
utilizar la función ‘Tendencia’ de excel (te dejo aquí un tutorial) o puedes clicar en la
línea de datos que se muestra en el gráfico y te aparecerá una ventanita a la derecha de
tu hoja de excel. Clica el icono “gráfico de barras” y te aparecerá un menú con las
opciones para extender la línea de tendencia en base a los datos.

Si has seguido todos los pasos tu gráfico debería de quedar así:

Tal y como puedes ver en el gráfico, el pronóstico de ventas para el mes 6 usando el
método lineal es de 172.200€
Sin embargo, el método de regresión lineal tiene sus inconvenientes. La mayoría de
los gerentes afirman que sus ingresos rara vez aumentan de manera lineal, es decir,
“lo que se consiguió en abril aumentará en (x) cantidad en mayo puesto que hubo la
misma tendencia entre marzo y abril”.

Eso es porque este método no explica la estacionalidad. Si por ejemplo, tu negocio se

basa en tejidos de lana, esperas ver un aumento de tus ventas a medida que bajan las
temperaturas y empieza el invierno. Por lo tanto, el uso de datos extrapolados de tus
prendas vendidas entre los meses de mayo a septiembre no refleja de ninguna de las
manera este aumento en las ventas (¡a menos que sea un verano de chubascos y frío
polar!).

Run Rate

El Run Rate es otro sencillo método para calcular las ventas en función al año
anterior.
Para calcularla has de hacer una media entre:
Total de ingresos hasta la fecha / Total de ventas de periodos anteriores
Imagina que estás en abril y tus periodos de ventas están divididos en meses, y hasta
la fecha habéis vendido 320.000€.
Esto quiere decir que la media de tus ingresos mensuales es de 80.000€
Ahora pues con el fin de predecir el total de ingresos anuales tendrás que calcular la
cantidad vendida esperada de los 8 meses restantes.

Si tu media es 80.000€ al mes

8 x 80.000€ = 640.000€

Con una suma total anual de:

640.000€ + 320.000€ = 960.000€

Como puedes ver, el método Run Rate funciona mejor cuando intentas pronosticar los
ingresos restantes de un periodo de tiempo específico. Por ejemplo, si el director
general de la empresa te ha dado un target (x) que has de conseguir en (y) meses,
puedes utilizar la técnica Run Rate para saber si llegarás o no.

Modelo de promedio móvil simple

Por último, otro de los métodos cuantitativos utilizados en gestión de ventas es el

Promedio Móvil Simple, mediante el cual hacemos una media aritmética de cierto
número de datos históricos para obtener con ésta el pronóstico para el siguiente
periodo. Esta técnica, parecida a la anterior, puede ser realmente útil si la demanda
permanece estable, sin tendencia o estacionalidad, a lo largo del tiempo.

Te pongo un ejemplo:

Si tu objetivo es pronosticar las ventas para los próximos 6 meses, una manera de
hacerlo es utilizar los resultados de los datos de ventas de los últimos 3 años (en este
caso, divididos en periodos de 6 meses):

 Columna 1: Periodos de 6 meses de los últimos años

 Columna 2: Suma de los ingresos de cada periodo
 Columna 3: Suma total de los 3 periodos de 6 meses (18 meses)
  Columna 4: Promedio Móvil Simple: Ingresos de los 18 meses / 3

Tal y como puedes ver en el gráfico el promedio móvil simple para los periodos de 6
meses del 1 al 3 es: 138.866,67€.
Lo hemos calculado añadiendo los ingresos de los primeros 3 periodos de 6 meses:
125.000€ + 145.600€ + 146.000€ = 416.600€ y luego lo dividimos por 3 (para que nos
de la media) = 138.866,67€

Puesto que es una media móvil simple todo se mueve de 1 en 1 (en este caso, periodo
de 6 meses) Por lo tanto repetiremos el mismo proceso para los periodos 2-4, y otra
vez para los periodos 3-5.

Así pues, el pronóstico de los ingresos del periodo 6 es el resultado obtenido en el

periodo 5 una vez hecho el promedio:
En base a este método cuantitativo de pronóstico de ventas habrás podido observar
que los movimientos tienden a ser más precisos ya que se utiliza un promedio
dinámico. Los ingresos totales aumentan de manera constante en cada periodo de 6
meses. Si solo utilizáramos la tasa de partida de proyección de ventas (Run Rate)
de los periodos 1 al 3, no nos daríamos cuenta del aumento constante en los ingresos
de los periodos 3 al 5, dejando el pronóstico del periodo 6 muy por debajo de los
ingresos probables.

Series de tiempo
Qué es una serie de tiempo?

Las series de tiempo son colecciones de observaciones sobre un determinado fenómeno efectuadas en
sucesivos momentos del tiempo, usualmente equiespaciados. Corresponde a una realización de un
proceso generador de datos.

Serie estocástica una parte conocida (sistemática) susceptible de predecir y de una parte totalmente
desconocida

(aleatoria) Serie determinística el futuro se puede predecir sin error Es una variable que está
determinada o fija y que no cambia de una muestra a otra

El análisis visula

La investigación científica asume como una de sus primeras tareas, identificar las cosas (características o
factores) que participan en un fenómeno. Los gráficos son la forma más efectiva de identificar efectos de
eventos que inciden en los datos. De ser posible, estos eventos deben ser ajustados o incluidos en el
modelo. Un gráfico permito observar:

•Frecuencia de los datos

•La tendencia

•Los valores extremos

•La dispersión

•Cambios estructurales

•Cambios de pendiente

•La estacionalidad

a. Componentes de la serie de tiempo

Supondremos que en una serie existen cuatro tipos básicos de variación, los cuales sobrepuestos o
actuando en concierto, contribuyen a los cambios observados en un período de tiempo y dan a la serie
su aspecto errático. Estas cuatro componentes son: Tendencia secular, variación estacional, variación
cíclica y variación irregular.

Supondremos, además, que existe una relación multiplicativa entre estas cuatro componentes; es decir,
cualquier valor de una serie es el producto de factores que se pueden atribuir a las cuatro componentes.

1. Tendencia secular: La tendencia secular o tendencia a largo plazo de una serie es por lo común
el resultado de factores a largo plazo. En términos intuitivos, la tendencia de una serie de
tiempo caracteriza el patrón gradual y consistente de las variaciones de la propia serie, que se
consideran consecuencias de fuerzas persistentes que afectan el crecimiento o la reducción de
la misma, tales como: cambios en la población, en las características demográficas de la misma,
cambios en los ingresos, en la salud, en el nivel de educación y tecnología. Las tendencias a
largo plazo se ajustan a diversos esquemas. Algunas se mueven continuamente hacía arriba,
otras declinan, y otras más permanecen igual en un cierto período o intervalo de tiempo.

2. Variación estacional: El componente de la serie de tiempo que representa la variabilidad en los

datos debida a influencias de las estaciones, se llama componente estacional. Esta variación
corresponde a los movimientos de la serie que recurren año tras año en los mismos meses (o en
los mismos trimestres) del año poco más o menos con la misma intensidad. Por ejemplo: Un
fabricante de albercas inflables espera poca actividad de ventas durante los meses de otoño e
invierno y tiene ventas máximas en los de primavera y verano, mientras que los fabricantes de
equipo para la nieve y ropa de abrigo esperan un comportamiento anual opuesto al del
fabricante de albercas.

3. Variación cíclica: Con frecuencia las series de tiempo presentan secuencias alternas de puntos
abajo y arriba de la línea de tendencia que duran más de un año, esta variación se mantiene
después de que se han eliminado las variaciones o tendencias estacional e irregular. Un ejemplo
de este tipo de variación son los ciclos comerciales cuyos períodos recurrentes dependen de la
prosperidad, recesión, depresión y recuperación, las cuales no dependen de factores como el
clima o las costumbres sociales.

4. Variación Irregular: Esta se debe a factores a corto plazo, imprevisibles y no recurrentes que
afectan a la serie de tiempo. Como este componente explica la variabilidad aleatoria de la serie,
es impredecible, es decir, no se puede esperar predecir su impacto sobre la serie de tiempo.
Existen dos tipos de variación irregular: a) Las variaciones que son provocadas por
acontecimientos especiales, fácilmente identificables, como las elecciones, inundaciones,
huelgas, terremotos. b) Variaciones aleatorias o por casualidad, cuyas causas no se pueden
señalar en forma exacta, pero que tienden a equilibrarse a la larga.

b. Tendencia de una serie

1. Tendencia lineal
Como se dijo antes, la tendencia de una serie viene dada por el movimiento general a largo plazo de la
serie. La tendencia a largo plazo de muchas series de negocios (industriales y comerciales), como ventas,
exportaciones y producción, con frecuencia se aproxima a una línea recta. Esta línea de tendencia
muestra que algo aumenta o disminuye a un ritmo constante. El método que se utiliza para obtener la
línea recta de mejor ajuste es el Método de Mínimos Cuadrados.

2. Tendencia no lineal
Cuando la serie de tiempo presenta un comportamiento curvilíneo se dice que este comportamiento es
no lineal. Dentro de las tendencias no lineales que pueden presentarse en una serie se encuentran, la
polinomial, logarítmica, exponencial y potencial, entre otras.

c. Métodos de Suavizamiento de la Serie

1. Promedio móvil

Un promedio móvil se construye sustituyendo cada valor de una serie por la media obtenida con esa
observación y algunos de los valores inmediatamente anteriores y posteriores. Se mostrará este
método con los siguientes ejemplos:

Ejemplo 1. Aplicar el método de promedios móviles para el pronóstico de ventas de gasolina a partir de
la siguiente información:

Se considerará el promedio móvil a partir de las tres observaciones más recientes. En este caso se
utilizará la siguiente ecuación:

Promedio móvil n valores más recientes de datos

Resumen de cálculos para promedios móviles de tres semanas

Semana Valor de la serie de Pronóstico de la i-ésima

tiempo (miles de semana con
galones) Promedios móviles
1 17
 2 21
3 19
4 23 (17+21+19)/3 = 19
5 18 (21+19+23)/3 = 21
6 16 ((19+23+18)/3 = 20
7 20 19
8 18 18
9 22 18
10 20 20
11 15 20
12 22 19

Los promedios móviles también se pueden construir tomando en cuenta valores adyacentes de las
observaciones, por ejemplo: En el caso de determinar el promedio móvil para tres observaciones
adyacentes de la tabla anterior, se tiene:

Semana Valor de la serie de Pronóstico de la i-ésima semana con

tiempo (miles de Promedios móviles para 3 años
galones)
1 17
2 21 (17+21+19)/3 = 19
3 19 (21+19+23)/3 = 21
4 23 (19+23+18)/3 = 20
5 18 (23+18+16)/3 = 19
6 16 18
7 20 18
8 18 20
9 22 20
10 20 19
11 15 19
12 22

2. Promedios móviles ponderados

Para mostrar el uso de éste método, se utilizará la primera parte del ejemplo anterior de la venta de
gasolina. El método consiste en asignar un factor de ponderación distinto para cada dato.
Generalmente, a la observación o dato más reciente a partir del que se quiere hacer el pronóstico, se le
asigna el mayor peso, y este peso disminuye en los valores de datos más antiguos. En este caso, para
pronosticar las ventas de la cuarta semana, el cálculo se realizaría de la siguiente manera:
 pronóstico para la cuarta semana  (17)  (21)  (19) 19.33 galones
Puede observarse que el dato más alejado (correspondiente a la primera semana) tiene el factor de
ponderación más pequeño, el siguiente tiene un factor de ponderación del doble que el primero y el
dato más reciente (que corresponde a la tercera semana) tiene un factor de ponderación del triple del
primero. Los pronósticos para las diversas semanas se presentan en la siguiente tabla. En todos los
casos, la suma de los factores de ponderación debe ser igual a uno.

Semana Valor de la serie de Pronóstico de la i-ésima

tiempo (miles de semana con
galones) Promedios móviles para 3 años

1 17
2 21
3 19
4 23 19.33
5 18 21.33
6 16 19.83
7 20 17.83
8 18 18.33
9 22 18.33
10 20 20.33
11 15 20.33
12 22

3. Suavizamiento exponencial
El suavizamiento exponencial emplea un promedio ponderado de la serie de tiempo pasada como
pronóstico; es un caso especial del método de promedios móviles ponderados en el cual sólo se
selecciona un peso o factor de ponderación: el de la observación más reciente. En la práctica
comenzamos haciendo que F1, el primer valor de la serie de valores uniformados, sea igual a Y 1, que es el
primer valor real de la serie. El modelo básico de suavizamiento exponencial es el siguiente:

Ft1 Yt (1)Ft Donde:

Ft+1 = pronóstico de la serie de tiempo para el período t+1

Yt = valor real de la serie de tiempo en el período t
Ft = pronóstico de la serie de tiempo para el período t
  = constante de suavizamiento, 0 ≤ ≤ 1

En base a lo anterior, el pronóstico para el período dos se calcula de la siguiente manera:

F2 Y1 (1)F1
F2 Y1 (1)Y1
F2 Y1

Como se observa, el pronóstico para el período 2 con suavizamiento exponencial es igual al valor real de
la serie de tiempo en el período uno. Para el período 3, se tiene que:
F3 Y2 (1)F2
F3 Y2 (1)Y1

Para el período 4 se tiene:

F4 Y3 (1)F3 Y3 (1)Y2 (1)Y1

F4 Y3 (1)Y2 (1)2Y1

Para mostrar el método de suavizamiento exponencial, retomamos el ejemplo de la gasolina, utilizando

como constante de suavizamiento  = 0.2:

galores/semana Pronóstico
Semana ( t ) Valor (Yi) Ft
1 17 F1 = Y1 = 17.00
2 21 F2 = F1 =17.00
3 19 F3 = Y2+(1-)F2 = 17.80
4 23 F4 = Y3 + (1-)F3 = 18.04
5 18 F5 = Y4 + (1-)F4 = 19.03
6 16 F6 = Y5 + (1-)F5 = 18.83
7 20 F7 = Y6 + (1-)F6 = 18.26
8 18 F8 = Y7 + (1-)F7 = 18.61
9 22 F9 = Y8 + (1-)F8 = 18.49
10 20 F10 = Y9 + (1-)F9 = 19.19
11 15 F11 = Y10 + (1-)F10 = 19.35
12 22 F12 = Y11 + (1-)F11 = 18.48

CARACTERISTICAS