PRONÓSTICOS de DEMANDA

Ing. Ricardo D. CARLEVARI

Antes de entrar específicamente en el tema de pronósticos de demanda, haremos

una breve reseña de algunos conceptos de interés vinculados con este tema.

Características de la demanda:

Normalmente la demanda es variable en el tiempo y, para compensar estas

variaciones, es que se puede proceder de alguna de las formas que se detallan a
continuación:

Planes genéricos:

- Planes que afectan a la demanda:

 Fijar precios menores cuando la demanda es baja
 Aumentar la publicidad y promoción
 Buscar fórmulas de descuento para anticipar compras
 Utilizar las instalaciones para producir bienes de demanda contracíclica
(helados, turrones, etc.)
 Ampliar el uso del producto haciéndolo útil todo el año

- Planes que afectan a la oferta (modificando la cantidad de bienes ofrecidos):

 Variando la fuerza de trabajo: contratando y despidiendo
 Horas extras
 Inventarios como reguladores del proceso productivo
 Subcontratación

Estrategias:

 Mantener una producción regular, ajustándola a la demanda a través de los

stocks
 Variar la producción estacionalmente en función de la demanda
 Generalmente la solución que optimiza el Plan de Producción es una intermedia
entre las dos anteriores

Factores que afectan la demanda:

La demanda de un bien o servicio se puede ver afectada tanto por factores externos
como por factores internos:

 Factores externos (entorno): son difíciles de controlar por la gerencia.

 Factores internos (diseño del producto o servicio, precio, publicidad,

distribución): la gerencia deberá estudiar cuidadosamente la evolución temporal

1
 de la demanda, para utilizar con eficiencia los recursos y la capacidad de
producción.

Análisis del entorno:

Al analizar los factores externos que afectan a la demanda debemos considerar
distintos tipos de entornos:

 Entorno económico
 Tasa de crecimiento esperado del PBI
 Aumento previsible de los precios
 Cambios económicos que puedan afectar negativamente la evolución del
mercado y la demanda
 Medidas a considerar si esos cambios tienen lugar
 Entorno tecnológico
 Desarrollo tecnológico que pudiera incidir sobre los costos de producción
 Desarrollo tecnológico que pudiera afectar la demanda de nuestros
productos
 Sectores tecnológicos susceptibles de amenazar nuestro campo de
actividad
 Plazo en el que pueden ocurrir estos cambios
 Medidas a adoptar en estos casos
Los avances tecnológicos pueden influir en el marketing de tres maneras:

 Dar origen a industrias enteramente nuevas. Ej: computadoras, robots

 Modificar o destruir industrias existentes. Ej: la TV fue un duro golpe para
la radio y el cine
 Estimular mercados e industrias no relacionadas con la nueva tecnología.
Ej: los microondas proporcionan a la gente tiempo adicional para
dedicarse a otras actividades

 Entorno sociodemográfico y cultural

 Tamaño, distribución y crecimiento de la población (envejecimiento)
 Cambios socioculturales que pueden afectar nuestra demanda (cambio
del rol de la mujer)
 Cambios de actitudes que pueden afectar la demanda global
 Determinar el impacto previsible de tales cambios

 Entorno político y legal

 Políticas monetarias y fiscales
 Legislación y regulaciones sociales
 Relaciones del gobierno con las industrias

2
  Legislación específicamente relacionada con el marketing (regulación de
la competencia, protección al consumidor)

 Entorno internacional
 Dependencia de insumos importados
 Estabilidad política y económica de los países de origen
 Medidas a adoptar en casos de ruptura de los aprovisionamientos
 Medidas a tomar ante un proceso de globalización de los mercados
 Entorno ecológico
 Procedimientos utilizados por nuestros proveedores que signifiquen una
amenaza para el medio ambiente
 Medidas a adoptar si nuestros proveedores deben modificar sus procesos
de fabricación
 Determinar qué procesos, materias primas, envases utilizamos y que
puedan significar una amenaza para la salud del entorno
 Medidas a adoptar en caso de tener que cambiar

Clasificación de productos:

Según su durabilidad y tangibilidad:

 Bienes no duraderos: son productos tangibles que normalmente se consumen

en un solo uso o unos cuantos usos (cerveza, jabón). Dado que se consumen
con rapidez y se compran a menudo, la estrategia es ofrecerlos en muchos
lugares, cobrar un sobreprecio pequeño y anunciarlos intensamente para crear
preferencia.
 Bienes duraderos: productos tangibles que normalmente sobreviven a muchos
usos: heladeras, ropa, etc. Estos requieren venta y servicio más personales,
tienen un margen más amplio y requieren más garantías de la parte vendedora.
 Servicios: intangibles, inseparables, variables y perecederos. Requieren más
control de calidad, credibilidad del proveedor y adaptabilidad. Ej: corte de pelo y
reparaciones.

Diferencias entre bienes y servicios:

A continuación detallaremos un listado de características que, en general, se dan
para los bienes y servicios, respectivamente:

BIENES
 Tangibles
 Se pueden revender
 Almacenables
 La producción precede al consumo
 Producción y consumo pueden separarse en el espacio
 Pueden transportarse

3
 Contacto indirecto entre compañía y cliente
 Durables
 Instalaciones grandes
 Intensivos en capital
 Calidad fácil de medir
 Tiempo de respuesta largo

SERVICIOS
 Intangibles
 No se pueden revender
 No almacenables
 Producción y consumo son simultáneos
 Producción y consumo deben ocurrir en el mismo lugar
 No pueden transportarse
 En la mayoría de los casos se necesita un contacto directo
 Perecederos
 Instalaciones pequeñas
 Intensivos en trabajo
 Calidad difícil de medir
 Tiempo de respuesta corto

Clasificación de bienes para el consumidor:

 Bienes de conveniencia: son aquellos productos que el comprador, por lo
regular, adquiere con frecuencia, de manera inmediata y con un mínimo
esfuerzo. Ej: cigarrillos, diarios.
A su vez, éstos se pueden subdividir en:
- Bienes de uso común: aquellos que los consumidores adquieren con
regularidad. Ej: desodorante, leche, etc.
- Bienes de impulso: se compran sin que se planee hacerlo y sin
esforzarse por buscarlos. Se deben colocar bien a la vista. Ej:
chocolates en el supermercado.
- Bienes de emergencia: se compran cuando surge una necesidad
urgente. Los fabricantes los colocan en muchos expendios para
capturar la venta en el momento de la necesidad. Ej: paragüas cuando
llueve.

 Bienes de comparación: son bienes que el cliente, durante el proceso de

selección y compra, suele comparar con base a su idoneidad, calidad, precio
y estilo. Ej: muebles, ropa, etc.

 Bienes de especialidad: son bienes con características exclusivas o

identificación de marca, por los cuales un número suficiente de compradores
está dispuesto a hacer un esfuerzo de compra especial. Ej: automóviles de
lujo. El comprador no efectúa comparaciones, sólo invierte tiempo en llegar al
distribuidor quien tiene que comunicar a los posibles compradores su
ubicación.

4
  Bienes no buscados: aquellos que el consumidor no conoce o que
normalmente no piensa comprar. Ej: seguros de vida, enciclopedias.
Estos productos requieren apoyo de publicidad y ventas personales.

Clasificación de bienes industriales:

 Materiales y componentes: son bienes que se incorporan totalmente en el

producto del fabricante, y son de dos clases: materias primas y materiales y
componentes manufacturados.
 Bienes de capital: son bienes duraderos que facilitan el desarrollo o manejo
del producto terminado, e incluyen dos grupos: instalaciones y equipos.
 Insumos y servicios comerciales: bienes de corta duración y servicios que
facilitan el desarrollo o manejo del producto terminado.

Importancia de los pronósticos de demanda:

En el esquema adjunto, podemos observar a la empresa con sus “dos caras

externas”. Una hacia atrás, hacia los proveedores y la otra hacia adelante, hacia los
clientes. También se ha graficado el flujo de los distintos insumos comprados a los
proveedores (materias primas, materiales, energía, etc.) que van agregando valor en
las distintas etapas de producción, para, finalmente salir de la empresa como
productos terminados listos para ser distribuidos a los clientes. En sentido contrario
se ha graficado el flujo de información que, partiendo desde los clientes, penetra en
la empresa para, finalmente llegar a los proveedores.

VALOR AÑADIDO al FLUJO de MATERIALES

PROVEEDORES EMPRESA CLIENTES

Compras Producción Distribución

FLUJO de INFORMACIÓN

Desde hace ya varias décadas, las empresas se encuentran integradas de adelante

hacia atrás, buscando producir aquello que satisfaga las exigencias de los
consumidores. De este modo, el flujo de información, según se muestra en el
esquema adjunto, parte del Plan de Marketing, según el cual se determinarán los
Pronósticos de venta y, en función de éstos últimos, el nivel de stock requerido.

5
 Plan de Marketing

Pronósticos de Venta

Nivel de Stock requerido

Stock requerido - Stock existente = Previsiones de Fabricación

Ordenes de Producción

Pedidos a Proveedores

Por su parte, si al stock requerido le restamos el stock existente, obtendremos por

resultado las Previsiones de fabricación que serán necesarias para poder
satisfacer, en tiempo y forma, la demanda pronosticada. Luego, las previsiones de
fabricación, se materializarán en Órdenes de producción. Realizando una
descomposición del producto en todas sus partes componentes, se podrán
determinar las cantidades requeridas de cada uno de los insumos que lo componen.
Finalmente, considerando los stocks requeridos y existentes de cada uno de esos
insumos, podrán determinarse las cantidades a solicitar de cada uno de ellos que
constituirán los Pedidos a proveedores.

6
 Aprovisionamiento

Almacenamiento

Producción

Distribución

Punto de Venta

El flujo de materiales, a su vez, comprende las etapas de Aprovisionamiento, en la

cual se materializa la compra de los distintos insumos, para pasar luego al
Almacenamiento de los mismos para poder disponer de ellos en el área de
Producción de los productos que, una vez terminados, pasan al área de
Distribución al Punto de Venta.

Fácil será deducir, del esquema planteado, la importancia fundamental que reviste
un adecuado pronóstico de demanda, toda vez que se constituye en el “motor de
arranque” de las distintas áreas logísticas integradas.

7
Consideraciones generales

Si en una empresa se pudiera conocer con precisión la demanda futura, entonces se

podría prever con facilidad cualquier acción de la empresa. En general, esto no es
posible.

Si la demanda futura es conocida, entonces diremos que está determinada o que es

de tipo determinístico. Si, en cambio, como suele ocurrir, no es conocida, entonces
diremos que la demanda es aleatoria. En este último caso, debemos recurrir a las
distribuciones estadísticas.

También podemos hablar de demanda uniforme, cuando es constante y variable

cuando no lo es.

La demanda también puede ser continua y no continua.

Al estimar la demanda futura en base a datos históricos, es preciso tener en cuenta

otros factores que influyen sobre ella. Por ejemplo: las acciones que puede realizar
la competencia, tales como una disminución en el precio, o alguna actividad
promocional, que puedan ejercer alguna disminución en las ventas de nuestros
productos. También pueden aparecer nuevos competidores.

En la estimación también debemos tener en cuenta si hemos realizado alguna

acción de marketing o si pudo haber un cambio en los canales de distribución,
cantidad de vendedores u otros que puedan afectar la demanda futura de nuestros
productos.

8
Métodos de pronósticos

Los métodos utilizados para pronosticar la demanda son variados y el uso de unos u
otros dependerá, entre otras cosas, del tipo de producto que estemos analizando.
Básicamente los clasificaremos en dos grandes grupos:

 CUALITATIVOS:

- DE JUICIO

 CUANTITATIVOS:

- CAUSALES

- SERIES DE TIEMPO

MÉTODOS DE JUICIO

Los métodos de Juicio comprenden:

 Estimaciones de la fuerza de ventas

 Opinión ejecutiva
 Investigación de mercado
 Método Delphi

Estimaciones de la fuerza de ventas

Las estimaciones de la fuerza de ventas presentan las siguientes ventajas y

desventajas:

 Ventajas:
- Mayor probabilidad de conocer qué bienes y servicios comprarán los
clientes y en qué cantidad
- Información por distritos o regiones
- Los pronósticos individuales pueden combinarse fácilmente para obtener
pronósticos nacionales.

 Desventajas:
- Subjetividad
- Probablemente no se perciba la diferencia entre lo que el cliente “desea” y
lo que “necesita”
- Posibilidad de subestimación del pronóstico para mostrar mejores
resultados luego

9
Opinión Ejecutiva

Se hace un resumen de las opiniones, la experiencia y los conocimientos técnicos

de uno o varios gerentes.

 Desventajas:
- Costoso (utiliza el tiempo de ejecutivos)
- A veces queda fuera de control
- Riesgo de encadenamiento de sobreestimaciones (gerente comercial,
gerente de producción, etc.). Por eso es fundamental la existencia de un
consenso de pronóstico unificado

Investigación de Mercado

La Investigación de Mercado se puede llevar a cabo de distintas formas. A través de:

 Encuestas
 Grupos de opinión
 Información provista por empresas consultoras

Método Delphi

El Método Delphi consiste en lo siguiente:

 Es un proceso para obtener consenso dentro de un grupo de expertos. Es útil

cuando no existen datos históricos y los gerentes no tienen experiencia como
para hacer pronósticos acertados.
 Un coordinador envía preguntas a los expertos externos y posteriormente
prepara un resumen de las respuestas.
 Se envía el resumen al grupo para realizar otra ronda de opiniones.
 Las rondas continúan hasta llegar a un consenso.

Limitaciones del Método Delphi

 El proceso puede prolongarse durante mucho tiempo

 Probablemente las respuestas sean menos significativas que si los expertos
tuvieran que asumir la responsabilidad por ellas.
 Cuestionarios mal planeados conducen a conclusiones erróneas.

10
MÉTODOS CAUSALES

Los métodos causales se emplean cuando se dispone de datos históricos y la

relación entre la variable que se intenta pronosticar y otras variables (externas o
internas) puede identificarse.

Regresión lineal

El análisis de regresión lineal es un método causal que se utiliza para definir una
relación funcional lineal entre una variable dependiente y una o más variables
independientes.
Tiene dos propósitos:
1) Comprender la relación entre dos (o más) variables (Ej: publicidad y
ventas)
2) Predecir el valor de una variable con base en el valor de la(s) otra(s).

Regresión lineal simple

La regresión lineal simple incluye sólo una variable independiente y tiene la forma:

Yc  a  b.X
Este método es útil para los pronósticos a largo plazo. El objetivo es encontrar los
valores de “a” y “b” que minimicen la suma de las desviaciones al cuadrado
(mínimos cuadrados) de los puntos pertenecientes a la recta de regresión respecto
de los datos reales (diagrama de dispersión).

11
 a  Y  b. X (1)

b
 X  X Y  Y  (2)
 X  X 
2

X 
X Y 
Y
n (3) n (4)

Propiedades

La línea de ajuste determinada a través de los cuadrados mínimos, tiene las

siguientes propiedades:

 La sumatoria de todas las desviaciones verticales es 0 (cero).

 La sumatoria de los cuadrados de todas las desviaciones verticales es
mínima.

Ejemplo:

Una distribuidora de productos alimenticios en una ciudad ha comprobado que su

facturación en los últimos seis años depende de los ingresos percibidos por la
población de esa ciudad en ese mismo período. En la tabla adjunta se muestran
estos valores.
Se busca hallar la ecuación de regresión que vincula la facturación de la
distribuidora con los ingresos de la población.

12
 Facturación Ingresos población (millones
(´00.000$) de $)
Año
Y X

1 6 3
2 8 4
3 9 6
4 5 4
5 4,5 2
6 9,5 5
TOTAL 42 24

Reemplazando valores en (3) y (4):

X 
X 
24
4
6 6

Y
Y 
42
7
6 6

AÑO Y X Y  Y  X  X  X  X Y  Y  X  X 2

1 6 3 -1 -1 1 1
2 8 4 1 0 0 0
3 9 6 2 2 4 4
4 5 4 -2 0 0 0
5 4,5 2 -2,5 -2 5 4
6 9,5 5 2,5 1 2,5 1
∑ 42 24 0 0 12,5 10

13
 b
 X  X Y  Y  12,5
  1,25
 X  X 
2
10

a  Y  b X  7  1,25.4  2

Yc  2  1,25 X
Medición del ajuste del modelo de regresión

 Variabilidad total de Y con respecto a la media Ῡ:

SST   Y  Y   2

SST sería la variabilidad en la estimación de la variable dependiente Y si

consideramos sólo la media Ῡ y no tenemos en cuenta los valores de la variable
independiente X para su estimación.

 Variabilidad de Y con respecto a la recta de regresión

SSE   Y  YC 
2

SSE sería la medida de la variabilidad en la estimación de la variable dependiente Y,

no explicada por la estimación hecha con la recta de regresión.

 Suma de los cuadrados debidos a la regresión

SSR   YC  Y   2

SSR indica cuánto de la variabilidad total de Y es explicada mediante el modelo de

regresión.

14
Luego tendremos la siguiente relación:

SST = SSE + SSR

Variación total = no explicada + explicada

 Y  Y    Y  Y    Y 
2 2 2
C C Y

Desviación de la variable dependiente

El coeficiente de determinación (r²) mide la proporción de la variabilidad de la

variable dependiente que puede ser explicada por cambios en la variable
independiente. Cuanto mayor es este valor, tanto mayor será la relación entre las
variables.

 Yc  Y 
2
SSR
r2  
 Y  Y 
2
SST

El coeficiente de correlación (r) es la raíz cuadrada del coeficiente de determinación.

 Yc  Y 
2

r
 Y  Y 
2

El coeficiente de correlación lineal simple “r” es un número comprendido entre -1 y

+1 que indica qué tan bien describe la ecuación de regresión la relación entre las
dos variables.

Ejemplo:
Volviendo al ejemplo de la empresa distribuidora, se puede calcular:
Año (Y - Ῡ)² Yc Y-Yc (Y – Yc)²

1 1 5,75 0,25 0,0625

2 1 7 1 1

3 4 9,5 -0,5 0,25

4 4 7 -2 4

5 6,25 4,5 0 0

6 6,25 8,25 1,25 1,5625

∑ 22,5 0 6,875

15
 Luego, la desviación explicada por la ecuación de regresión será:

SSR  SST  SSE  22,5  6,875  15,625

SSR 15,625
r2    0,6944
SST 22,5

r  r 2  0,6944  0,833

MÉTODOS CON SERIES DE TIEMPO

En lugar de emplear variables independientes para los pronósticos, como en los

modelos de regresión, los métodos con series de tiempos usan información histórica
que sólo se refiere a la variable dependiente. Están basados en la suposición de que
el patrón de la variable dependiente en el pasado habrá de continuar en el futuro.
Las series de tiempo se utilizan, en general, para previsiones de corto plazo.
En general, las series de tiempo pueden descomponerse en cuatro
componentes:

1) Tendencia
2) Estacionalidad
3) Ciclos
4) Aleatoria

 Tendencia: es el movimiento gradual de los datos hacia arriba o hacia abajo

a lo largo del tiempo
 Estacionalidad: es el patrón de la fluctuación de la demanda por encima o
por debajo de la línea de tendencia que se repite a intervalos regulares
 Ciclos: son patrones de los datos anuales que ocurren en ciertos intervalos
de varios años. Son difíciles de determinar dado que la duración o la causa
del ciclo pueden no ser conocidas. (Ej: la influencia cíclica sobre la demanda
podría surgir de sucesos como elecciones políticas, guerras, presiones
sociológicas)
 Variaciones aleatorias: son causadas por hechos casuales.
Estadísticamente, cuando todas las causas conocidas de la demanda (media,
tendencia, estacionalidad y ciclos) se restan de la demanda total, lo que
permanece, si no podemos explicar sus causas, suponemos que es una
variación aleatoria.

16
 La demanda puede tener distintos comportamientos:

Demanda constante
Demanda constante no significa necesariamente una recta horizontal, es decir, un
comportamiento de la demanda exactamente igual para cada mes. En la práctica,
muy difícilmente pueda darse ese caso.

Demanda con tendencia

Cuando la tasa de demanda varía permanentemente, entonces podemos hablar de
una tendencia. Este caso puede visualizarse en el gráfico. Si unimos ambos puntos
extremos, obtendremos una recta con una cierta pendiente (en este caso creciente).

Unidades

Mes

En los gráficos que siguen se muestran los tipos más comunes de tendencias.

17
Tendencia lineal

Ventas

Tiempo

Tendencia de Curva en S

Ventas

Tiempo

18
Tendencia asintótica

Ventas

Tiempo

Tendencia exponencial

Ventas

Tiempo

19
Demanda con estacionalidad

Se da cuando a lo largo del año se producen “picos” y “valles” en un mismo período

del año comparando una serie de varios años. Resulta difícil, a veces poder
establecer cual es el límite para poder decir que un producto es estacional o no. Una
medida de esto último podría ser la de considerar que un producto es estacional
cuando los valores extremos (picos y/o valles) difieren entre un 30 y un 50% del
valor medio de la demanda a lo largo de todo el año. En el gráfico se muestra un
ejemplo de la demanda de un producto que muestra una alta estacionalidad en el
mes de enero.

Como veremos más adelante, para determinar la estacionalidad de la demanda de

un cierto producto, es necesario tomar más de un año, preferentemente, al menos
tres años, que permitan obtener un consolidado de la demanda en cada mes del
año. Si tomamos un solo año puede haber variaciones “puntuales” de ese año que
lleven a resultados equivocados. Del mismo modo, si hubiera un año muy “atípico”
por razones del entorno, como podría ser por ejemplo el año 2002 para La
Argentina, es conveniente no tomarlo en nuestros cálculos, dado que pueden existir
variaciones de la demanda que no obedecen a un problema estacional sino a otro
tipo de problemas.

La palabra “estacionalidad” proviene de la “estación del año”, de ahí que por

ejemplo, el helado sea un producto de alta estacionalidad en el verano y el café de
alta estacionalidad en el invierno. Sin embargo, en ciertos productos es común
hablar de estacionalidad, dado que tienen una alta demanda en determinadas
épocas del año, más allá de la estación. Este es el caso que se da para productos
como, por ejemplo, los huevos de Pascua que sólo se consumen para estas
celebraciones.

Unidades

ENERO ENERO ENERO

Mes

20
Una vez vertidos los conceptos que acabamos de señalar, nos referiremos ahora,
en particular, a los distintos métodos de pronósticos de la demanda:

MÉTODOS de PRONÓSTICO

Pronóstico empírico

El pronóstico empírico se basa en considerar, por ejemplo, la misma demanda que

el mes anterior. Si la demanda es estacional, entonces se recomienda tener en
cuenta la demanda del mismo mes del año anterior.

Promedio móvil simple

Este método busca suprimir los efectos de las variaciones al azar. Se calcula
obteniendo el promedio de, por ejemplo, la demanda de los últimos 12 meses y ese
valor se considera como la demanda para el mes siguiente. Luego, para el próximo
mes, se quita el mes “más viejo” y se lo reemplaza por el resultado real del “mes
más nuevo” y se sigue así repitiendo el cálculo mes a mes.

Ejemplo 1:
Un centro de distribución desea planificar la cantidad de bultos a despachar para el
mes siguiente (enero de 2009). Para esto cuenta con la información adjunta,
correspondiente al año 2008. A los efectos de que la estimación no esté influenciada
por variaciones “al azar” de la cantidad de bultos a despachar, se ha resuelto hacer
la estimación utilizando el método del promedio anual móvil simple.

Mes Cantidad de bultos

Enero 4.310
Febrero 5.500
Marzo 6.200
Abril 4.920
Mayo 5.350
Junio 5.600
Julio 7.100
Agosto 5.870
Septiembre 6.250
Octubre 7.200
Noviembre 5.920
Diciembre 4.800

Solución:
De acuerdo a lo visto, para estimar la cantidad de bultos del mes de enero de 2009,
debemos sacar el promedio de los doce meses del año 2008. Esto es:

21
Prom. = 4.310+5.500+6.200+4.920+5.350+5.600+7.100+5.870+6.250+7.200+5.920+4.800
12

Prom. = 5.752 bultos

Luego, la estimación para enero de 2009 es de 5.752 bultos.

Ejemplo 2:

Consideremos que, en el caso anterior, la cantidad real de bultos en enero de 2009

fue de 5.430 bultos. Utilizando el método del promedio móvil simple se desea
estimar ahora la cantidad de bultos a despachar en el mes de febrero de 2009.

Solución:

De acuerdo a lo visto, para calcular el estimado de febrero de 2009, debemos

considerar la serie de meses del caso anterior y, en ella, agregar el mes “más
nuevo” (valor real de enero 2009 = 5.430 bultos) y eliminar el mes “más viejo” (valor
real de enero 2008 = 4.310 bultos).

Luego, el promedio móvil simple para la estimación de febrero 2009, se calculará

haciendo:

Prom. = 5.500+6.200+4.920+5.350+5.600+7.100+5.870+6.250+7.200+5.920+4.800+5.430
12

Expresión en la cual, podemos observar lo recién dicho.

Luego:

Prom. = 5.845 bultos

Luego, la estimación para febrero de 2009 es de 5.845 bultos.

Promedio móvil ponderado

Es igual al anterior con la diferencia de que se asignan pesos relativos a los distintos
meses antes de calcular el promedio.
Es decir, en el caso anterior (promedio móvil simple), el peso relativo de cada mes
sería:

Peso relativo (%) = 100/12 = 8.333 %

22
En este caso, en cambio, podríamos suponer que le asignamos, por ejemplo, un
peso relativo de 10, 20, 30 y 40 % a los meses de cada trimestre respectivamente,
de manera de que “pesen” más, los últimos meses.

Ejemplo 3:
Un centro de distribución desea estimar la cantidad de camiones que llegan a cargar
mercaderías en el primer trimestre de 2009. Para ello cuenta con información
trimestral del año 2008, según se consigna en forma adjunta. Para la estimación se
requiere utilizar el método de los promedios móviles ponderados.

Trimestre Cantidad de camiones

Primero 950
Segundo 1.200
Tercero 1.470
Cuarto 1.050

Se determinó, asimismo, asignar los pesos relativos que hemos mencionado más
arriba (10, 20, 30 y 40 %) a cada trimestre del año respectivamente, de manera de
que “pese” más, la información de los últimos trimestres.

Solución:
La estimación de camiones para el primer trimestre de 2009, utilizando el promedio
móvil ponderado resultará:

Prom. = 950x0,1 + 1.200x0,2 + 1.470x0,3 + 1.050x0,4

Prom. = 1.196 camiones

Ejemplo 4:
Supongamos ahora el caso del ejemplo anterior, pero considerando que la cantidad
real de camiones en el primer trimestre de 2009 fue de 1.270 y que, con el mismo
método, se quiere estimar la cantidad de camiones a recibir en el segundo trimestre
de 2009.

Solución:
Siguiendo el mismo criterio que hemos aplicado en los promedios móviles simples,
debemos “agregar” el valor más nuevo (1.270) y “descartar” el más viejo (950).
Consideramos las mismas ponderaciones, en orden creciente desde el trimestre
“más viejo” al “más nuevo”.

Luego, la estimación de camiones para el segundo trimestre de 2009, será:

Prom. = 1.200x0,1 + 1.470x0,2 + 1.050x0,3 + 1.270x0,4

Prom. = 1.237 camiones

23
Suavizado o alisamiento exponencial

Este método se caracteriza por asignar mayor peso a las demandas recientes que a
las anteriores.

Para su cálculo, se debe disponer previamente de un pronóstico (por ejemplo de los

dos períodos anteriores para el tercer período) y luego estimar la demanda del
próximo período (cuarto) haciendo una ponderación entre la demanda real del
período anterior (tercero) y la que se había pronosticado para ese tercer período. El
coeficiente de ponderación se podrá ir ajustando en la medida que se considere
conveniente y estará comprendido siempre entre 0 y 1.
Es decir:

Ft+1 = Ft + α(Dt – Ft)

El pronóstico para el período siguiente (Ft+1 ) es igual al pronóstico del período

actual (Ft) más una proporción (α) del error de pronóstico (Dt – Ft) correspondiente
al mismo período actual.

Ejemplo 5:

La cantidad de pedidos de ambulancia atendidos en un hospital en las últimas tres

semanas es la que se detalla en forma adjunta. Se desea estimar la cantidad de
ambulancias requeridas para la cuarta semana. Para ello se aplicará el método del
suavizado exponencial con un coeficiente x = 0,1.

Semana Ambulancias
1 240
2 320
3 300

Solución:
Para estimar el requerimiento de ambulancias en la semana cuatro mediante el
método del alisado exponencial, debemos partir de un pronóstico inicial. Para ello
promediamos los valores correspondientes a las semanas 2 y 3. Esto es:

Pronóstico de la semana 3 = (320 + 300)/ 2 = 310 ambulancias

Luego, de acuerdo a lo visto más arriba, será:

Pronóstico de la semana 4 = x . valor real semana 3 + (1 – x) . valor estimado

semana 3

Pronóstico de la semana 4 = x . 300 + (1-x) . 310 = 0,1 . 300 + (1-0,1) . 310 = 30 +

279 = 309 ambulancias

24
El cálculo se puede hacer también de esta forma:

Pronóst. sem. 4 = valor est. sem. 3 + x . (valor real sem. 3 – valor est. sem. 3) =
= 310 + 0,1 (300 – 310) = 309 ambulancias

Ejemplo 6:
Si consideramos que, en el mismo ejemplo anterior, la cantidad real de ambulancias
en la semana 4 fue de 280, calcular el pronóstico para la semana 5.

Solución:

Pronóstico de la semana 5 = x . valor real semana 4 + (1 – x) . valor estimado

semana 4

Pronóstico de la semana 5 = 0,1 . 280 + (1 – 0,1) . 309 = 306 ambulancias

Proyecciones de Tendencia

Una línea de tendencia es una ecuación de regresión lineal en la cual la variable

independiente (X) es el período considerado.

Yc  a  b. X
Estacional multiplicativo

En este método se deben obtener coeficientes de estacionalidad con varios períodos

anteriores, los cuales luego se aplicarán al período a estimar.

Más arriba nos hemos referido al tema de la estacionalidad. Su determinación es de

vital importancia, dado que es necesario saber hasta qué punto una variación de la
demanda es debida a una variación real de la misma o simplemente a una variación
“esperable” por la estacionalidad.

Como dijimos anteriormente, para calcular la estacionalidad de la demanda de un

determinado producto, debemos considerar una serie de varios años (no menos de
tres), a los efectos de poder obtener datos “más consolidados”. El tomar sólo un año
podría tener el sesgo de un año con ciertas particularidades que no representan en
forma acabada la realidad.

También hemos hecho referencia a que, si alguno de los años considerados,

resultan especialmente “atípicos”, es recomendable no considerarlos en el cálculo de
la estacionalidad.

25
Para entender bien el cálculo de la estacionalidad, recurriremos, como en otros
casos, a un ejemplo.

Ejemplo 7:
Una empresa de autopartes importa un repuesto de alto costo. Para disminuir el
capital inmovilizado en el stock del mismo, se ha propuesto estimar la cantidad de
unidades del mismo que se demandará trimestralmente, el año próximo.
De registros históricos de los últimos cuatro años, se dispone de la siguiente
información trimestral:

Trimestre Año 1 Año 2 Año 3 Año 4

1 45 70 100 100
2 335 370 585 725
3 520 590 830 1.160
4 100 170 285 215

Se estima además, que en el año 5, la demanda de repuestos se incrementará en

un 10% respecto del año 4.

Solución:

Para estimar la cantidad de repuestos en cada trimestre del año 5, calcularemos en

primer lugar, la importancia o el “peso” de cada trimestre en el consolidado de los
cuatro años dados. Para eso debemos hallar los totales de cada fila de la tabla dada.
Es decir, un total que represente el trimestre 1, otro que represente el trimestre 2, el
3 y el 4. La última fila, por su parte, representa los totales para cada año. Luego
debemos “porcentuar” cada uno de los totales hallados por fila (para cada trimestre),
respecto del gran total hallado como consolidación de los cuatro años (6.200).
Es decir, para cada uno de los valores procedemos de la siguiente manera:

% = 315/6.200 x 100 = 5,1 (cifra redondeada)

Del mismo modo calculamos los restantes porcentajes, los que, obviamente deben
sumar 100,0.

Trimestre Año 1 Año 2 Año 3 Año 4 TOTAL %

1 45 70 100 100 315 5,1
2 335 370 585 725 2.015 32,5
3 520 590 830 1.160 3.100 50,0
4 100 170 285 215 770 12,4
TOTAL 1.000 1.200 1.800 2.200 6.200 100,0

26
Es decir, que cada uno de los porcentajes hallados representa la importancia o el
“peso” de ese trimestre respecto de los restantes. Del resultado hallado en la última
columna puede concluirse que existe una marcada estacionalidad, toda vez que la
diferencia entre los porcentajes calculados es por demás significativa. Basta con
comparar el tercer trimestre con el primero, lo que nos muestra que la importancia
relativa de uno respecto del otro es casi 10 veces superior.

Por su parte, de acuerdo a los datos que se poseen, la demanda estimada para el
año 5 es un 10% superior a la del año 4. Luego esta demanda pronosticada será:

Año 5 = 2.200 + 10 x 2.200/100 = 2.200 + 0,1 x 2.200 = 2.420 repuestos

Para poder estimar ahora cual será la cantidad de repuestos por trimestre, debemos
aplicar a la estimación hallada para el año 5, los porcentajes calculados en la última
columna de la tabla.

Es decir:

Trimestre 1 = 5,1 x 2.420/100 = 123

Trimestre 2 = 32,5 x 2.420/100 = 787
Trimestre 3 = 50,0 x 2.420/100 = 1.210
Trimestre 4 = 12,4 x 2.420/100 = 300

Total año 5 = 2.420

Los valores destacados en negrita representan las estimaciones trimestrales para el

año 5.

Graficación de la estacionalidad de la demanda

Los porcentajes calculados en el ejemplo anterior podrían llevarse a un gráfico en el

que pueda visualizarse mejor la estacionalidad de la demanda.

Luego será:

27
 Estacionalidad de la demanda (%)

60,0
50,0
50,0

40,0
32,5
30,0

20,0
12,4
10,0
5,1
0,0
1 2 3 4

Dado que un año tiene cuatro trimestres, para un producto “no estacional”, el peso
relativo de cada trimestre se obtendría fácilmente dividiendo el 100% por 4, lo que
daría un peso relativo trimestral del 25%. Es decir, si la demanda no fuese estacional
en absoluto, –algo muy difícil que ocurra tan estrictamente en la realidad- entonces
los porcentajes calculados para cada trimestre serían todos iguales al 25% y el
gráfico anterior sería una simple recta horizontal que pasaría por el valor 25%.

Es decir, que los “picos” y los “valles” que se observan por encima y por debajo del
25% nos están dando una medida del grado de estacionalidad de la demanda.
Cuanto mayores sean las diferencias respecto de ese “valor medio” (25%), tanto
más estacional será la demanda.

Desestacionalización de la demanda

Teniendo en cuenta las consideraciones hechas en el párrafo anterior, será posible

entonces calcular los coeficientes de desestacionalización de la demanda, los que
nos permitirán posteriormente, calcular la demanda desestacionalizada, es decir la
demanda, sin el efecto de la estacionalidad.

Para proceder a su cálculo debemos relacionar cada uno de los porcentajes hallados
con el valor medio (aquel que representa el peso relativo en el caso de que no
hubiera estacionalidad).

28
Ejemplo 8:
Consideremos nuevamente el caso del ejemplo anterior (ejemplo 9). Se requiere
calcular los coeficientes de desestacionalización de la demanda.

Solución:
Para calcular el índice correspondiente a cada trimestre, debemos proceder de la
siguiente manera:

Trimestre 1 = 5,1/25,0 = 0,2

Trimestre 2 = 32,5/25,0 = 1,3
Trimestre 3 = 50,0/25,0 = 2,0
Trimestre 4 = 12,4/25,0 = 0,5

Los coeficientes que acabamos de calcular son los coeficientes de

desestacionalización de la demanda.

Ejemplo 9:
Supongamos que la demanda trimestral en un año determinado fue la siguiente:

Trimestre 1 = 90
Trimestre 2 = 280
Trimestre 3 = 740
Trimestre 4 = 200

Se desea calcular la demanda trimestral desestacionalizada.

Solución:
Para calcular la demanda trimestral sin tener en cuenta el efecto de la
estacionalidad, debemos dividir cada valor dado por el coeficiente de
desestacionalización calculado en el ejemplo anterior (ejemplo 10). Luego
tendremos:

Trimestre 1(d) = 90/0,2 = 450

Trimestre 2(d) = 280/1,3 = 215
Trimestre 3(d) = 740/2,0 = 370
Trimestre 4(d) = 200/0,5 = 400

(d): desestacionalizado

Los valores hallados representan las demandas trimestrales sin tener en cuenta el
efecto de la estacionalidad. Es decir, representan las variaciones de demanda que
se han dado por distintas razones, excepto por la estacionalidad. Este cálculo reviste
particular importancia toda vez que nos permite realizar análisis sobre las causas
que pudieron ocasionar esas variaciones en la demanda.

29
Ejemplo10:
Para el caso recién analizado, se desea comparar las variaciones trimestrales con
estacionalidad y sin estacionalidad y sacar conclusiones al respecto.

Solución:
Si comparamos los valores correspondientes a los trimestres 2 y 1, tenemos lo
siguiente:

Trimestre 2/Trimestre 1 x 100 – 100* = 280/90 x 100 – 100 = +211%

Es decir, de la comparación, surge que la demanda del trimestre 2 con respecto al 1

muestra un crecimiento del 211%. Sin embargo, este número, en realidad no nos
dice mucho si no tenemos en cuenta la estacionalidad de la demanda. En efecto, si
realizamos ahora la misma comparación de trimestres pero teniendo en cuenta la
demanda desestacionalizada, será:

Trimestre 2(d)/Trimestre 1(d) x 100 – 100 = 215/ 450 x 100 – 100 = -52%

Si ahora comparamos las demandas de los trimestres 3 y 2, tendremos:

Trimestre 3/Trimestre 2 x 100 – 100 = 740/280 x 100 – 100 = +164%

Si, en cambio, consideramos las demandas desestacionalizadas, será:

Trimestre 3(d)/Trimestre 2(d) x 100 – 100 = 370/215 x 100 – 100 = +72%

Finalmente, la comparación de los dos últimos trimestres será:

Trimestre 4/Trimestre 3 x 100 – 100 = 200/740 x 100 – 100 = -73%

Si, en cambio, consideramos las demandas desestacionalizadas, será:

Trimestre 4(d)/Trimestre 3(d) x 100 – 100 = 400/370 x 100 – 100 = +8%

De los cálculos realizados es fácil comprender la diferencia de considerar la

variación con estacionalidad y sin estacionalidad.

Al comparar el Trimestre 2 con el 1, la demanda con estacionalidad arroja un

“crecimiento” del 211%, cuando en realidad, las variaciones sin estacionalidad
muestran una caída del 52%.

Del mismo modo, cuando comparamos, por ejemplo, los Trimestres 4 y 3, la

variación con estacionalidad muestra una “caída” del 73%, mientras que en la misma
comparación sin estacionalidad, esta variación, muestra un crecimiento del 8%.

Pensemos qué decisiones erradas pueden llegar a tomarse, si por ejemplo, en la

primera comparación que hemos hecho, creemos que la demanda ha crecido
fuertemente (211%), cuando en realidad se ha reducido a menos de la mitad (-52%).

30
Se podría haber pensado que existen razones para creer que la demanda se ha
expandido, cuando en realidad, todo se debía a un problema estacional.

Del mismo modo, en la comparación del Trimestre 4 con el 3, podríamos haber

llegado a interpretaciones erróneas pensando que se había producido una caída de
la demanda, cuando, en realidad, fuera del tema estacional, ésta tuvo un crecimiento
del 8%.

Pronóstico enfocado*

Este pronóstico consiste en probar una variedad de modelos computarizados

y seleccionar el mejor para cada aplicación particular.
Así Bernard Smith, en cada período aplicó 7 métodos a cada artículo de su
inventario. Los valores pronosticados se restaron de los reales y se obtuvo el error
de pronóstico simulado. La computadora elige el método de pronóstico que produce
el menor error y lo aplica al pronóstico del siguiente mes.

*(Extraído de Heizer y Render)

Errores de pronóstico

El error de pronóstico es la diferencia entre el pronóstico para un período

determinado y la demanda real registrada durante el mismo:

Et = Dt – Ft

Si se quiere determinar el error de pronóstico durante un período relativamente

largo, entonces se debe calcular: la suma acumulativa de errores de pronóstico
CFE que mide el error total de un pronóstico.

CFE   Et

El error de pronóstico promedio es:

CFE
E
n
El cuadrado del error medio (MSE), la desviación standard (σ) y la
desviación media absoluta (MAD), miden la dispersión de los errores de
pronóstico:

MSE 
 Et 2

 Et  E 
2


n 1

MAD 
 Et 31
n
El error porcentual medio absoluto (MAPE) relaciona el error de pronóstico con el
nivel de la demanda. Permite obtener una medida del rendimiento del pronóstico.

MAPE 
  Et 100/ Dt
n

La señal de rastreo es una medición que indica si un método de pronóstico está

previendo con precisión los cambios reales de la demanda. Normalmente, puede
considerarse dentro de los límites aceptables una señal de rastreo que muestre un
valor menor o igual 4 (en valor absoluto).

CFE
Señalderastreo 
MAD

Ejemplo 11:

En la tabla adjunta se tiene la demanda mensual de un cierto producto y los

pronósticos de la misma durante 8 períodos. Se pide determinar:

a) MAD
b) MAPE
c) Señal de rastreo

Et .100
Mes
Demanda
(Dt)
Pronóstico
(Ft)
Error
(Et)
Et 2 Et Dt
1 300 330 -30 900 30 10,00
2 320 300 20 400 20 6,25
3 340 320 20 400 20 5,88
4 280 290 -10 100 10 3,57
5 250 240 10 100 10 4,00
6 310 270 40 1600 40 12,90
7 290 320 -30 900 30 10,34
8 260 250 10 100 10 3,85
Total 30 4500 170 56,80

En la misma tabla calculamos el error Et, luego lo elevamos al cuadrado y hallamos

su valor absoluto. En la última columna, hemos calculado el cociente entre el error y
la demanda.
Luego, utilizando las fórmulas vistas, podemos calcular:

CFE = 30

32
Un CFE igual a 30 nos está indicando que, en nuestros pronósticos, existe una
tendencia a subestimar la demanda.

MAD 
 Et 
170
 21,25
n 8

Un MAD = 21,25 significa que, el error promedio de nuestros pronósticos, es de

21,25 unidades en valor absoluto.

MAPE 
  Et 100/ Dt  56,8%  7,1%
n 8
Un MAPE del 7,1% indica que, en promedio, el error de pronóstico fue de más
menos, el 7,1% de la demanda real observada.

CFE 30
Señalderas treo    1,41
MAD 21,25
Una señal de rastreo 1,41 significa que el pronóstico está perfectamente dentro de
los límites predeterminados.

Simulación

Otra herramienta muy importante para realizar pronósticos de demanda es la

simulación.
Se deberá conocer la distribución estadística de la demanda y, mediante una
transformación inversa y el auxilio de una tabla de números aleatorios, podrán
simularse los valores de la demanda en un período determinado.
Las técnicas de simulación las veremos más adelante.

33