Introducción a los pronósticos

En esta sesión hablaremos del objetivo e importancia de los pronósticos. Introduciremos las
características de un pronóstico y también algunos elementos a considerar al construir un
pronóstico. En esta clase se revisarán los siguientes temas. Tema 1. Objetivo e importancia de
hacer pronósticos. Tema 2. Características de un pronóstico. Tema 3. Elementos de un buen
pronóstico de demanda.

Tema 1. Objetivo e importancia de hacer pronósticos.

Pronosticar corresponde al proceso de estimar los resultados futuros más probables de una
variable incierta en base a lo que ha pasado antes o en base a un juicio experto de unas personas o
de un grupo de ellas. Un pronóstico o predicción es una declaración sobre un evento futuro. Para
cualquiera es claro que si pudiésemos adivinar el futuro, planificaríamos sabiendo lo que va a
ocurrir. Pero, en la práctica, como vivimos en un contexto de mucha incertidumbre, no podemos
evitar realizar pronósticos para planificar nuestras actividades. Particularmente, en un contexto en
que se desea satisfacer una demanda de productos o servicios, las empresas necesitan
adelantarse, ya que ni la producción ni el transporte de productos es inmediata, así como tampoco
la definición de capacidad para satisfacer una demanda de servicios. Por ello, desde los tiempos
inmemoriales, los seres humanos hemos desarrollado métodos para pronosticar el futuro. Cuando
armamos un modelo predictivo, lo hacemos con el objetivo de generar buenos pronósticos en el
tiempo, minimizando los errores lo más posible. Hacer buenos pronósticos no es fácil.

Por lo mismo, la historia está llena de famosos tomadores de decisiones que cometieron grandes
errores en su predicciones. Por otra parte, cuando vemos predicciones exitosas de adivinos, gurús
o expertos, en las que no conocemos la metodología utilizada, nunca sabremos si fue suerte o
habilidad.
En las siguientes clases revisaremos métodos científicos confiables que, apoyados en datos, nos
permiten generar pronósticos de demanda. Daremos énfasis a métodos replicables y testeables
que nos pueden dar luces de qué tan precisas son las predicciones que hacemos para distintos
contextos.

Tema 2. Características de un pronóstico.

Hay muchos tipos de modelos de pronósticos. Ellos difieren en su grado de complejidad, en la

cantidad de datos que ellos usan y en la forma en que ellos generan el pronóstico.

Sin embargo, dado que no conocemos el futuro y trabajamos en un contexto de incertidumbre,

hay algunas características comunes a todos los métodos de pronósticos. Veamos a continuación
cuáles son estas características comunes. Lo único cierto de los pronósticos es que no son
perfectos. Esto tiende a ser cierto si vemos el pronóstico como una estimación puntual.
Por ejemplo, si estamos prediciendo un número específico, como cuántos kilogramos de
marraquetas venderá una panadería un día determinado, la probabilidad de acertar el valor exacto
es casi nula. Por esta razón, una estimación debiera entregar tanto el valor esperado de la
demanda como una medida del error que se cometerá en dicho pronóstico. Para respaldar una
decisión en base a un pronóstico necesitamos más que un solo número, necesitamos una
descripción más rica del conjunto de posibles escenarios de demanda.

Específicamente, nos gustaría definir un pronóstico como una descripción de los posibles
escenarios de demanda futura utilizados para respaldar una decisión de asignación de recursos. En
base porcentual, el error cometido en las ventas pronosticadas para un local comercial será
generalmente menor que el error cometido en el pronóstico de ventas para un artículo específico
que se vende en ese local.
 Lo mismo si pronosticamos las ventas a nivel regional, tendremos errores menores que a nivel de
cada uno de los locales de esa región. Mientras más agregado el pronóstico, más precisa será la
estimación. Los pronósticos dependen de una gran cantidad de variables, y en el corto plazo un
gran número de ellas están fijas o su cambio está acotado.

Por ello, los pronósticos tienden a ser más precisos en cortos horizontes de tiempo. Mientras
mayor es el intervalo de tiempo, mayor la probabilidad de que ocurran eventos inesperados y que
la desviación acumulada en las variables de interés sea mayor, por lo que nuestros pronósticos
serán más imprecisos. Pronosticar el consumo de energía eléctrica para el próximo mes es más
preciso que hacerlo para los próximos 20 años.

Tema 3. Elementos de un buen pronóstico de demanda.

La demanda de un producto, ciertamente, no aparece de la nada, y si bien puede ser difícil de
estimar, tratar de entender sus factores y causas puede ayudar a facilitar su estimación. Si una
empresa logra identificar algunos factores claves y la relación que tienen con la demanda, estará
mejor capacitada para generar estimaciones más precisas.

Existen muchos elementos que comúnmente están relacionados con el pronóstico de demanda, y
una empresa debe estar consciente de ellos. Algunos que es importante tener presentes son la
venta histórica, estacionalidades, campañas de marketing, estado de la economía, acciones de los
competidores. Revisemos estos elementos.

La historia se repite, aunque no de igual manera, por lo mismo, es importante utilizar y contar con
datos históricos. A partir de ellos, podemos revisar la tendencia que tiene la venta y descubrir
relaciones con otras variables que nos permitan mejorar nuestras predicciones. Además, dado que
generalmente hay estacionalidades, los datos históricos nos permiten descubrir cuánto se desvían
nuestras demandas en los distintos períodos y, así, corregir las predicciones desestacionalizadas
por factores estacionales.
 Las campañas de marketing, los distintos tipos de promociones o descuentos, afectarán la
demanda del producto, por lo que es importante guardar la información de cuándo se hizo cada
campaña y sobre qué productos, para analizar su efectividad y evitar atribuir los cambios a factores
estacionales.

La demanda depende del crecimiento económico y del tipo de producto analizado. Para productos
de lujo, porcentualmente, su demanda crece más que el crecimiento de la economía, mientras que
para productos de primera necesidad se observará un menor crecimiento.
 Muchas veces, la demanda está fuertemente influenciada por las acciones que realizan los
competidores directos.

Una buena promoción de nuestro competidor, sin duda, provocará una merma en nuestras ventas.
Es común olvidarse de registrar las acciones de la competencia, registro que es clave a la hora de
armar un pronóstico. Prueba tu aprendizaje respondiendo la siguiente pregunta.

Hemos llegado al final de la clase. Ahora, recordemos las ideas más importantes. Los métodos
analíticos se pueden complementar con juicios informados sobre eventos futuros o bien con
información de compromisos tomados; por ejemplo, se puede incluir el conocimiento de pedidos
ya comprometidos con clientes externos, envíos planificados previamente entre distintas
instalaciones dentro de una organización o el uso planificado previamente de piezas de servicio en
mantenimiento preventivo. Todo proceso para la realización de pronósticos debe apoyarse de un
enfoque de mejora continua, donde los inevitables errores sean fuente de aprendizaje que permita
realizar mejores predicciones la próxima vez. Es clave considerar el juicio humano, que, como
veremos, es un ingrediente crucial. Así, a medida que se observa la demanda real en un periodo, se
compara con el pronóstico anterior para que podamos medir el error asociado en el pronóstico. Es
muy importante monitorear los errores. Es bueno insistir en que un buen pronóstico debe ser
mucho más que un número esperado y debe incluir, entre otros elementos, los supuestos
realizados en el modelo de pronósticos. Cuando hay malos pronósticos, en muchos casos, el mayor
problema está en los supuestos utilizados y no en el cálculo de la predicción. Es común encontrarse
con empresas que no tienen buenas bases de datos de venta histórica, en conjunto con los
restantes factores que inciden en la demanda. Probablemente este debería ser un excelente punto
de partida en un proyecto para mejorar las predicciones.

Tipos de métodos de pronósticos de demanda

En esta sesión hablaremos acerca de las fortalezas de los diferentes tipos de métodos para realizar
pronósticos de demanda, tanto cualitativos como cuantitativos. También hablaremos sobre
algunas métricas para evaluar la precisión de los pronósticos y para detectar la presencia de sesgos
en ellos. En esta clase se revisarán los siguientes temas. Tema uno. Métodos cualitativos. Tema
dos. Métodos cuantitativos. Tema tres. Precisión y sesgo de un pronóstico.

Tema uno. Métodos cualitativos.

Los métodos cualitativos de pronósticos de demanda, también son llamados "métodos de juicio",
debido a que están basados en intuición, en el conocimiento y en la experiencia, por lo tanto, los
pronósticos son generados subjetivamente por la persona o grupos que los realiza. Entre sus
fortalezas están la capacidad de incorporar los últimos cambios en el mercado y en la situación
económica y política del país.
Son particularmente útiles cuando se espera que el futuro sea muy diferente al pasado, o bien,
cuando no hay historia de la demanda, por tratarse de algún producto o fenómeno desconocido.

Una debilidad es que quienes realicen el pronóstico tengan algún sesgo y que esto pueda causar
falta de precisión en el pronóstico. Porque podría darse por algún conflicto de interés, como por
ejemplo: "Ellos fijarán mi presupuesto basado en mi pronóstico, por lo que entregaré una
predicción más alta". Entre los métodos cualitativos se encuentran: la investigación de mercado.
Ayuda a identificar preferencias, tendencias e intención de compra de los consumidores a través de
la aplicación de encuestas y entrevistas.

Las entrevistas son preguntas abiertas que permiten recopilar mucha información bien detallada
de manera cualitativa. Por otra parte, las encuestas permiten una recolección de datos bastante
más estructurada, lo que facilita el análisis, y su aplicación puede ser masiva, lo que la hace más
representativa.
 No es trivial desarrollar un buen cuestionario. Se busca recoger información a partir de una
reunión donde se registran las opiniones de un grupo de personas; comúnmente, se conoce como
"focus group".

Dicho grupo de personas está compuesto por individuos que tienen diferentes miradas y
experiencias respecto al tema de fondo que se está investigando. Se debe tener cuidado con
personalidades fuertes, que podrían inducir a un sesgo en las conclusiones. Método Delphi. Es
similar a los "focus group", pero se realiza de forma descentralizada, sin reunir a las personas.
 La idea es evitar el sesgo de personas con personalidades fuertes. Se prepara un cuestionario que
se envía a cada miembro del grupo para que responda por escrito dentro de un plazo determinado
y se itera hasta alcanzar consenso. La gran debilidad de este método es que toma mucho tiempo.

Tema dos. Métodos cuantitativos.

Los métodos cuantitativos se materializan con expresiones matemáticas. Tienen la gran fortaleza
de ser objetivos y consistentes en el tiempo y pueden, además, considerar muchos datos en forma
simultánea.

Estos métodos dependen de los datos que los alimentan, los cuales no siempre se encontrarán
disponibles con el detalle y frecuencia que se necesitan, por lo que habrá que destinar los
esfuerzos necesarios para comenzar su recolección antes de poder implementar el método de
pronóstico. La calidad del pronóstico depende de la calidad de los datos. Si los datos fueron mal
tomados y mal digitados, el pronóstico naturalmente estará errado. Es muy importante revisar los
datos en forma previa para detectar anomalías o puntos fuera de rango, conocidos como
"outliers", que se pueden sacar de los datos para no distorsionar el pronóstico. Dentro de los
modelos cuantitativos estudiaremos dos tipos : los modelos de series de tiempo y los modelos
causales. Estos modelos asumen principalmente, que el fenómeno estudiado, por ejemplo, las
ventas, seguirá en el futuro el mismo patrón que ha tenido en el pasado.

De esta forma, es posible descomponer los datos observados en dos componentes. Una que
implica e identifica un patrón histórico que se observa, que se puede modelar, y la otra, que sería
el complemento correspondiente a una variación aleatoria que no es posible modelar.

El patrón histórico incluye: nivel, los datos siguen un patrón horizontal alrededor del promedio de
la serie de datos;
tendencia, algún aumento o disminución progresiva en los datos;

estacionalidad, claras y marcadas variaciones en los datos que tienen relación con estaciones en el
tiempo, meses, trimestres, semestres, etcétera;
ciclo, patrones que se repiten en el tiempo, pero en ciclos de más largo plazo que estacionalidades
anuales, por ejemplo, ciclos económicos.

En la figura se pueden observar gráficamente estos cuatro patrones clásicos.

A menudo, existen ciertos factores clave que son parte de la causa para que ocurra un cierto
fenómeno.

Ahí nacen los "modelos causales", los cuales están construidos sobre las relaciones de causa-
efecto. Un modelo causal común, que es de mucha utilidad para explicar y pronosticar muchos
fenómenos que nos rodean, es el llamado "regresión lineal", el cual veremos en detalle en este
curso. Básicamente, el modelo de regresión lineal es un procedimiento estadístico que busca
determinar la recta que mejor represente la relación lineal entre una o más variables explicativas o
independientes con la variable dependiente que representa el fenómeno en cuestión.
La recta sería Y gorro igual a a más bx; donde los parámetros a, el nivel, y b, la pendiente,
determinan la posición de la recta. El objetivo es buscar los valores de estos parámetros que
determinen la mejor recta para los valores observados que se utilizarán para construir el modelo
de pronóstico.

Lo primero que hay que definir es la variable dependiente, por ejemplo, ventas. Para la cual
queremos identificar los factores que contribuyen a sus variaciones, definiendo así las variables
independientes. En nuestro ejemplo, las variaciones observadas de las ventas podrían estar
influenciadas por el precio, la publicidad, las estacionalidades, el clima, y otros varios factores que
uno pudiera considerar.
Tema tres. Precisión y sesgo de un pronóstico.

Para evaluar la calidad de un pronóstico es importante mirar el nivel de precisión o error, donde
medimos qué tan cerca están nuestros pronósticos de los valores reales. También nos gustaría
saber si existe algún sesgo.
Es decir, si estamos subestimando o sobreestimando en forma sistemática al realizar nuestras
predicciones, en cuyo caso, hay que tomar una acción correctiva. La precisión se obtiene al analizar
los errores que ha cometido el modelo en sus estimaciones. A partir de este análisis, se podría
concluir que hay que adaptar el modelo usado actualmente con el objetivo de minimizar el error
cometido o bien seleccion

ar otro método diferente con mayor precisión.

En general, se define el error o residuo como e_t, de una predicción para el período t, como la
diferencia entre el valor observado real y la misma predicción. Es decir, y_t es el valor real de la
variable en el período t, por ejemplo, la demanda observada en t e y_t gorro o con sombrero es la
predicción realizada para esa variable en el período t. Si el error es positivo es porque el pronóstico
fue más bajo, es decir, subestima el valor real ocurrido. Y si el error es negativo, entonces el
pronóstico sobreestima, es decir, anduvo por sobre el valor real.
Entre las métricas comúnmente utilizadas para analizar la precisión de los pronósticos están:
desviación absoluta media, promedio de error porcentual absoluto y error cuadrático medio.
Revisemos a continuación en qué consisten. Desviación absoluta media, MAD o MAE en inglés.
MAD, "Mean Absolute Deviation" o MAE, "Mean Absolute Error", corresponde al promedio de las
desviaciones absolutas, sin importar el signo, entre todas las observaciones. El MAD es útil para
comparar métodos de pronóstico cuando el costo del error es proporcional a su magnitud.

Promedio de error porcentual absoluto, MAPE, en inglés "Mean Absolute Percentage Error", y
corresponde a medir los errores individuales en términos relativos al valor del cual nos desviamos.
Una virtud del MAPE es que permite comparar la precisión de diferentes modelos para diferentes
fenómenos, porque todo está en términos porcentuales.
Error cuadrático medio, MSE, en inglés "Means Squared Error", y se calcula como el promedio de
los errores elevados al cuadrado. Dado que los errores están elevados al cuadrado, se penalizan los
errores extremos bastante más que los errores pequeños.

Por ejemplo, es muy útil en la demanda de sangre en un banco de sangre, donde un error podría
ser muy dañino. Esta es una de las métricas más utilizadas; de hecho, es la que se usa en regresión
lineal. Cuando un método de pronóstico comienza a reportar un error sistemático no aleatorio, a
un lado de la media se necesita alguna métrica para identificar la presencia de un sesgo, y así,
poder tomar una acción correctiva y modificar o cambiar el método de pronóstico.
El "Tracking signal" es una métrica que ayuda a tomar esta decisión y se define como la suma de
los errores con su signo positivo o negativo acumulados dividida por el error absoluto medio, MAD.

Si el método de pronóstico no presenta sesgo, es insesgado, al sumar los errores positivos,

subestimación, con errores negativos, sobreestimación, se deberían ir cancelando entre ellos, por
lo que el "Tracking signal" debiera tender a 0. Uno esperaría estar por sobre y por debajo la misma
cantidad de veces.
Pero si en algún momento el valor del "Tracking signal" comienza a tomar valores cercanos a 4 o
menos 4, quiere decir que ha habido 4 errores más cargados hacia un lado que al otro, lo que
significa que estamos frente a un eventual sesgo del método. Prueba tu aprendizaje respondiendo
la siguiente pregunta.

Hemos llegado al final de la clase. Ahora, recordemos las ideas más importantes. Los métodos
cualitativos procesados por un ser humano pueden manejar información no estructurada, pero no
muchas variables al mismo tiempo.
Pero hoy, con el gran desarrollo de la inteligencia artificial, han aparecido algunos métodos para
procesar información no estructurada e incorporarla en los pronósticos. Por definición, los
pronósticos no son exactos ni perfectos, porque para eso necesitaríamos una bola de cristal que
adivinara el futuro.

Por esta razón, debemos medir frecuentemente cuánto se alejan de la realidad y así, ir evaluando
cuánto podemos confiar en el método de pronóstico seleccionado. Cuidado con pronósticos
sesgados, que llevan a decisiones deficientes y deterioran el rendimiento del negocio, pudiendo
poner en riesgo la viabilidad de una organización.