PRONÓSTICO

 Gestión de la demanda

 Métodos de pronóstico cuantitativos

 Pronóstico simple y promedios ponderados

móviles

 Suavisamiento exponencial

 Regresión lineal simple

GESTIÓN DE LA DEMANDA

Demanda independiente:
Productos terminados
A Demanda dependiente
Materias primas,
Partes, componentes,
B(4) C(2) etc.

D(2) E(1) D(3) F(2)

DEMANDA INDEPENDIENTE: LO QUE PUEDE HACER UNA
EMPRESA PARA GESTIONARLA.

 Puede adquirir un rol activo en influenciar la

demanda.

 Puede adquirir un rol pasivo y solo responder a

la demanda.
 COMPONENTES DE LA DEMANDA

 Promedio de la demanda en un período de

tiempo
 Tendencia

 Elementos estacionales

 Elementos cíclicos

 Variación aleatoria

 Autocorrelación
 DEMANDA DE UN PRODUCTO REPRESENTADA EN UN
PERIODO DE 4 AÑOS CON TENDENCIA DE CRECIMIENTO
Y ESTACIONALIDAD

Picos estacionales Componente de tendencia

Demanda del producto o servicio

Línea de
demanda actual

Demanda media en
cuatro años
Variación
aleatoria

Primer Segundo Tercer Cuarto

año año año año
 PRONÓSTICO

Predicción de lo que ocurrirá sobre la base de:

1. Identificación de tendencias a futuro sobre la

base de información real del tiempo pasado.

2. Revisión de datos con el objetivo de

identificar patrones interesantes.
 ¿QUÉ SON LOS PRONÓSTICOS?

 “Arte y ciencia” de predecir

acontecimientos futuros.
 Base de todas las decisiones
empresariales:
 Producción.
 Inventario.
 Personal.
 Instalaciones.
 TIPOS DE PRONÓSTICOS
 CUALITATIVOS
 Se emplean cuando la situación no es
clara y existen pocos datos
 Productos nuevos.
 Nueva tecnología.

 Requieren intuición y experiencia:

 Por ejemplo, pronóstico de ventas a
través de Internet.
 Opinión de expertos, Propuestas
Personal Comercial, Método Delphi,
Estudios de mercado.
 TIPOS DE PRONÓSTICOS
CUANTITATIVOS
Se utilizan cuando la situación es
“estable” y existen datos “históricos”:
 Productos existentes.
 Tecnología actual.
Requieren técnicas matemáticas:
 Por ejemplo, el pronóstico de las
ventas de vacunas antigripales.
Medias móviles, Alisado exponencial,
Proyección de tendencia, Regresión
lineal, ARIMA.
MODELO AUTORREGRESIVO INTEGRADO DE
PROMEDIO MÓVIL

modelo autorregresivo integrado de promedio móvil o

ARIMA (acrónimo del inglés autoregressive integrated
moving average) es un modelo estadístico que utiliza
variaciones y regresiones de datos estadísticos con el
fin de encontrar patrones para una predicción hacia el
futuro.
MODELO AUTORREGRESIVO INTEGRADO DE
PROMEDIO MÓVIL

Se trata de un modelo dinámico de series

temporales, es decir, las estimaciones futuras
vienen explicadas por los datos del pasado y no
por variables independientes.
 Fue desarrollado a finales de los sesenta del
siglo XX. Box y Jenkins (1976) lo sistematizaron
 MÉTODOS CUALITATIVOS
 Opinión de Expertos
 Requiere un pequeño grupo de directivos:
El grupo establece una estimación conjunta
de la demanda.
 Combina la experiencia directiva con modelos
estadísticos.
 Es bastante rápido.
 Desventaja del “pensamiento en grupo” o
individual si se realiza “opinión del gerente”.
 MÉTODOS CUALITATIVOS

 Propuestas Personal Comercial

 Cada vendedor estima las ventas que
hará.
 Se combinan con los pronósticos a
niveles de zonas y regiones con los
nacionales.
 El representante de ventas conoce las
necesidades de los consumidores.
 Tiende a ser bastante optimista o
pesimista
 MÉTODOS CUALITATIVOS

 Método Delphi

 Proceso de grupo iterativo.

 Tres tipos de participantes:

 Los que toman decisiones.
 El personal de plantilla.
 Los que responden.

 Reduce el “pensamiento en grupo”.

 MÉTODOS CUALITATIVOS

 Estudios de mercado

 Preguntar a los consumidores sobre sus

futuros planes de compra.
 Lo que dicen los consumidores y lo que
hacen suele diferir.
 A veces es difícil contestar a las
preguntas del estudio.
 MÉTODOS CUALITATIVOS

Jucio experto Grass Roots

Métodos Investigación de
Analogía histórica
cualitativos mercado

Método Delphi Panel Consenso

MÉTODOS CUANTITATIVOS

Pronóstico
cuantitativo

Modelos de series Modelos

temporales asociativos

Media Alisado Proyección Regresión

móvil exponencial de tendencia Lineal
 SERIES DE TIEMPO

 Una serie de tiempo es un conjunto de

observaciones respecto a una variable
medidas en puntos sucesivos en el tiempo a lo
largo de de períodos sucesivos de tiempo

 Los datos de ventas históricos forman una

serie de tiempo.
 ANÁLISIS DE SERIES DE TIEMPO

 Las series de tiempo intentan pronosticar el

futuro basado en datos pasados.
 Existen modelos basados en:
1. Horizonte de tiempo a pronosticar
2. Disponibilidad de datos
3. Exactitud requerida
4. Presupuesto para el pronostico
5. Disponibilidad de personal calificado
FÓRMULA PROMEDIOS MÓVILES SIMPLE
 El método de promedios móviles simple asume que el
promedio es un buen estimador de comportamientos
futuros.
 La fórmula para promedios móviles simple es:
A t-1 + A t-2 + A t-3 +...+A t- n
Ft =
n
Ft = Pronóstico para el próximo periodo
n = Número de periodos a ser considerados
A t-1 = Valor en periodo t-1
PROMEDIOS MÓVILES SIMPLE: problema (1)

A t-1 + A t-2 + A t-3 +...+A t- n

Semana Demanda
Ft =
1 650
n
2 678  Pregunta:
3 720
4 785
¿Cuál es el promedio móvil
5 859 para 3-semanas y 6-semanas
6 920
7 850
de historia?
8 758
9 892
10 920
11 789
12 844
 22
El cálculo es el siguiente:
Semana Demanda 3-semana 6-semana
1 650 F4=(650+678+720)/3
2 678 =682.67
3 720 F7=(650+678+720
4 785 682,67 +785+859+920)/6
5 859 727,67 =768.67
6 920 788,00
7 850 854,67 768,67
8 758 876,33 802,00
9 892 842,67 815,33
10 920 833,33 844,00
11 789 856,67 866,50
12 844 867,00 854,83
 Graficando podemos distinguir la tendencia.

950
900
850
Dem anda

800
750
700 Demanda:
650 3 semanas:
600 6 semanas :
550
500
1 2 3 4 5 6 7 8 9 10 11 12
Semana
PROMEDIOS MÓVILES SIMPLE: problema (2)

Semana Demanda  Pregunta: ¿Cuál es el

1 820 pronóstico promedio
2 775 móvil considerando 3
de historia?
3 680
 Asuma que dispone de
4 655
3 y 5 semanas para
5 620
realizar pronósticos
6 600
7 575
PROMEDIOS MÓVILES SIMPLE: problema (2)
SOLUCIÓN

Semana Demanda 3-Semana 5-Semana

1 820
2 775
3 680
4 655 758.33
5 620 703.33
6 600 651.67 710.00
7 575 625.00 666.00
 PROMEDIOS MÓVILES PONDERADOS

La fórmula de promedios móviles asume que

todos los períodos pasados son igualmente
importantes, los promedios móviles ponderados
permite asignar importancias relativas a los
períodos pasados.

La fórmula de promedios móviles ponderados es:

Ft = w1A t -1 + w 2 A t -2 + w 3A t -3 + ... + w n A t -n
wt = “peso otorgado a períodos”. n

(La suma de los pesos debe ser uno) w

i=1
i =1
PROMEDIOS MÓVILES PONDERADOS: problema (1)

Pregunta: Dada la demanda semanal y pesos relativos,

¿cuál es el pronóstico de demanda para la semana 4?

Semana Demanda Pesos:

1 650 t-1 0.5
2 678 t-2 0.3
3 720
t-3 0.2
4

Notar que se ha dado más peso

la información reciente “t-1”.
 PROMEDIOS MÓVILES PONDERADOS problema (1)
SOLUCIÓN

Semana Demanda Pronostico

1 650
2 678
3 720
4 693,4

F4 = 0.5(720)+0.3(678)+0.2(650)=693.4
PROMEDIOS MÓVILES PONDERADOS: problema (2)

Dada la información:
Calcular pronóstico para la semana 5

Semana Demanda Pesos:

1 820 t-1 0.7

2 775
t-2 0.2
3 680
4 655 t-3 0.1
PROMEDIOS MÓVILES PONDERADOS problema (2)
SOLUCIÓN

Semana Demanda Pronostico

1 820
2 775
3 680
4 655
5 672

F5 = (0.1)(775)+(0.2)(680)+(0.7)(655)= 672
MODELO SUAVISAMIENTO EXPONENCIAL

Ft = Ft-1 + a(At-1 - Ft-1)

a = Constante de suavisamiento

 Premisa: Los eventos recientes tienen los

valores predictivos más altos.
 Entonces debemos dar mayor importancia a
eventos recientes en nuestros pronósticos.
MODELO SUAVISAMIENTO EXPONENCIAL
Usted está organizando una reunión de su circulo
profesional. Desea predecir el número de personas que
asistirán en el año 2006 mediante el alisado exponencial
(a = 0,10). El pronóstico para 2001 fue de 175.
2001 180
2002 168
2003 159
2004 175
2005 190
Solución del alisado exponencial

Ft = Ft-1 + a(At-1 - Ft-1)

pronóstico, F t
Año Real
( α = 0,10)
2001 180 175,00 (Dado)
2002 168 175,00 +
2003 159
2004 175
2005 190
2006 ND
Solución del alisado exponencial

Ft = Ft-1 + a (At-1 - Ft-1)

pronóstico, F t
Año Real
( α = 0,10)
2001 180 175,00 (Dado)
2002 168 175,00 + 0,10(180 - 175,00) = 175,50
2003 159 175,50 + 0,10(168 - 175,50) = 174,75
2004 175 174,75 + 0,10(159 - 174,75) = 173,18
2005 190 173,18 + 0,10(175 - 173,18) = 173,36
2006 ND 173,36 + 0,10(190 - 173,36) = 175,02
SUAVISAMIENTO EXPONENCIAL : problema (1)

Semana Demanda
1 820  Dada la información
2 775 pronostique la demanda
3 680 para períodos del 2 al 10
4 655 usando a=0.10 y
5 750
a=0.60
6 802
7 798
 Asuma F1=D1
8 689
9 775
10
Respuesta. Nota este modelo solo puede predecir un período.

Semana Demanda 0.1 0.6

1 820 820.00 820.00
2 775 820.00 820.00
3 680 815.50 793.00
4 655 801.95 725.20
5 750 787.26 683.08
6 802 783.53 723.23
7 798 785.38 770.49
8 689 786.64 787.00
9 775 776.88 728.20
10 776.69 756.28
SUAVISAMIENTO EXPONENCIAL: problema(1)
GRÁFICO

Nota: A menor α mas suave es la linea

850
800
Demanda

750 Demand
700 0,1
650
600 0,6
550
500
1 2 3 4 5 6 7 8 9 10
Semana
SUAVISAMIENTO EXPONENCIAL: problema (2)

Semana Demanda Calcule el pronóstico

1 820 para semanas 2 al 5
2 775 usando α = 0.5?
3 680
4 655 Asuma F1= D1
5
SUAVISAMIENTO EXPONENCIAL: problema (2)
SOLUCIÓN

F1=820+(0.5)(820-820)=820 F3=820+(0.5)(775-820)=797.75

Semana
Demanda 0.5
1 820 820.00
2 775 820.00
3 680 797.50
4 655 738.75
5 696.88
LA ESTADÍSTICA MAD PARA DETERMINAR EL
ERROR DE PRONÓSTICO
n

A
t=1
t - Ft
MAD =
n
 La MAD ideal es cero. Eso indicaría que no
existe error.

 A mayor MAD, más malo es el modelo.

1 MAD ≈ 0.8 Desviación Estándar

1 Desviación Estándar ≈ 1,25 MAD
MAD: PROBLEMA

Calcular la MAD

Mes Ventas Pronost.

1 220 n/a
2 250 255
3 210 205
4 300 320
5 325 315
 MAD: SOLUCIÓN

Mes Ventas Pronost. Error Abs

1 220 n/a
2 250 255 5
3 210 205 5
4 300 320 20
5 325 315 10

40


t=1
A t - Ft
40
Nota: Por si solo el
MAD solo indica el
MAD = = = 10
n 4 error con respecto a
la media.
 FÓRMULA TRACKING SIGNAL (TS)

 El TS es una medida que indica si en promedio el

pronóstico esta en línea con la real tendencia.
 Dependiendo de los MAD seleccionados, el TS
puede ser usado para control de calidad de los
pronósticos.
 La formula del TS es:
RSFE Suma contínua de los errores de los Pronóstico s
TS = =
MAD Desviación Absoluta Media

RSFE Running sum of forecast errors

TS = =
MAD Mean absolute deviation
 MODELO DE REGRESIÓN LINEAL SIMPLE

Este modelo busca ajustar Y

una linea recta a un

conjunto de datos. a
0 1 2 3 4 5 x (Tempo)

Yt = a + bx Modelo de Regresión Lineal.

Yt es el pronostico, x es el tiempo,
a punto de intersección con eje Y (Ventas), y
b es la pendiente.
REGRESIÓN LINEAL SIMPLE

Fórmulas para calcular “a” y “b”

a = y - bx

b=
 xy - n( y)( x )
 x - n( x )
2 2

Yt = a + bx
REGRESIÓN LINEAL SIMPLE PROBLEMA
Calcular la línea de regresión lineal

Semana Ventas
1 150
2 157
3 162
4 166
5 177
 47

Respuesta: Calcular “a” y “b”

x x*x y x*y
1 1 150 150
2 4 157 314
3 9 162 486
4 16 166 664
5 25 177 885
3 55 162.4 2499
Promedio Suma Promedio Suma

x =Semana y = Ventas
Respuesta: Calcular “a” y “b” 48

b=
 xy - n( y)(x) 2499 - 5(162.4)(3) 63
=  = 6.3
 x - n(x )
2 2
55  5(9 ) 10

a = y - bx = 162.4 - (6.3)(3) = 143.5

Yt = a + bx Yt = 143.5 + 6.3x

Yt es el pronostico, x es el tiempo,
a punto de intersección con eje Y (Ventas), y
b es la pendiente.

©The McGraw-Hill Companies, Inc., 2001

 49
El modelo resultante es: Yt = 143.5 + 6.3x

Graficando el modelo encontrado y las ventas reales tenemos:

180
175
170
165
160 Ventas
Ventas

155 Demanda
150
145
140
135
1 2 3 4 5
Periodo
©The McGraw-Hill Companies, Inc., 2001