PRONSTICOS

ING. MELISSA GRANT

 CONCEPTO
Se define como la estimacin de la demanda
de uno o varios productos en un futuro para
una empresa.
Pronstico (KRAJEWSKI): es una
prediccin de eventos futuros que se
utilizan con propsitos de planificacin

Diferencia entre pronstico y prediccin

Pronstico: utiliza tcnicas como la serie de tiempos y modelos estructurados

Prediccin: se basa en juicios cualitativos

PRONSTICO EN LAS AREAS FUNCIONALES

FINANZAS
FINANZAS MERCADOTECNIA
MERCADOTECNIA MANUFACTURA
MANUFACTURA
Presupuestos
Presupuestos yy Ventas para
Ventas para los
los -Capacidad de
-Capacidad de la
la
control
control de
de costos.
costos. planes
planes de
de nuevos
nuevos fbrica
fbrica
productos,
productos, para
para -Nmero
-Nmero dede
remunerar
remunerar al
al trabajadores
trabajadores
personal
personal de
de ventas.
ventas. requeridos
requeridos
-Decisiones
-Decisiones
respecto
respecto aa
inventarios
inventarios
-Planes
-Planes y
y programas
programas
de
de produccin
produccin
-Requisicin
-Requisicin de
de
 COMPONENTES DE LA
DEMANDA O PATRONES DE
LA DEMANDA
 1. Factores cclicos

La influencia cclica en la demanda pueden

provenir de hechos tales como: la guerra,
condiciones econmicas, moda, etc.
 2. Variaciones aleatorias

Son productos de hecho fortuitos, es aquella

en la que no existe un patrn reconocible de
los datos
 3. La tendencia
Lineal
 3. La tendencia
Exponencial
 3. La tendencia
En forma de S
 3. La tendencia
Asntota
 4. Horizontal

Los datos varan entorno a una media

constante
 4. Estacionalidad
Son las variaciones segn la temporada y
corresponden a fluctuaciones que tienen
lugar en un periodo de tiempo dado y se
repiten en el mismo periodo.
FACTORES QUE
AFECTAN LA
DEMANDA
Factores externos: no se tiene control

Incremento en
Economa Reglamentaci
la
creciente n del gobierno
construccin

El xito de un
Mezcla de
producto
Gustos en los mercado por
afecta a sus
consumidores parte de la
complementar
competencia
ios
Factores internos: son decisiones internas
que provocan cambios en la demanda

Diseo del producto

Mezcla de mercado

Expansin del mercado

Contraccin del mercado

TIPO DE TCNICA
DE PRONSTICO
 TIPO DE
TCNICA DE
PRONSTICO

MTODOS
MTODOS
CUALITATIVOS
CUANTITATIVO
(mtodos de
S
juicio)
 Pronstico de la demanda vs horizonte de planificacin

Corto plazo (0-3 Mediano plazo(3 Largo

meses) meses-2 aos) plazo(>2aos)

TECNICA DE Serie de tiempo Causal Causal

PRONSTICO Causal juicio juicio
juicio
 1. MTODOS CUALITATIVOS
(mtodos de juicio):
Considera las opiniones de gerentes,
expertos, estimacin de la fuerza de ventas,
encuestas de consumidores. Se traducen en
estimaciones cuantitativas.

Son subjetivos o simples juicios y se basan en

clculos y opiniones
Se usan cuando no existen datos histricos, se
presenta un nuevo producto o cambia de
tecnologa
 1. MTODOS CUALITATIVOS
(mtodos de juicio):
RAZ DE PASTO (estimacin de la fuerza de ventas)

Ventaja:
La fuerza de ventas tiene mayores probabilidades de saber que
comprarn los clientes en el futuro y en que cantidades.

Los pronsticos individuales se combinan para obtener cifras

regionales o nacionales

Desventaja:
Algunos vendedores son optimistas y otros cautelosos lo cual puede
introducir sesgos en el pronstico.

El personal puede subestimar los pronsticos individuales para que

el rendimiento futuro supere las proyecciones o para esforzarse menos
(cuando se trabaje por medidas de rendimiento por vendedor)
 1. MTODOS CUALITATIVOS
(mtodos de juicio):
INVESTIGACIN DEL MERCADO: Rene
datos por diferentes medios (encuestas,
entrevista)

Desventaja: los resultados de la encuesta no

reflejan las opiniones del mercados).
 1. MTODOS CUALITATIVOS
(mtodos de juicio):
CONSENSO DE EXPERTOS (OPININ
EJECUTIVA)
Desventajas:
El juicio u opinin de una persona de ms alto
nivel probablemente tenga ms relevancia que el
de una persona de un nivel ms bajo, en el peor
de los casos se sienten intimidados y no expresan
lo que verdaderamente piensa.

Puede ser costosa

Requiere mucho tiempo

 1. MTODOS CUALITATIVOS
(mtodos de juicio):
ANALOGA HISTRICA: Cuando se trata de
pronosticar la demanda de un producto
nuevo, la situacin ideal es que se pueda usar
como modelo un producto existente o un
producto genrico,

KALA
 1. MTODOS CUALITATIVOS
(mtodos de juicio):
MTODO DELPHI: Oculta la identidad de las
personas que participan en el estudio dando a
cada individuo la misma importancia.

Desventaja
El proceso es muy largo (ms de un ao) por lo
que el panel de expertos puede cambiar
alargando el proceso
Su calidad es entre regular y buena para la
identificacin de puntos de flexin en la
demanda de nuevos productos.
 2. MTODOS CUANTITATIVOS

Anlisis de series de tiempo: mtodo

estadstico que depende en alto grado de
datos histricos de la demanda, con los que
se proyectan la demanda futura y reconoce
las tendencias y patrones estacinales.

Mtodos causales: utilizan datos histricos

de variables independientes como campaas
de promocin, condiciones econmicas y
actividades de los competidores.
ANLISIS DE SERIES
DE TIEMPO
Anlisis de series de tiempo
Busca prever el futuro, con base en
datos del pasado

Son de naturaleza reactiva.

Usan informacin histrica que solo se

refiere a la variable dependiente
(ventas)(KRAJEWSKI ).

Se aplica a los patrones de demanda

tipo horizontal y tendencia.
Anlisis de series de tiempo
Promedio Simple

Es un promedio de los datos del pasado en el cual

las demandas de todos los periodos anteriores
tienen el mismo peso relativo o importancia, sirve
para eliminar fluctuaciones aleatorias de
pronsticos.
Desventaja: al tener en cuenta todos los
datos histricos, llega un momento donde las
demandas reales que se agregan no
modifican el pronstico futuro.
Formula:

Ft : A + A t-2 ..+A t-n

t-1

n
Donde:

ft = pronostico para el periodo futuro

A t -1 = demanda real del periodo ms reciente
A t -2 = demanda de hace 2 periodos
A t - n = demanda de hace n periodos
n = Nmero de periodos
Anlisis de series de tiempo
Pronstico emprico
Es el mtodo de serie de tiempo ms sencillo que se usa con
frecuencia en la prctica, su ventaja es la simplicidad y el bajo
costo.

Alternativas
Ft = A t-1 +
Ft = A t-1 Considera
incremento
o estacionali
t-1 disminucin dad
Anlisis de series de tiempo
Promedio Movible Simple

Combina los datos de la demanda de la mayor parte de los periodos

recientes, siendo su promedio el pronstico para el periodo siguiente.

Se caracteriza porque todas las demandas tienen el mismo peso o

importancia, se puede emplear un promedio movible de 2 a 20
periodos, pero al tomar la decisin hay que continuar usando el
mismo nmero de periodos

Cuando los datos de la demanda son poco variables se

recomienda tomar bastantes periodos y viceversa.
Formula:

Ft : A + A t-2 ..+A t-n

t-1

Donde:

ft = pronstico para el periodo futuro

A t -1 = demanda del periodo pasado
A t -2 = demanda de hace 2 periodos
A t - n = demanda de hace n periodos
n = Nmero de periodos
Promedio Movible Simple

La demanda de un
producto no crece ni
disminuye
velozmente y no
incluye
Se usa caractersticas de
estacionalidad
cuando Cuando la demanda
presenta un patrn
horizontal y aleatorio
Promedio Movible Simple
Desventaja (requisitos):
Todos los elementos individuales deben estar
en forma de datos, porque un nuevo
pronstico del periodo requiere que sumemos
datos nuevos y que eliminemos datos ms
antiguos.

Requiere una cantidad importante de datos

histricos.

Para n datos puede resultar tedioso

Anlisis de series de tiempo
Promedio Movible Ponderado

Permite adjudicar una importancia o peso cualquiera a cada

elemento o periodo, siempre y cuando todos los valores
sumen 1 o 100%.
Formula:
ft : W1 At 1 + W2 At 2 + W3 At 3 ..+ Wn At n

Donde:
ft = pronstico para el periodo futuro
W1 = peso que se le dar a la venta real en el periodo t -1

W2 = peso que se le dar a la venta real en el periodo t -2

W3 = peso que se le dar a la venta real en el periodo t -3

W n = peso que se le dar a la venta real en el periodo t n

n = Nmero total de periodos del pronostico



Cmo elegir los pesos?

La experiencia, prueba y error (Excel)

1.
Por lo general el pasado ms reciente es el
indicador ms importante de lo que podemos
esperar para el futuro, y por tanto este debe tener
2. mayor peso.

Cuando los datos son variables se debe determinar

los pesos en consecuencia; es decir, se le asignara
mayor peso a las mayores demandas y menor peso
3. a las menores demandas.
Promedio Movible Ponderado

Ventaja: puede modificar los

efectos de los datos pasados
(pesos o importancia)

Desventaja: su uso es ms complicado y caro

que el mtodo exponencial aminorado. Se
necesitan bastantes datos. Los costos de
obtener y actualizar datos pueden ser altos.
Anlisis de series de tiempo
Exponencial Aminorado (Suavizacin
Exponencial)
Considera que los datos ms recientes
indican mejor el futuro que los de un
pasado distante,

Es ms fcil de usar y es ms lgico

Se usa cuando los cambios de

tendencia no son muy grandes o
pronunciados
Es la tcnica ms utilizada para
pronosticar a corto plazo
 DATOS alfa (),
constante de
atenuacin,
tasa de
El pronstico La demanda
reaccin,
ms reciente real que
constante de
(pronstico del ocurri en ese
ajuste
ltimo periodo) periodo
exponencial,
parmetro
suavizador.
(0<= <=1)
Seleccin de la constante de atenuacin
(5%<= <=10%). Cuando una empresa tiene
una demanda relativamente estable o uniforme.
Entre la demanda real y la proyectada hay una
diferencia pequea

(15%<= <=30%). Cuando una empresa registra

una demanda inestable, se da mayor importancia
al crecimiento o disminucin registrada
recientemente, si continua la tendencia de la
demanda el alfa es an mayor.
Ventaja

Los modelos exponenciales son ms

acertados (que los anteriores modelos)

Es relativamente fcil (simplicidad)

Se requiere pocos clculos

Necesita una cantidad mnima de datos

histricos
Desventaja
Cuando la serie de demanda
muestran tendencia significativa,
se debe usar un alfa alto, sin
embargo los resultados del
exponencial aminorado se
retrasan.

Ante tendencias pronunciadas o

muy fuertes el E.A. se queda
corto
Ecuacin para un solo pronstico
ft = ft -1 + ( At -1 - ft -1 )
ft = At -1 + (1- ) ft -1

Donde:

ft = pronstico exponencial aminorado para el

periodo t
ft -1 = pronstico del periodo anterior
At -1 = demanda del periodo anterior
= constante de atenuacin, aislamiento,
reaccin
 Se llama exponencial aminorado porque cada
incremento en el pasado debe disminuir en
(1- ). por ejemplo si = 0.3, entonces
Ponderacin
con = 0.3
Ponderacin ms = (1- )0 0.3
reciente
Datos de un = (1- )1 0.21
periodo pasado
Datos de dos = (1- )2 0.15
periodos pasado
Datos de tres = (1- )3 0.10
periodos
pasado
 Pronstico inicial

Para calcular el pronstico inicial hay varias

formas:

1. usar la demanda del primer periodo (CHASE)

2. si se dispone de datos histricos, calcular el

promedio simple de los tres primeros periodos
(KRAJEWSKI)

3. promedio simple de las demandas disponibles

(Germn Mndez. U. distrital)
Anlisis de series de tiempo
Exponencial Aminorado con Tendencia
(Suavizacin Exponencial ajustada a la
tendencia)
Se puede corregir un poco los pronsticos atenuados
exponencialmente mediante la adicin de un ajuste de
tendencia, lo cual permite seguir ms estrechamente la
demanda real. (CHASE)
Es el procedimiento por el cual se incorpora una tendencia a un
pronstico exponencial aminorado (KRAJEW.SKI P.512)

Los pronsticos exponencialmente aminorados, cuando los datos

presentan tendencia y estacionalidad pronunciada, se retrasan y los
pronsticos no son muy buenos
Se necesitan dos constantes de atenuacin

= constante de atenuacin para la ecuacin

del pronstico (0<= <=1)

o = constante de atenuacin para la

ecuacin de la tendencia (0<= <=1)

Ventaja: es capaz de ajustar el pronstico a los

cambios registrados en la tendencia
 Ecuacin para el pronstico con
tendencia incluida:

FIT t = Ft + Tt

Ft = At -1 + (1- ) (Ft -1 + T t 1 )

T t = (Ft - Ft 1 ) + T t 1 (1 - )

Donde:

Ft = pronstico aminorado exponencialmente para el periodo t

Tt = tendencia aminorada exponencialmente para el periodo t
FIT t = pronstico que incluye tendencia para el periodo t
At -1 = demanda real del periodo anterior
= constante de atenuacin para la ecuacin de pronstico
= constante de atenuacin para la ecuacin de tendencia
ERRORES DEL
PRONSTICO
Errores sesgados
CHASE (2005). Se presenta cuando un error
es cometido constantemente. Una fuente del
sesgo es cuando se emplea una lnea
equivocada para una tendencia y cuando se
mueve equivocadamente la demanda
estacional del punto donde suele ocurrir.
(Cuando el intervalo del pronstico es corto).

KRAJEWSKI. Son equivocaciones cometidas

constantemente donde se observa que el pronostico
ser siempre demasiado alto o demasiado bajo
Errores aleatorios
CHASE (2005) Son aquellos que el modelo
de pronstico empleado no puede explicar.

KRAJEWSKI. Ocurre cuando se presentan

factores imprevisibles que hacen que el
pronstico se desve de la demanda real.
MEDICIONES DEL
ERROR
 Et = At Ft

Donde:

Et = error del pronstico para el

periodo t
At = demanda real para el periodo
t
Ft = pronstico para el periodo t
1. SUMA CORRIENTE DE ERRORES DEL
PRONOSTICO (SCEP)(CFE)

Mide el error total de un pronstico.

Consiste en la suma de errores tanto
positivos como negativos de un pronstico.

SCEP = Et = (At Ft)

No es bueno que sea positivo porque

indica desabasto
Es preferible que sea negativo (cercano a
cero). Hay inventarios
 EL CUADRADO DEL ERROR MEDIO (MSE)
DESVIACIN MEDIA AL CUADRADO (DMC)
Mide la dispersin de los errores del
pronstico.

Si el valor es pequeo el pronstico se aproxima

generalmente a la demanda real.
Si el valor es grande indica la posibilidad de errores del
pronstico considerables.
3. DESVIACIN MEDIA ABSOLUTA (DMA)
Representa el error promedio de los
pronsticos que emplean valores absolutos.

Donde:
n = nmero de periodos
4. DESVIACIN MEDIA ABSOLUTA PORCENTUAL
(DMAP) ERROR PORCENTUAL MEDIO ABSOLUTO
(MAPE)

Se relaciona el error o desviacin del

pronstico con el nivel de la demanda.
 5. SEAL DE RASTREO (SEAL DE
SEGUIMIENTO) ST
KRAJEWSKI. Indica si un mtodo de pronstico
est previendo con precisin los cambios
reales de la demanda.

La ST permite conocer cuando un mtodo de

pronstico esta dejando de ser confiable.
 5. SEAL DE RASTREO (SEAL DE
SEGUIMIENTO) ST

Los limites aceptables para la seal de rastreo

dependen del tamao de la demanda que se esta
pronosticando. Sin embargo se tendr en cuenta
un lmite de control de ms o menos 3 DMA, es
decir por encima o por debajo de este parmetro,
el mtodo de pronstico se debe revisar o
descartar porque no esta reflejando
correctamente la demanda
 5. SEAL DE RASTREO (SEAL DE
SEGUIMIENTO) ST
1. LIMITES DE CONTROL

PORCENTAJE DEL AREA DE LA DISTRIBUCION DE

PROBABILIDAD NORMAL DENTRO DE LOS LMITES DE
CONTROL PARA LA SEAL DE RASTREO

Numero de DMA Numero relacionado Porcentaje del rea

de desviaciones dentro de los limites
estndar de control (rea bajo
la curva)
+/- 1 0,7881 57,62
+/-2 1,5762 89,04
+/-3 2,3643 98,36
+/-4 3,1524 99,86
Ejemplo de aplicacin
MTODOS
CAUSALES
ANALISIS DE REGRESION LINEAL
La regresin se define como la relacin funcional
de dos o ms variables correlacionadas (demanda
vs tiempo). La regresin lineal se refiere a un tipo
especial de regresin donde las relaciones entre
las variables forman una lnea recta.

Bienes races. La venta Predecir fenmenos Normalmente en

en funcin de las tasas econmicos como el finanzas y economa
de inters PIB para pronosticar
valores de variables
macroeconmicas.
Mtodo de mnimos cuadrados
El mtodo trata de ajustar la lnea recta a los
datos histricos que minimizan la suma de los
cuadrados de la distancia vertical entre cada
punto de datos y su punto correspondiente en
la lnea.
Ecuacin de la lnea recta Y = a + bx

Donde:

Y = variable dependiente (ventas)

a = interseccin con el eje Y
b = pendiente de la lnea
x = variable independiente (tiempo, promocin,
precio)

Confiabilidad de los pronsticos

Indica que tambin se ajusta a la lnea de los
datos.

Error estndar de estimacin

Indica que tan lejos se da el pronstico de la

demanda real
NOTA:
Si los puntos de los datos estn dispersos de
manera aleatoria alrededor de la lnea de
regresin (distribuidos normalmente)
entonces el pronstico quedar de la
siguiente forma:

Z= nmero de desviaciones estndar para un

nivel de confianza dado
Coeficiente de correlacin (r)

Mide la intensidad de la relacin entre la

variable independiente y la variable
independiente.

-1 <= r <= 1

r = (+) Los cambios registrados de la variable

independiente (incremento o disminuciones) de un
periodo a otro, estn acompaados por cambios de
la variable dependiente en la misma direccin.
(0,6 <= r <= 1)

 r = (-) indica que las disminuciones de

la variable independiente, siempre van
acompaados de incrementos en la
variable dependiente, y viceversa. (- 1
<= r <= - 0,6)

r=0 no existe relacin alguna entre las

variables. No relacin. (-0,6 <= r <=
0,6)
NOTA: cuanto ms se aproxime el valor de (r) a +/-
NOTA: cuanto ms se aproxime el valor de (r) a +/-
1, tanto ms adecuado ser el ajuste de la lnea de
regresin con respecto de los puntos de la grfica
Coeficiente de determinacin de la muestra (r2)
Mide la variacin de la variable dependiente con
respecto de su valor medio que se explica por medio
de la lnea de regresin

(0 <= r2 <= 1) r2 = 1

Las ecuaciones de regresin son deseables, porque la

variacin de la variable dependiente y del pronstico
generado a partir de la ecuacin de regresin, se
encuentran estrechamente relacionados.

(La variacin de una variable se le atribuye a la otra.)

 DESCOMPOSICION DE UNA SERIE DE TIEMPO
USANDO REGRESION POR MINIMOS CUADRADOS
Consiste en encontrar los componentes
bsicos de la serie de la tendencia,
estacinales y cclicos.
El pronostico clsico por descomposicin de
series de tiempos esta construido sobre la
filosofa de que un patrn de ventas histricas
puede descomponerse en tres categoras:
Tendencia: por medio del anlisis de regresin, se puede
Tendencia: por medio del anlisis de regresin, se puede
conocer el comportamiento de las ventas.

Estacional: picos y valles que se presentan en una poca

especifica (cada ao).

Cclicas: son ondas de largo plazo (ms de un ao). En el

patrn de la demanda
 PROCEDIMIENTO
1. Determinar el factor o ndice estacional: es la cantidad de correccin
que necesita una serie de tiempo para ajustarse a la estacin del ao.

2. Desestacionalizar los datos originales: para eliminar el efecto

estacional en los datos, se divide los datos originales (ventas reales) entre
el factor estacional

3. Desarrollar una lnea de regresin: aplicando mnimos cuadrados

para los datos desestacionalizados, determine una lnea de tendencia.

4. Proyectar la lnea de regresin hacia el periodo que ser

pronosticado: se debe determinar el pronstico para los periodos
requeridos.

5. Crear el pronstico final: el cual consiste en ajustar la lnea de

regresin para los factores estacionales. Como la ecuacin (Y) ha sido
desestacionalizada, ahora se debe multiplicar los datos proyectados para
un periodo por el factor estacional para ese mismo periodo.

GRACIAS