Administración de la

Producción
Unidad 2. Pronósticos de la demanda
 Presentación de la unidad........................................................................... 3
Objetivos....................................................................................................... 4
2. Pronósticos de la demanda…………………………………………………………… 5
2.1. Concepto de pronóstico de la demanda................................. 6
2.2. Tipos de pronóstico y su aplicación………………………..........… 7
2.2.1. Pronósticos cuantitativos………………………………………8
2.2.2. Pronósticos cualitativos………………………………………10
2.3. Índice de correlación………………………………………………………… 12
2.4. Series de tiempo……………………………………………………………….. 13
Temario 2.4.1. Cálculo de tendencia……………………………………………..14
2.4.2. Cálculo de estacionalidad…………………………………….. 15
2.4.3. Cálculo de comportamiento cíclico……………………… 16
2.4.4. Cálculo de la variación aleatorio………………………….. 17
2.5. Error en el pronóstico…………………………………………………….....18

Para saber más.............................................................................................. 20

Cierre de la unidad....................................................................................... 21
Fuentes de consulta..................................................................................... 22
Presentación de la
unidad

¡Bienvenido a la unidad 2!

Durante esta segunda unidad tendrás oportunidad de estudiar qué es el

pronóstico de la demanda, los tipos y su aplicación.
Te invito a estudiar estos contenidos de manera profunda y, ante cualquier duda,
contactar a tu profesor a través del área de mensajes.

¡Éxito en esta segunda unidad!

3
Objetivo

Al término de esta unidad lograrás:

• Comprender los tipos pronósticos y su aplicación a través del análisis de sus características
para la toma de decisiones ante la demanda.

4
2. Pronósticos de la
demanda

El resultado del pronóstico de la demanda es un pronóstico de ventas, que suele abarcar un periodo
de 1 año.

¿Qué importancia tiene el pronóstico de ventas? Constituye el fundamento de la elaboración de

presupuestos y de la planeación operativa en todos los departamentos de la compañía:
mercadotecnia, producción y finanzas. Por lo que es importante efectuarlo con la mayor precisión
posible.

Las predicciones de la demanda futura del mercado, conseguida de los pronósticos de ventas o del
mercado potencial, puede basarse en métodos que abarcan desde conjeturas infundadas hasta
complejos modelos estadísticos. Aunque los administradores de la comercialización quizá no
realicen los cálculos estadísticos, deberían estar relacionados con las bondades y limitaciones de
cada técnica para asegurarse de utilizar el método más conveniente. Más aún, tanto ellos como el
personal que hace los pronósticos han de colaborar para cerciorarse de que los participantes no solo
entienden el proceso, sino que aplican los resultados.

5
2.1. Concepto de
pronóstico de la demanda

El pronóstico de la demanda es estimar las ventas de un producto durante determinado periodo

futuro. Los ejecutivos calculan primero la demanda en toda la industria o mercado para luego
predecir las ventas de los productos de la compañía en ellos.

El pronóstico de la demanda da origen a varias clases de proyecciones. Por ejemplo, un pronóstico

puede referirse a una industria entera, a una línea de productos o bien a una marca individual. Puede
aplicarse a la totalidad de un mercado o a un segmento en particular. La estimación puede basarse
en factores generales o en un plan específico de comercialización. Por lo tanto, para que un
pronóstico se entienda y sea útil, es importante aclarar exactamente qué cosa describe (Betancourt,
2016).

En otras palabras, un pronóstico de demanda o pronóstico de producción en el ámbito de

fabricación consiste en predecir eventos futuros asociados al producto o servicio que ofrecemos. En
este caso pensamos a futuro para estimar cuánto vamos a vender, lo que nos permitirá desarrollar
proyecciones de ventas.

6
2.2. Tipos de pronóstico
y su aplicación

Enfoques para abordar los pronósticos de demanda

Podemos encontrar dos clases: Pronósticos de producción cuantitativos y cualitativos. Números y

atributos. Matemática y subjetividad.

En la práctica, las empresas suelen utilizar ambos tipos de pronósticos.

Enfoque de pronóstico de demanda cualitativo:

• Consulta a la fuerza de ventas

• Encuesta de mercado de consumo
• Grupos de consenso
• Jurado de opinión ejecutiva
• Método Delphi

Enfoque de pronóstico de demanda cuantitativo:

• Promedio simple
• Promedio ponderado
• Suavización exponencial simple
• Suavización exponencial doble
• Regresión Lineal

7
2.2.1. Pronósticos
cuantitativos

La previsión cuantitativa es un proceso matemático basado en datos que los equipos de ventas
utilizan para comprender el rendimiento y predecir los ingresos futuros en función de modelos y
datos históricos. Los resultados proyectados brindan a las empresas la capacidad de tomar
decisiones informadas sobre estrategias y procesos para garantizar el éxito continuo (Wilbur, 1992).

El pronóstico cuantitativo es diferente del pronóstico cualitativo porque es objetivo y se basa en

estadísticas y matemáticas, mientras que el otro se enfoca en información subjetiva, como
comprensión y opiniones de expertos.

Es probable que este pronóstico lo realicen los equipos de operaciones de ventas para que puedan
obtener una descripción general de alto nivel del desempeño y comunicar la información necesaria y
la estrategia futura a las partes interesadas.

8
2.2.1. Pronósticos
cuantitativos

Modelos cuantitativos de pronóstico:

1. Regresión lineal. Modelo que utiliza el método de los mínimos cuadrados para identificar la relación entre
una variable dependiente y una o más variables independientes, presentes en un conjunto de
observaciones históricas. En la regresión simple, solo hay una variable independiente; en la regresión
múltiple, hay más de una variable independiente. Por ejemplo, en un pronóstico de ventas, son las ventas.

2. Promedios móviles. Modelos de pronósticos del tipo de series de tiempo a corto plazo que pronostica las
ventas para el siguiente periodo. En este modelo, el pronóstico aritmético de las ventas reales para un
determinado número de los periodos pasados más recientes es el prónostico para el siguiente periodo.

3. Promedio móvil ponderado. Modelo parecido al modelo de promedio móvil arriba descrito, excepto que el
pronóstico para el siguiente periodo es un promedio ponderado de las ventas pasadas, en lugar del
promedio aritmético.

4. Suavización exponencial. Modelo también de pronóstico de series de tiempo a corto plazo que pronostica
las ventas para el siguiente periodo. En este método, las ventas pronosticadas para el último periodo se
modifican utilizando la información correspondiente al error de pronóstico del último periodo. Esta
modificación del pronóstico del último periodo se utiliza como pronóstico para el siguiente periodo.

5. Suavización exponencial con tenencia. El modelo de suavización exponencial arriba descrito, pero
modificado para tomar en consideración datos con un patrón de tendencia. Estos patrones pueden estar
presentes en datos a mediano plazo. También se conoce como suavización exponencial doble, ya que se
suavizan tanto la estimación del promedio como la estimación de la tendencia utilizando dos constantes de
suavización.

(Morales, 2005).

9
2.2.2. Pronósticos
cualitativos

Un pronóstico cualitativo se encuentra basado en la experiencia, intuición o subjetividad de quien

predice los eventos futuros. Un método de enfoque cualitativo suele ser usado cuando no hay datos
históricos o hay cambios tecnológicos, cuando se va a lanzar un nuevo producto o cuando los datos
que hay no son confiables.

En la práctica, un buen pronóstico es aquel que integra enfoque cuantitativo y cualitativo, siendo
inicialmente el primero para luego ajustarse con el segundo, desarrollando un análisis integral.

10
2.2.2. Pronósticos
cualitativos

Estas son 6 de las técnicas y métodos más representativos para elaborar un pronóstico de demanda
cualitativo. En general, la recomendación es no quedarse con solo una de ellas y hacer uso de dos o
más, analizando la correspondencia entre los resultados obtenidos entre una y otra. Aunque claro,
esto varía según el tiempo y los recursos de los que dispongas.

• Método Delphi: Es un proceso basado en la consulta sistemática del juicio de personas

consideradas expertas. Es estructurado e iterativo al ejecutarse mediante etapas para alcanzar un
consenso frente a una temática en común.
• Encuesta de mercado de consumo: Consiste en obtener la opinión o percepción de un grupo de
personas acerca de su proyección de consumo o interés por un producto o servicio.
• Consulta a la fuerza de ventas: Para empresas que tienen fuerza de ventas, esta técnica hace uso
de la experiencia del personal más cercano al cliente para obtener un pronóstico de demanda: el
vendedor, quien entrega su estimación de la demanda, estimación que es combinada con la de
otros vendedores para generar el pronóstico de una región.
• Jurado de opinión ejecutiva: Se basa en la experiencia y los conocimientos técnicos de los altos
mandos de la empresa para llegar a un consenso. Es una de las más utilizadas cuando se requiere
actuar con rapidez ante eventos no previstos o lanzamiento de nuevos productos.
• Grupos de consenso: Esta técnica se podría considerar una integración entre consulta a la fuerza
de ventas y jurado de opinión ejecutiva, y algo más. Consiste en el sondeo de la opinión de cargos
bajos, medios y altos para generar un pronóstico que alinee desde la operación hasta la estrategia.
Por ejemplo, cuando que solicites la estimación de la demanda del vendedor, del analista de
mercado y del gerente de mercadeo para prever las ventas del periodo.

11
2.3. Índice de correlación

¿Qué es el coeficiente de correlación?

El coeficiente de correlación es la medida específica que cuantifica la intensidad de la relación lineal

entre dos variables en un análisis de correlación. En los informes de correlación, este coeficiente se
simboliza con la r.

¿Cómo se utiliza el coeficiente de correlación?

Para dos variables, la fórmula compara la distancia de cada dato puntual respecto a la media de la
variable, y utiliza esta comparación para decirnos hasta qué punto la relación entre las variables se
ajusta a una línea imaginaria trazada entre los datos. A esto nos referimos cuando decimos que la
correlación examina las relaciones lineales.

¿Qué limitaciones hay que tener en cuenta?

La correlación solo se refiere a las dos variables dadas y no aporta información sobre las relaciones,
más allá de los datos bivariados. Esta prueba no puede detectar valores atípicos en los datos (por
tanto los resultados están sesgados) y tampoco puede detectar correctamente las relaciones
curvilíneas.

12
2.4. Series de tiempo

Una serie de tiempo es un conjunto de observaciones sobre los valores que toma una variable
(cuantitativa) a través del tiempo. Por tanto, una serie de tiempo es una forma estructurada de
representar datos.

Los datos se pueden comportar de diferentes maneras a través del tiempo: puede que se presente una
tendencia, estacionalidad o simplemente no presenten una forma definida (Leenders, 1992).

Aplicaciones de las series de tiempo

Representar los datos del negocio como series de tiempo suele ayudar a las empresas a visualizar la
actividad del negocio. A su vez, usualmente las series de tiempo se utilizan para predecir el
comportamiento futuro de la variable medida.

Predicción de series de tiempo

La predicción de series de tiempo significa que se extienden los valores históricos de la serie a futuro,
donde aún no se han hecho mediciones.

Para llevar a cabo el pronóstico se definen dos variables principales: cantidad de períodos y horizonte de
predicción. La cantidad de períodos representa el nivel de agregación de los datos. Usualmente los datos
se encuentran por meses, semanas o días, permitiendo obtener el grado necesario de desagregación para
sacar correctas conclusiones. Por su parte, el horizonte de planificación representa el número de períodos
futuros o alcance a pronosticar. Todo pronóstico tiene asociado un alcance, pudiendo ser de corto,
mediano o largo plazo.

13
2.4.1. Cálculo de tendencia

Para analizar la tendencia, es decir, para aislar el componente que determina el comportamiento a
largo plazo de la serie pueden utilizarse dos procedimientos: las medias móviles y el ajuste por
mínimos cuadrados ordinarios.

Medias móviles

Una serie de medias móviles puede considerarse como una serie temporal artificial construida
substituyendo el valor observado de la variable en cada período por la media de dicho valor y
algunos anteriores y posteriores a él.

Ajuste por mínimos cuadrados ordinarios

En caso de que la tendencia de una serie temporal sea lineal, ésta puede modelizarse como Xt=a+bt
donde t es el tiempo o variable independiente y b es la tasa de crecimiento o decrecimiento de la
tendencia.

Para estimar los parámetros a y b a partir de la serie observada se ajusta por MCO una recta a la
nube de puntos (t,Xt). Para obtener la estimación de la tendencia con el programa SPSS la secuencia
es: Analizar > Regresión > Lineal, teniendo en cuenta que la variable dependiente es, en este caso, X
y la independiente es t.

14
2.4.2. Cálculo de
estacionalidad

En la cadena de suminsitros, se dice que la demanda (o las ventas) de un determinado producto

muestra estacionalidad cuando la serie de tiempo subyacente atraviesa una variación cíclica
predecible, dependiendo de la época del año. La estacionalidad es uno de los patrones estadísticos
más utilizados para mejorar la precisión de los pronósticos de demanda.

Ejemplo: la mayoría de los minoristas occidentales tienen ventas pico en la época de Navidad.

Desafíos en el cálculo de índices de estacionalidad:

El modelo de estacionalidad ilustrado más arriba es un abordaje un tanto ingenuo que puede
funcionar para las series de tiempo estacionales llanas. Sin embargo, hay varias dificultades prácticas
que se presentan al calcular la estacionalidad:

• Las series de tiempo son cortas. La vida útil de muchos bienes de consumo no excede los 3 o 4
años. Como resultado, para un determinado producto, la historia de ventas ofrece, en promedio,
muy pocos puntos en el pasado para calcular cada índice estacional (es decir, los valores de S(t)
durante el curso del año. Ver sección precedente).
• Las series de tiempo presentan ruido. Las fluctuaciones arbitrarias del mercado tienen impacto
sobre las ventas, y hacen difícil aislar la estacionalidad.
• Varias estacionalidades involucradas. Cuando se observan las ventas a nivel de tienda, la
estacionalidad del producto en sí, generalmente está entrelazada con la estacionalidad de la
tienda.
• Otros patrones, como la tendencia o el ciclo de vida del producto, también tienen impacto en las
series de tiempo, introduciendo varios tipos de desviaciones en el cálculo.

15
2.4.3. Cálculo de
comportamiento cíclico

Los ciclos son periodos temporales que se suceden (es decir que, al finalizar, comienzan de nuevo).
También se llama ciclo al conjunto de fases o etapas que atraviesa un fenómeno periódico.

Algo cíclico, por lo tanto, es aquello que se reitera de manera periódica o que, tras una cierta
cantidad de tiempo, regresa a un estado o a una configuración precedente.

¿Qué son las variables cíclicas y cómo tratarlas?

Seguramente todos aquellos que hayan participado en un proyecto de data mining o hayan tratado
de encontrar patrones y comportamientos en un set de datos en algún momento de su vida, se han
topado con variables cíclicas. No es nada raro encontrarse con una variable de estas en una
colección de datos y, aunque esto no se suele dar en los cursos o másteres, es muy importante
detectarlas y saber cómo tratar con ellas.

¿Qué son las variables cíclicas?

El mes, las horas, la dirección del viento o las coordenadas cartesianas geográficas son solo algunos
ejemplos de variables cíclicas. ¿Qué es lo que tienen todas en común? Eso es: todas, al crecer,
vuelven de nuevo a un punto de origen.

16
2.4.4. Cálculo de la
variación aleatorio

Una variable es un símbolo que actúa en las funciones, las fórmulas, los algoritmos y las
proposiciones de las matemáticas y la estadística. Según sus características, las variables se
clasifican de distinto modo (Betancourt, 2016).

Se denomina variable aleatoria (o estocástica) a la función que adjudica eventos posibles a números
reales (cifras), cuyos valores se miden en experimentos de tipo aleatorio. Estos valores posibles
representan los resultados de experimentos que todavía no se llevaron a cabo o cantidades inciertas.

Cabe destacar que los experimentos aleatorios son aquellos que, desarrollados bajo las mismas
condiciones, pueden ofrecer resultados diferentes. Arrojar una moneda al aire para ver si sale cara o
ceca es un experimento de este tipo.

17
2.5. Error en el pronóstico

Podemos definir error de pronóstico como la comparación entre el valor pronosticado y el valor real.
Su cálculo nos permite tomar decisiones frente a qué método de pronóstico es el mejor y logran
detectar cuando algo en nuestra previsión de la demanda no está marchando bien, con lo que
conseguimos cambiar el rumbo de nuestras decisiones a fin tomar las mejores elecciones.

Hay dos fuentes de error en pronósticos: Sesgados y aleatorios. El primero, también llamado
sistemático es ocasionado por un error constante, por ejemplo, una mala interpretación de la
demanda, usar variables incorrectas o con relaciones equivocadas.
Este tipo de error se verá minimizado de acuerdo a la experticia del administrador de operaciones.

El error aleatorio es aquel que no tiene explicación, es decir, es el error originado por factores
imprevisibles y por ende no se conoce qué es lo que lo causa.
Siempre va a haber error en el cálculo de un pronóstico de demanda. Por eso es importante utilizar
varios métodos para tomar una decisión más acertada.

18
2.5.Error en el pronóstico

Tipos de medidas de error de pronóstico

Suma acumulada de errores de pronóstico (CFE)

Es la medida más básica de todas y da origen a las demás. Es la suma acumulada de los errores de
pronóstico. Nos permite evaluar el sesgo del pronóstico. Por ejemplo, si a través de los periodos el
valor real de la demanda siempre resulta superior al valor de pronóstico, la CFE será más grande,
indicando la existencia de un error sistemático en el cálculo de la demanda.

Desviación media absoluta (MAD)

Mide la dispersión del error de pronóstico o, dicho de otra forma, la medición del tamaño del error
en unidades. Es el valor absoluto de la diferencia entre la demanda real y el pronóstico, dividido
sobre el número de periodos.

Error cuadrático medio (MSE)

Al igual que la DAM, el MSE es una medida de dispersión del error de pronóstico, sin embargo, esta
medida maximiza el error al elevar al cuadrado, castigando aquellos periodos donde la diferencia fue
más alta a comparación de otros. En consecuencia, se recomienda el uso del MSE para periodos con
desviaciones pequeñas.

(Michael, 1992).

19
Para saber más

Para saber más sobre los temas vistos en esta unidad revisa los siguientes materiales:

• Ejemplo de cálculo del promedio del error de prónostico

En este video se explica cómo se debe calcular al promedio del error de pronóstico para poder
conocer que tan confiables han sido los métodos de predicción de demanda.
(Politecnico Empresarial del Area Andina, 2020). https://www.youtube.com/watch?v=4uHaZIyIuec

• Cómo hacer un prónostico en EXCE

En este video aprenderás cómo realizar pronósticos utilizando una fórmula en Excel, este
procedimiento te ayudará a proyectar lo que desees, ya sean ventas, demanda, ingresos, gastos,
costos, etc.
(Felipe Delgado, 2020). https://www.youtube.com/watch?v=HGPiFbLZf_I

20
Cierre de la unidad

El buen juicio, la intuición y tener conciencia del estado de la economía pueden dar a
un gerente una idea aproximada o “intuición” de lo que es probable que suceda en el
futuro. Sin embargo, es difícil convertir esta intuición en un número que pueda usarse,
como el volumen de ventas del siguiente trimestre o el costo de la materia prima por
unidad para el año próximo.

La elaboración del pronóstico puede ser simple o compleja, dependiendo de distintos

factores. Muchas veces la demanda (o lo que se vaya a pronosticar) es afectada por
factores cíclicos y estacionales, y otras veces influyen elementos de muy difícil
previsión. En cualquier caso la experiencia y el conocimiento del mercado son vitales,
pero a veces esto no es suficiente para la elaboración de un buen pronóstico.

En la siguiente unidad, estudiarás en qué consiste la planeación de la producción

agregada.

¡El éxito es la suma de pequeños esfuerzos que se repiten cada día!

¡Felicidades!
Has concluido la unidad 2, continúa esforzándote.

21
Fuentes de consulta

• Academia de Operaciones de la Facultad de Contaduría y Administración. (2003). Compras y

Abastecimientos. FCA UNAM e Instituto Mexicano de Contadores Públicos.

• Betancourt, D.F. (07 de marzo de 2016). Medición del error en pronósticos de demanda. Ingenio
Empresa. www.ingenioempresa.com/medicion-error-pronostico

• Betancourt, D.F. (14 de marzo de 2016). 6 métodos de pronóstico cuantitativo. Ingenio Empresa.
www.ingenioempresa.com/metodos-cuantitativos-pronostico-demanda

• Felipe Delgado. (03 de marzo de 2020). Cómo hacer un PRONOSTICO en EXCE Video]. Youtube.
https://www.youtube.com/watch?v=HGPiFbLZf_I

• Guerrero, J. M.. (2005). Facultad de contaduría y Administración. Universidad Autónoma de México.

http://fcasua.contad.unam.mx/apuntes/interiores/docs/2005/administracion/4/1451.pdf

• Leenders, M.R.; Fearon, H. y England, W.B. (1992). Administración de Compras y Materiales. Continental,
2° Edición, México.

• Politecnico Empresarial del Area Andina. (08 de octubre de 2020). Ejemplo de cálculo del promedio del
error de prónostico [Video]. YouTube. https://www.youtube.com/watch?v=4uHaZIyIuec

• Este material fue ilustrado con imágenes de https://www.freepik.es/

22