CASO DE ESTUDIO: PLANEACIÓN DE LA DEMANDA A-CAT CORP.

Páez Celis, Iván Andrés; Agudelo Flórez, Leidy Viviana; Jaramillo Vásquez, Laura Jancelly; Barreto Ramírez, Andrés
Camilo; Suárez Lizarazo, Wendy Paola.

CONTEXTO

Problemática

La empresa A-CAT Corp. se encuentra actualmente enfrentando desafíos en la gestión de sus operaciones,
caracterizados por un desequilibrio entre sus ventas, la gestión del almacén y la producción. Este desequilibrio en la
gestión de compras ha sido atribuido a las deficiencias en el pronóstico de la demanda. La compañía ha mantenido un
elevado nivel de inventario de transformadores, considerándolos los productos con mayor rotación, y como medida de
precaución ante posibles aumentos en los precios de los proveedores. Sin embargo, esta estrategia ha impactado
negativamente en la entrega oportuna de productos al cliente final debido a afectaciones en la producción por el sobre
abastecimiento de ciertos insumos que resulta en escasez de otros, generando retrasos en los procesos operativos [1].

Figura 1. Demanda de A-CAT Corp. en cinco años.

A pesar del continuo aumento en las ganancias de A-CAT Corp., esta enfrenta fluctuaciones en la demanda de
transformadores debido a variaciones en las ventas de reguladores. Estos cambios han provocado imprecisiones en la
planeación de compras impactando el flujo de efectivo de la empresa, pues al no realizar pedidos de manera constante
sus costos de proveedores también comenzaron a fluctuar, igual que los ritmos de producción y la cantidad de
personal requerido, lo que demuestra que el abastecimiento y la producción no se alinean con los pedidos ni con la
capacidad del proveedor. Por lo tanto, hay que implementar un nuevo método que garantice precisión en las compras,
asegurando que satisfacen las necesidades de producción según la demanda pronosticada. De esta manera, se pueden
reducir las deficiencias o excesos de inventario que afectan los procesos y ralentizan la entrega del producto final al
cliente. Esta mejora en el nivel de servicio es crucial para la empresa.

Figura 1.1. Selección de periodo de la demanda para análisis de datos.

Los datos por analizar fueron los últimos tres periodos mensuales reportados como se muestra en la figura 1.1, ya que
sus ventas disminuyeron con respecto a la demanda de diciembre de 2007 a diciembre de 2010.
USO DE LA INFORMACIÓN

En la Figura 2 se observa que no existe correlación entre la demanda de transformadores y la venta de refrigeradores,
por lo que se evaluaron los modelos descartando la influencia de los refrigeradores vendidos.

Figura 2. Correlación entre la demanda de transformadores VS la venta de refrigeradores.

Al calcular los cuartiles y el gráfico de caja de bigotes (ver Figura 2.1), se entiende que el rango de tiempo
seleccionado no presenta datos atípicos, por lo que no se requiere depurar datos, y se obtuvieron intervalos de la
demanda (ADI) de 1, y coeficientes de variación (CV) 0.14.

Figura 2.1. Diagrama de caja y bigotes.

ANÁLISIS DE SERIES DE TIEMPO

Utilización de modelos de pronósticos

Se evaluaron varios modelos de pronósticos de la demanda a través de la herramienta FOR TMS C1 [2] para encontrar
la solución adecuada a los problemas de la empresa. Los modelos considerados incluyeron promedio móvil simple,
promedio móvil doble, suavización exponencial, suavización exponencial doble, suavización exponencial con ajuste
de tendencia, regresión lineal y descomposición multiplicativa. Esta evaluación se realizó para determinar cuál de
estos modelos se ajustaba mejor a los datos proporcionados y, por lo tanto, estimar el más apropiado para abordar las
necesidades de la empresa.

En primer lugar, se realizó un acercamiento inicial en la estimación de los parámetros empleados en cada modelo
donde se hizo uso de la señal de rastreo, la desviación del pronóstico, las intersecciones en cero y la medición de error
que incluye: desviación media absoluta (MAD), error porcentual absoluto medio (MAPE), error medio (ME) y error
cuadrado medio (MSE) como medidas de desempeño. Luego, se iteraron las calculaciones variando el número de
periodos promediados. Además, para los modelos de pronósticos que emplean una constante de suavización, se realizó
una selección inicial mediante la optimización utilizando MAD como valor objetivo a minimizar, esto se hace para
encontrar un punto inicial que pueda ofrecer un rendimiento aceptable del modelo [3]; Después, se realizó un ajuste
manual de los parámetros para obtener mejores respuestas en la señal de rastreo, teniendo en cuenta las
consideraciones prácticas y operativas de la empresa en relación a la gestión de inventarios. Finalmente, se realizó la
identificación de los parámetros mejor ajustados para cada modelo evaluado y se realizó su posterior comparación
mediante la normalización de datos.

Las mediciones de error proporcionan una evaluación detallada de la precisión del modelo al considerar la magnitud,
dirección y distribución de los errores en las predicciones. La señal de rastreo se utiliza para monitorear el
comportamiento del modelo en relación con los límites definidos, mientras que las intersecciones con cero se
consideran para garantizar la aplicabilidad práctica de los pronósticos. A su vez, la desviación del pronóstico
determina la precisión del modelo en términos de las observaciones reales [4]. Esta combinación de medidas permite
una evaluación integral del rendimiento del modelo, abordando tanto su precisión estadística como su capacidad para
satisfacer las necesidades operativas específicas de la empresa.

Determinación de parámetros e indicadores claves de rendimiento (KPI’s)

Inicialmente, un parámetro se define como una variable que puede ser medida o controlada y que afecta el
funcionamiento de un sistema o proceso; por otro lado, los KPI’s son medidas cuantificables utilizadas para evaluar el
rendimiento de una empresa, proceso o proyecto en relación con sus objetivos estratégicos [5].

Para ofrecer una solución a la compañía presentando un modelo de pronósticos adecuado a los datos históricos, se
eligió el MAD, que representa los errores en valor absoluto, permitiendo comparar la magnitud del error. Como se
mencionó con anterioridad, se hizo uso de la minimización de esta medida para la selección de α y β. Por otro lado, se
deben tener en cuenta las medidas de desempeño diferentes a las mediciones de error que influyen en la toma de
decisiones, las cuales corresponden a:

Rango de señal de rastreo: Indica el intervalo de las desviaciones medias absolutas de las señales de rastreo
obtenidas en el análisis del error con relación al pronóstico [2]. Los modelos evaluados se implementaron
dentro del intervalo de ± 2, con el objetivo de permitir que la política de abastecimiento responda de manera
más consistente a las necesidades del proveedor, facilitando la generación de pedidos más uniformes y
continuos.

Intersecciones en cero y error del pronóstico: determinan el sesgo presente en el modelo y cómo se
comporta el error con respecto a los faltantes y sobrantes en la demanda real. Las intersecciones con cero es la
única medida de desempeño que mientras mayor sea su cantidad mayor ajuste tiene el modelo [2].

DESAROLLO DE LOS MODELOS

Promedio Móvil Simple (PMS):

Este modelo es conveniente para analizar series de tiempo de patrones de comportamiento lineal [2]. Se corre el
modelo PMS seis veces con diferentes números de periodos promedio y se concluye que es ideal usar N=2 ya que
ofrece el mejor desempeño, (ver Tabla 1. Resultados PMS) con el menor margen de error en la proyección (MAD) y
la más baja señal de rastreo que mide la precisión del pronóstico; sin embargo, el modelo no es adecuado para
solucionar el problema de aprovisionamiento de la compañía, ya que estima una menor demanda de transistores frente
a la demanda real y el error del pronóstico arroja una tendencia de altos niveles de inventario.

Tabla 1. Resultados PMS.

Figura 3. Señal de rastreo, pronóstico demanda y error del pronóstico para PMS.

Promedio Móvil Doble (PMD):

Por su parte este modelo es conveniente para analizar series de tiempo de patrones de comportamiento lineal [2]. Se
corre el modelo PMD igual que el anterior seis veces con diferentes números de periodos promedio y se determina que
usar N=2 también ofrece el mejor desempeño, incluso uno mejor que el modelo simple, toda vez que arroja un bajo
margen de error en la proyección (MAD), una mejor señal de rastreo y adicionalmente aumenta exponencialmente el
mejoramiento de intersecciones con cero evidenciando que es un modelo más preciso, como se puede ver en la ( Tabla
2. Resultados PMD). Sin embargo, también se descarta para solucionar la problemática de la compañía porque la
demanda es irregular en el tiempo y el modelo estima una mayor demanda de transistores frente a la real.

Tabla 2. Resultados PMD.

Figura 4. Señal de rastreo, pronóstico demanda y error del pronóstico para PMD.

Suavización Exponencial (SE):

Modelo de serie de tiempo conveniente para aquellos cálculos en donde la importancia de los datos disminuye a
medida que se aleja del pasado [2]. Se corre el modelo SE siete veces con diferentes números de periodos promedio y
se identifica que usar N=7 ofrece el mejor desempeño con el más bajo margen de error en la proyección (MAD),
acompañado de la más baja señal de rastreo y de una de las mayores intersecciones con cero ( Tabla 3. Resultados SE).
Sin embargo, también se descarta; Aunque la proyección de la demanda es bastante precisa (Figura 5. pronóstico
demanda) el desempeño de la señal de rastreo de 5 indica una subestimación de la demanda, lo que ocasionaría
faltantes de transformadores en la cadena productiva.

Tabla 3. Resultados SE.

Figura 5. Señal de rastreo, pronóstico demanda y error del pronóstico para SE.

Suavización Exponencial Doble (SED):

Modelo de serie de tiempo que suaviza tanto el promedio de los errores como la estimación de la tendencia [2]. Se
corre el modelo SE siete veces con diferentes números de periodos promedio y se usa el N=4 porque ofrece el mejor
desempeño de bajo margen de error en la proyección (MAD) y muestra 2 en el número de intersecciones con cero. Sin
embargo, se descarta el modelo ya que la señal de rastreo es la más alta de todos los modelos utilizados, lo que indica
que el modelo carece de precisión en la estimación de la demanda (ver Figura 6 pronóstico demanda) y la subestima,
agravando la problemática de altos inventarios y bajo flujo de caja.

Tabla 4. Resultados SED.

Figura 6. Señal de rastreo, pronóstico demanda y error del pronóstico para SED.

Tabla 5. Resultados SED para N = 4.

Figura 7. Señal de rastreo, pronóstico demanda y error del pronóstico para N = 4.

Suavización Exponencial con Ajuste de Tendencia (SET)

Este modelo es conveniente para datos donde la demanda presenta un patrón de tendencia con cierto grado de
aleatoriedad [2]. El resultado que éste ofrece en la Tabla 6 con α=1 y β=0 optimizados es una tendencia que no cambia
en el tiempo hasta el periodo N=3. Luego, la variación de β es ínfima y cercana a cero, lo que implica un cambio muy
lento de la tendencia de crecimiento en el tiempo; a su vez, se concluye que el comportamiento del crecimiento de la
demanda se presenta a lo largo de ciclos (ver Figura 1) y la volatibilidad de los datos de un periodo a otro dificulta la
capacidad del modelo para ajustarse.

Tabla 6. Resultados SET.

Figura 8. Señal de rastreo, pronóstico demanda y error del pronóstico para SET.

Por otro lado, de la Tabla 6 se hizo uso de α=1 y N por defecto (señalado en amarillo), dando como resultado la
atenuación del pronóstico en la Tabla 7. Sin embargo, al hacer la variación de β partícipe de la modelación se aumenta
el número de intersecciones con cero en 9 respecto al anterior y la señal de rastreo en la Figura 9 mejora en relación
con la Figura 8, donde se busca que esta se encuentre dentro de los límites establecidos, lo cual no sucede con el error
del pronóstico donde los datos se encuentran más dispersos.

Tabla 7. Resultados SET para N = Por defecto.

Figura 9. Señal de rastreo, pronóstico demanda y error del pronóstico para N = Por defecto.

Regresión Lineal (RL):

Este modelo define la relación funcional de dos o más variables correlacionadas de manera lineal [2]. En la Tabla 8 se
observa que el modelo tiene una capacidad moderada para predecir la demanda, pero podría mejorarse para aumentar
su precisión y estabilidad; el coeficiente de correlación está entre -0.5 y 0.5, implicando que la correlación es
moderada entre la variable dependiente y la independiente. Por otro lado, las mediciones de error, por ejemplo, para
MAD y MAPE indica que, en promedio, el pronóstico tiene un error absoluto medio de unas 119 unidades y un 11.3
%, unos valores indicarían una mejor precisión del modelo. Sin embargo, las siete intersecciones con cero indican
estabilidad del modelo y capacidad para prever cambios en la demanda. Para concluir, no se sugiere hacer uso de este
modelo.

Tabla 8. Resultados RL.

Figura 10. Señal de rastreo, pronóstico demanda y error del pronóstico para RL.

Descomposición Multiplicativa (DM):

Este modelo identifica y separa los datos en los componentes: tendencia, estacional, cíclica, correlación propia y
aleatoria [2]. En la Tabla 9 se modeló la herramienta evaluando los periodos de estacionalidad de 2 a 12 meses para
encontrar el periodo de mejor ajuste a los datos. De lo anterior, se encontró que los periodos 6 y 12 meses ofrecen
mejores resultados de acuerdo con las mediciones de los errores. Para esto, se eligió el periodo estacional en amarillo,
ya que, como se observa en la Figura 11, la señal de rastreo se mantiene dentro de los límites de control establecidos
antes, sugiriendo que este modelo captura adecuadamente las fluctuaciones estacionales, manteniendo el proceso bajo
control.

Tabla 9. Resultados DM.

Figura 11. Señal de rastreo, pronóstico demanda y error del pronóstico para DM.

Comparación de los modelos de pronósticos y solución propuesta

Para la selección del modelo, los resultados de las medidas de error, los intervalos de las señales, los marcadores y el
sesgo de predicción se normalizan determinando los márgenes para comparar el rendimiento del modelo. Es decir,
cuanto más cerca esté de 1, mejor se ajustará el modelo al objetivo evaluado. En la Tabla 11 se observan los
resultados respecto a la comparación de los modelos empleados normalizados. En la Tabla 10 se encuentra el
consolidado de los datos obtenidos antes de normalizarlos.

Tabla 10. Resultados comparación de los modelos de pronósticos empleados.

Tabla 11. Resultados comparación de los modelos de pronóstico empleados normalizados.

Con base en consideraciones extensas, se recomienda que A-CAT Corp. elija un modelo de descomposición
multiplicativa con un rango de error de ±2.0 y una variación estacional de seis meses para predecir el transformador.
Como se puede observar, el modelo tiene un muy buen ajuste, además de tener la desviación estándar más baja,
medida por error absoluto y cuadrático, en comparación con el modelo estimado. La ventaja de este modelo para este
contexto reside en que permite una estacionalidad que cambia en magnitud con el tiempo, los componentes de la
descomposición esta (tendencia, estacionalidad y error) se multiplican entre sí para reconstruir la serie original, esto
hace que sea más fácil interpretar los efectos de cada componente y entender cómo contribuyen al comportamiento
general de la serie temporal. Haciendo énfasis en el componente de error, este modelo permite incluirlo, atenuando la
aleatoriedad intrínseca de los datos y otros efectos impredecibles, dándole robustez al modelo. [6]

Finalmente, como se observa en la Figura 12, los modelos que indican un menor rendimiento se encuentran más
alejados del centro de la gráfica radial, lo cual no es un factor definitivo para la elección, pero sí a considerar.
Figura 12. Comparación gráfica de los modelos de pronósticos utilizados.

REFERENCIAS

[1] Richard Ivey School of Business Foundation. (2019) «A-CAT CORP.: PRONÓSTICO» Ivey Publishing. [En
línea]. Disponible en: https://www.iveypublishing.ca/s/product/acat-corp-forecasting/01t5c00000CwjKNAAZ.

[2] M. C. Bravo Gómez. (2011). «FOR-TSM: Desarrollo de una herramienta de pronósticos con modelos de series de
tiempo». Universidad EAFIT. [En línea]. Disponible en:
https://repository.eafit.edu.co/server/api/core/bitstreams/d5a03672-ad04-4255-a9bb-1ef0d6a8592d/content.

[3] C. L. Karmaker. (2017). «Determinación de la constante de suavizado óptima del método de suavizado
exponencial único: caso de estudio». IJRIE (Vol. 6). [En línea]. Disponible en:
https://www.riejournal.com/article_49603_96beb30053a5c0ba94d123da95fe3d35.pdf.

[4] R. Adhikari & R. K. Agrawal. (2013). «Un estudio introductorio sobre el modelado y pronóstico de series de
tiempo». Universidad Cornell. [En línea]. Disponible en: https://arxiv.org/abs/1302.6613.

[5] B. Wetzstein, D. Karastoyanova & F. Leymann. (2008). «Hacia la gestión de procesos de negocio compatibles con
SLA basados en indicadores clave de rendimiento». Universidad de Stuttgart. [En línea]. Disponible en:
https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=bd75e2661d2defb046c4b541200bccc38a1074d7.

[6] N. Mbuli, M. Mathonsi, M. Seitshiro & J. H. Pretorius. (2020). «Métodos de pronóstico de descomposición: una
revisión de aplicaciones en sistemas de poder eléctrico». CPESE. [En línea]. Disponible en:
https://www.sciencedirect.com/science/article/pii/S2352484720316644.