Presupuesto de Ventas

PRESUPUESTO DE VENTAS
INGENIERIA DE COSTOS II
2017-0 Escuela: INGENIERIA INDUSTRIAL
Docente: Ing. Jaime Beltrán Mendoza
Que es una proyección de
ventas?
 Una proyección de ventas es una previsión para estimar las
ventas para un tiempo determinado en el futuro. A menudo
como producto de la investigación que combina los datos de
ventas internas pasados y la especulación sobre el mercado de
la venta durante el siguiente trimestre, año u otro período de
tiempo, una proyección de ventas es una herramienta útil para
la elaboración de presupuestos, la previsión de las necesidades
de inventario y para determinar las necesidades de personal.
Las previsiones de ventas son a menudo esenciales para la
creación de un presupuesto proyectado, ya que sin una idea
de la cantidad de un producto o servicio que tienes la intención
de vender en el futuro, puede ser difícil determinar cuánto
tendrás que pagar por el inventario y/o dotación de personal.
Que es un plan de ventas?
 Un plan de ventas incluye la información sobre

el público objetivo de tu negocio y cómo vas a
llegar a esa audiencia. Los planes de venta son
útiles cuando tienes que manejar un
presupuesto para los gastos relacionados con las
ventas como, por ejemplo, cómo y dónde vas a
poner anuncios, comercializarás tu negocio
para nuevos clientes e incluso crearás los
horarios previstos para los representantes que
viajan.
Que va primero ?
 Cuando hablamos de planes de ventas y proyecciones de

ventas, a menudo se trata de una dilema tipo ¿qué es primero, el
huevo o la gallina? Del mismo modo la pregunta es: ¿Se crea el
plan de ventas primero, o las proyecciones de ventas? Para
algunas organizaciones, las proyecciones de ventas son un
pronóstico y, a continuación, se crea un plan de ventas para
ayudar a determinar cómo alcanzar esas proyecciones. En otras
organizaciones, se crea un plan de ventas con el fin de
determinar la expansión del negocio hacia nuevos sectores lo
que afectará las proyecciones de ventas y, a continuación, se
realizan las proyecciones incorporando estas nuevas ventas. A
veces, los planes de ventas y las proyecciones de ventas se
crean en conjunto, con la información de uno ayudando a
determinar las decisiones tomadas por el otro.
¿Qué es un presupuesto
de Ventas?
Es la piedra angular de un sistema
presupuestario, o sea las estimaciones
de los demás presupuestos.
Responde a las siguientes preguntas:

¿Qué vende?
Implica definir lo que se va a desarrollar y vender.
¿A quien vender?
Esto se refiere a datos del mercado.
¿Cuánto vender?
Es estimar el mercado objetivo.
¿A qué precio?
Significa conocer cuanto la gente va a pagar por el articulo.
¿Cuales son los principales objetivos
de un presupuesto de ventas?
 Reducir las incertidumbres de los ingresos futuros.

 Plasmar las decisiones de planeación de la alta administración
en estimaciones concretas.
 Brindar la información necesaria para el desarrollo de los demás
presupuestos del área.
 Ayudar en el control administrativo de las ventas.
¿Que es un pronostico de
ventas?
 Es la predicción de las posibles ventas de la empresa
durante un periodo especifico de tiempo.
 El pronostico de ventas puede estar basado en datos

externos o internos o ser una combinación de ambos.
Brevemente dar una descripción
de que es un pronostico de ventas
Externo, Interno y combinado
Pronostico de Ventas Externo
 Utiliza índices de indicadores económicos para predecir las

ventas de la compañía. Otras variables a considerar que inciden
en un pronostico incluye índices de inflación, de evaluación,
tasas de interés y tasa de desempleo.
Pronostico de Venta Interno
Utiliza fuentes internas de la

empresa para realizar las
estimaciones de venta como
por ejemplo los vendedores
se encargan de calcular el
numero de unidades de
cada producto.
Pronostico de Ventas
Combinado
Utiliza datos combinados

externos e internos para
realizar el pronóstico de
ventas.
..
 DETERMINACION DEL ARTICULO QUE LA EMPRESA

DESEA VENDER
 CANTIDA DE ARTICULOS QUE EL CONSUMIDOR ESTARIA
EN LA CAPACIDAD DE ADQUIRIR
 DETERMINACION DE LOS PRECIOS DE CADA
ARTICULOS PARA LA VENTA
 DETERMINACION DE LOS COSTOS DE
COMERZALIZACION Y DISTRIBUCION
PARA PRONOSTICO DE LAS
VENTAS SE DEBE TENER
 INFORMACION DEL COMPORTAMIENTO DE LAS
VENTAS DE PERIODOS ANTERIORES
 SITUACION PASADA, ACTUAL Y FUTURA DE LAS
CONDICIONES SOCIO ECONOMICAS
 IMPACTO DE LAS PROMOCIONES Y LA PUBLICIDAD
 LA CANTIDAD QUE SE DE PRODUCIR PARA
SASTISFACER LAS VENTAS PLANEADAS, DEJANDO UN
MARGEN RAZONABLE PARA SASTIFACER VENTAS Y
VENTAS NO PREVISTAS
¿Qué diferencia hay entre un
presupuesto de ventas y un
pronostico de ventas?
El presupuesto de ventas es la
obtención de los fondos que
cubrirán los gastos
El pronostico de ventas es la

predicción de las posibles ventas de
la empresa durante un periodo
especifico
¿Qué es un plan estratégico de ventas y
un plan táctico y cuales son los plazos
que se sugieren deben abarcar
Plan Estratégico de Ventas
 Comprende la planeación de las ventas a largo plazo, de 2 a 5

años.
Plan Táctico de Ventas

 Comprende la planeación de las ventas para los próximos 12
meses se expresa sobre una base mensual o trimestral.
¿Qué enfoques de participación
pueden haber para desarrollar un
plan táctico de ventas?
 De máxima participación:
Vendedores, Gerentes de Área, Ejecutivo de ventas, Gerente de
ventas, Lo emplean compañías pequeñas que tienen pocos
productos
La información fluye de abajo hacia arriba únicamente para el plan
táctico
 De participación limitada a Gerentes de Nivel
Medio:
Son preparadas por gerentes de distrito, gerentes
de marca y se basa en visitas que realizan a sus
clientes para conocer y evaluar sus necesidades
futura, su uso es generalizado para compañías de
todo tamaño.
La información fluye de abajo hacia arriba a un
nivel mas alto.
 De participación limitada a la alta administración o ejecutiva:
Esto se da cuando en las compañías no se considera apropiado
que la gente de campo realice las estimaciones de ventas.
La información fluye de arriba hacia abajo
Siete etapas en el sistema de

previsión
 Determinar la utilización de la previsión.
 Seleccionar los artículos en los que se va a realizar la
previsión.
 Determinar el horizonte temporal de la previsión.
 Seleccionar el(los) modelo(s) de previsión.
 Recogida de datos.
 Realizar la previsión.
 Validar e implementar los resultados.
Tipos de horizontes temporales
de la previsión
 Previsión a corto plazo:
 Cobertura de hasta un año, generalmente inferior a los tres
meses.
 Programación de trabajos, asignación de tareas.
 Previsión a medio plazo:
 Entre tres meses y tres años.
 Planificación de las ventas, de la producción y del presupuesto.
 Previsiones a largo plazo:
 Periodos superiores a tres años.
 Planificación de nuevos productos, localización de las
instalaciones.
Previsiones a corto plazo frente a
previsiones a largo plazo
 Las previsiones a medio y largo plazo tratan de asuntos más
extensos, y apoyan las decisiones de gestión que
conciernen a la planificación y los productos, las plantas y los
procesos.
 Las previsiones a corto plazo normalmente emplean
metodologías diferentes a las utilizadas en las previsiones a
largo plazo.
 Las previsiones a corto plazo tienden a ser más exactas que
las realizadas a largo plazo.
La influencia del ciclo de vida del
producto
 Las etapas de introducción y crecimiento

necesitan previsiones más largas que las de
madurez y declive.
 Las previsiones son útiles para proyectar
 los diferentes niveles de personal
 los diferentes niveles de inventarios
 los diferentes niveles de capacidad de producción
mientras el producto pasa de la primera a la
última etapa.
Estrategia durante el ciclo
de vida de un producto
Introducción Crecimiento Madurez Declive
Mejor periodo para Buen momento para Mal momento para cambiar la Es vital controlar el
aumentar la cuota de cambiar el precio o la imagen, el precio o la calidad coste
mercado imagen de calidad
Los costes competitivos son
Estrategias de la compañía
Es vital planear la I + D Fortalecer el segmento ahora muy importantes

de mercado Defender la posición en el
Restaurantes para mercado Fax
comer en el coche Disquetes
CD-ROM de 3 1/2”
Ventas
Furgonetas
Internet
Impresoras a
color
HDTV
La planificación y desarrollo La previsión es muy Estandarización Poca diferenciación del

del producto son vitales importante producto
Cambios de producto menos
Cambios frecuentes en Fiabilidad del producto y rápidos; más cambios
Estrategias de la OM
proceso Minimización de costes

planificación del producto y minuciosos
proceso Posibilidades y mejoras del Sobrecapacidad en la
Capacidad óptima
producto competitivas industria
Lotes de producción Estabilidad creciente del
pequeños Aumento de la capacidad proceso de producción Eliminación de productos
Altos costes de producción Cambio de tendencia para que no proporcionan un
centrarse en el producto Grandes lotes de producción
margen aceptable
Número de modelos limitado Mejora del producto y
Atención a la distribución Reducción de capacidad
reducción de costes
Atención a la calidad
Tipos de previsiones
 Previsiónes económicas:
 Dirigidas al ciclo empresarial, por ejemplo, las tasas
de inflación, la masa monetaria, etc.
 Previsiónes tecnológicas:
 Predicen el progreso tecnológico.
 Predicen el nacimiento de nuevas ventas.
 Previsiones de demanda:
 Predicen las ventas ya existentes.
METODOS PARA
PRESUPUESTAR LAS VENTAS
 METODO DE ESTUDIO DE MERCADO:
 Se realiza un minucioso estudio de mercado que
plantea el posible resultado de los clientes ante
algunas de estrategias de publicidad planeadas
METODOS PARA
 METODO AUTOMATICO: se toman ventas del año
anterior, pues se espera que estos no varian
 METODO PROMEDIO: se toman las diferencias
resultantes de comparar las ventas de los ultimos
años, es decir, la variación de un año a otro; estas
diferencias se suman y se promedian según el
numeros de años comparados. Este promedio
resultante es sumado a las ventas del ultimo año
comparado( año al que se desea calcular).
CUADRO METODO
PROMEDIO
AÑO VENTAS VARIACIONES
2012 1.100.000
2013 1.400.000 300.000
2014 1.575.000 175.000
2015 2.300.000 725.000
2016 3.200.000 900.000
INCREMENTO PROMEDIO = (300.000 + 175.000 + 725.000 +

900.000)/4 = 525.000
PRESUPUESTO AÑO 2017 = 3.200.000
+ 525.000
3.725.000
METODOS PARA
 METODO DE AUMENTOS O INCREMENTO PORCENTUAL
 Se toman la ventas de los últimos años, se calcula
variación porcentual de estos de un año a otro, estas
variaciones porcentuales se suman y se promedian
según el numero de años tomados y el resultado se
multiplica por las venta del ultimo año y luego se
suman este nuevo dato a las ventas del ultimo año
METODO DE AUMENTOS O
INCREMENTO PORCENTUAL
AÑO VENTAS VARIACIONES
2013 140.000
2014 175.300 25,21%
2015 230.800 31,66%
2016 280.300 21,45%
INCREMENTO PROMEDIO = (0.2521 + O,3166 + 0,2145)/3 = 26,10%

PRESUPUESTO AÑO 2017 = 280.300 + (26,10 x 280.300) = 353.458
La formula de la utilidad como indicador
de analisis inicial de presupuestos de
ventas
 Utilidad U = I – C
 Analisis de costo – Volumen – Utilidades
 La representacion economica de la formula de la

UTILIDAD:
 Utilidad = Costos - Gastos

Representación Contable
de la formula de la utilidad
 Utilidad = Ingresos –(costos de producción + costos de
operación )
 Utilidad = Ingresos – (costos + gastos)
 Utilidad = Ingresos – costos – gastos
Representación Contable
de la formula de la utilidad
 Para presupuestar la utilidad en el desarrollo del
negocio de la empresa se puede calcular los
siguientes elementos, para hacer mas preciso el
calculo:
 Utilidad= PV(X) – (CV(X) + CF)
 PV = Precio de venta de cada producto
 X = Numero de unidades vendidas
 CV = Costos Variables
 CF = Costos Fijos
EJEMPLO
Se tiene un mercado de

1.500 unidades al mes de
producto A, que se vende a
un precio de $30.000 cada
uno con un Costo variable
de $15.000y unos costos fijos
de $2.000.000, cuanto es la
utilidad disponible:
RESPUESTA
 Utilidad = ingresos - (costos fijos +

Costo variables)
 Utilidad = 30.000(1,500)–
(15.000(1,500)+ 2.000.000)
 Utilidad = 45.000.000-
(22.500.000+2.000.000)
 Utilidad = 45.000.000-(24.500.000)
 Utilidad = 20.500.000
PUNTO DE EQUILIBRIO Y
ANALISIS DE VENTAS
 Utilidad = 30.000(X)–(15.000(X)+ 2.000.000)
 0 = 30.000(X)-15.000(X) + 2.000.000
 0 = 15.000(X) - 2.000.000
 2.000.000 = 15.000(X)
 X = 2.000.000/15.000
 X = 133.33
 X = 134 unidades
PUNTO DE EQUILIBRIO Y
ANALISIS DE VENTAS
 Con esta misma formula se puede empezar a
desarrollar varios analisis de ventas y analisis
esperada:
 EJEMPLO:
 Cuantas unidades se deben vender con el ejemplo
anterior para obtener unos ingresos anuales iguales a
16.000.000
EJEMPLO

 Utilidad = 30.000(X)–(15.000(X)+ 2.000.000)
 16.000.000 = 30.000(X)-15.000(X) - 2.000.000
 16.000.000 = 15.000(X) - 2.000.000
 16.000.000 +2.000.000 = 15.000(X)
 X = 18.000.000/15.000
 X = 1.200 unidades
 1.200/12 = 100 Unidades por mes
Calculo de las comisiones
(cc%)
 A la formula de la utilidad se le puede calcular el
costo por pago de comisiones por unidades vendidas.
Esto seria para aquellas empresas que paga a sus
vendedores una comision por cada venta de
producto.
 Formula:
 Utilidad= PV(X) – (CV(X) + CF) – ((PV(X)(CC%))
 EJEMPLO
EJEMPLO
 Si una empresa vende 2000 unidades a un precio

$1.000 cada una y da comision del 5% por ventas sus
vendedores, ¿Cuánta es la utilidad disponible si tiene
costos variables de $400 y unos costos fijos de
$500.000?
Respuesta al ejemplo
 Utilidad= PV(X) – (CV(X) + CF) – ((PV(X)(CC%))

 Utilidad = 1.000(2000)–(400(2000)+ 500.000) –
((1000(2000)(5%))
Utilidad = 2.000.000 –(800.000+500.000) – 100.000
Utilidad = 2.000.000 – 1.300.000 – 100.000
Utilidad = 2.000.000 – 1.400.000
Utilidad = 600.000
¿Qué son las series temporales?
 Es una secuencia de datos uniformemente espaciada:

 Se obtiene observando las variables en periodos de tiempo
regulares.
 Se trata de una previsión basada en los datos pasados:
 Supone que los factores que han influido en el pasado lo sigan
haciendo en el futuro.
 Ejemplo:
Año: 2010 2011 2012 2013 2014
Ventas: 78,7 63,5 89,7 93,2 92,1
Descomposición de una
serie temporal
Tendencia Ciclos
Estacionalidad Variaciones
aleatorias
Tendencia
 Es el movimiento gradual de ascenso o descenso de los datos
a lo largo del tiempo.
 Los cambios en la población, ingresos, etc. influyen en la
tendencia.
 Varios años de duración.
Respuesta
Mes, trimestre, año © 1984-1994 T/Maker Co.

Estacionalidad
 Muestra de datos de ascenso o descenso que se repite.
 Se puede ver afectada por la climatología, las costumbres,
etc.
 Se produce dentro de un periodo anual.
Verano
Respuesta
© 1984-1994 T/Maker Co.
Mes, trimestre
Ciclos
 Movimientos de ascenso o descenso que se repiten.
 Se pueden ver afectados por interacciones de factores que
influyen en la economía.
 Suelen durar de 2 a 10 años.
Ciclo
Respuesta

Mes, trimestre, año
Variaciones aleatorias
 Son “saltos” en los datos causados por el azar y situaciones
inusuales.
 Son debidas a variaciones aleatorias o a situaciones
imprevistas:
 Huelga.
© 1984-1994 T/Maker Co.
 Tornado.
 Son de corta duración
y no se repiten.
Modelos de SERIES TEMPORALES:
Enfoque simple
 Suponer que la demanda en

el próximo periodo será
igual a la demanda del
periodo más reciente:
 Por ejemplo, si en mayo hubo 48
ventas, en junio habrá 48 ventas.
 Es el modelo con la mejor
relación eficacia-coste y
eficiencia.
© 1995 Corel Corp.
Medias móviles
 Las medias móviles son una serie de operaciones aritméticas.

 Se utilizan si no hay tendencia o si ésta es escasa.
 Se suelen utilizar para el alisado:
 Proporciona una impresión general de los datos a lo largo del tiempo.
 Ecuación:
MM   demanda de n periodos previos

n
Ejemplo de media móvil
Usted es el director de una tienda

de un museo que vende réplicas.
Quiere predecir las ventas (000) del
año 2015 mediante una media
móvil de 3 meses.
2010 4
2011 6
2012 5
2013 3
2014 7
© 1995 Corel Corp.
Solución de la media móvil
Año Respuesta Media Media móvil
Yi móvil total (n=3)
(n=3)
2010 4 ND ND
2011 6 ND ND
2012 5 ND ND
2013 3 4+6+5=15 15/3 = 5
2014 7
2015 ND
(n=3)
2010 4 ND ND
2011 6 ND ND
2012 5 ND ND
2013 3 4+6+5=15 15/3 = 5
2014 7 6+5+3=14 14/3=4 2/3
2015 ND
ponderada
(n=3)
2010 4 ND ND
2011 6 ND ND
2012 5 ND ND
2013 3 4+6+5=15 15/3=5,0
2014 7 6+5+3=14 14/3=4,7
2015 ND 5+3+7=15 15/3=5,0
Gráfico de la media móvil
Ventas
8 Real
6
Previsión
4
2
95 96 97 98 99 00
Año
Método de la media móvil
ponderada
 Se utiliza cuando se presenta una tendencia:
 Los datos anteriores suelen carecer de importancia.
 Las ponderaciones se basan en la intuición:
 Suelen estar entre 0 y 1, y a la suma de 1,0.
 Ecuación:
Media móvil Σ (ponderación para el periodo n) (demanda en el periodo n)

ponderada = Σ ponderaciones
Inconvenientes de los
métodos de media móvil
 Al aumentar n veces, las previsiones son menos
sensibles a los cambios.
 No es posible predecir bien la tendencia.
 Se necesitan muchos datos históricos.
© 1984-1994 T/Maker Co.

Alisado exponencial
 Es una técnica de previsión de media móvil ponderada:

 Las ponderaciones disminuyen exponencialmente.
 Se ponderan más los datos más recientes.
 Se necesita una constante de alisado ():
 Toma valores entre 0 y 1.
 Se escoge de forma subjetiva.
 Necesita una cantidad reducida de datos históricos.
Ecuaciones del alisado
exponencial
 Ft = At - 1 + (1-)At - 2 + (1- )2·At - 3
+ (1- )3At - 4 + ... + (1- )t-1·A0
 Ft = Valor de la previsión
 At = Valor real
  = Constante de alisado
 Ft = Ft-1 + (At-1 - Ft-1)
 Se utiliza para calcular la previsión.

Ejemplo de alisado exponencial
Usted está organizando una reunión

Kwanza. Desea predecir el número
de personas que asistirán en el año
2015 mediante el alisado
exponencial ( = 0,10). La previsión
para 2010 fue de 175.
2010 180
2011 168
2012 159
2013 175
2014 190 © 1995 Corel Corp.
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 +
2012 159
2013 175
2014 190
2015 ND
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(
2012 159
2013 175
2014 190
2015 ND
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, Ft
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(180 -
2012 159
2013 175
2014 190
2015 ND
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión,Ft
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(180 - 175,00)
2012 159
2013 175
2014 190
2015 ND
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión,Ft
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(180 - 175,00) = 175,50
2012 159
2013 175
2014 190
2015 ND
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(180 - 175,00) = 175,50
2012 159 175,50 + 0,10(168 - 175,50) = 174,75
2013 175
2014 190
2015 ND
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(180 - 175,00) = 175,50
2012 159 175,50 + 0,10(168 - 175,50) = 174,75
2013 175 174,75 + 0,10(159 - 174,75)= 173,18
2014 190
2015 ND
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(180 - 175,00) = 175,50
2012 159 175,50 + 0,10(168 - 175,50) = 174,75
2013 175 174,75 + 0,10(159 - 174,75) = 173,18
2014 190 173,18 + 0,10(175 - 173,18) = 173,36
2015 ND
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(180 - 175,00) = 175,50
2012 159 175,50 + 0,10(168 - 175,50) = 174,75
2013 175 174,75 + 0,10(159 - 174,75) = 173,18
2014 190 173,18 + 0,10(175 - 173,18) = 173,36
2015 ND 173,36 + 0,10(190 - 173,36) = 175,02
Gráfico del alisado exponencial
Vent
190as Real
180
170 Previsión
160
150
140
2010 2011 2012 2013 2014 2015
Año
Efectos de la previsión de la
constante de alisado 
Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2
= 0,10 10%
= 0,90
Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Ponderaciones
 (1 - ) (1 - )2
= 0,10 10% 9%
= 0,90
Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Ponderaciones
 (1 - ) (1 - )2
= 0,10 10% 9% 8,1%

= 0,90
Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Ponderaciones
 (1 - ) (1 - )2
= 0,10 10% 9% 8,1%

= 0,90 90%
Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Ponderaciones
 (1 - ) (1 - )2
= 0,10 10% 9% 8,1%

= 0,90 90% 9%
Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Ponderaciones
 (1 - ) (1 - )2
= 0,10 10% 9% 8,1%

= 0,90 90% 9% 0,9%
Si se selecciona 
Trate de minimizar la desviación absoluta media (DAM)
Si: Error de previsión = demanda - previsión
 errores de previsión
Entonces: DAM 
n
Impacto de Diferente 
225 –
Demand  = .5
200 – a
Actual
Demanda
175 –
 = .1
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Trimestre
Seleccionar 
El objetivo es obtener la previsión

más exacta no importa la técnica
Generalmente seleccionamos el  que

nos da el error de pronóstico más bajo,
siempre.
Error Pronóstico = Demanda Actual – Pronóstico Actual
= At - Ft
Medidas de los ERRORES
Desviación Media Absoluta (MAD)
∑ |actual - forecast|
MAD =
n
Error de a Media al Cuadrado (MSE)
∑ (error de pronóstico)2
MSE =
n
Medidas de los Errores
Error Porcentual Media Absoluta (MAPE)
n
100 ∑ |actuali - pronósticoi|/actuali
i=1
MAPE =
n
Comparación de los Errores del
Pronóstico Pronóstico Desviación Pronóstico Desviación
Volumen Actual Absoluta Actual Absoluta
Efectivo Con Para Con Para
Trimestre Sin Carga  = .10  = .10  = .50  = .50
1 180 175 5 175 5

2 168 176 8 178 10
3 159 175 16 173 14
4 175 173 2 166 9
5 190 173 17 170 20
6 205 175 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
84 100
Pronóstico
Rounded Absolute Rounded Absolute
Actual Forecast Deviation Forecast Deviation
Tonage with for with for
Quarter Unloaded  = .10  = .10  = .50  = .50
1 180 175 5 175 5

2 168 176 8 178 10
3 159 175 16 173 14
4 175 173 2 166 9
5 190 173 17 170 20
6 205 175 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
84 100
Pronóstico
∑ (errores Pronóstico)2
Rounded Absolute Rounded Absolute
MSE = Actual Forecast Deviation Forecast Deviation
Tonage
n
with for with for
1
Para 180
= .10 175 5 175 5
2 = 1,558/8 176
168 = 194.75 8 178 10
3 159 175 16 173 14
4 Para 175
= .50 173 2 166 9
5 190 173 17 170 20
6 = 1,612/8 =175201.50 30
205 180 25
7 180 178 2 193 13
8 182 178 4 186 4
84 100
MAD 10.50 12.50
Pronósticon
100 ∑ |desviacióni|/actuali
i = Rounded
1 Absolute Rounded Absolute
MAPE = Actual Forecast Deviation Forecast Deviation
Tonage with n for with for
1
 = .10 175
Para 180 5 175 5
2 168 = 45.62/8
176 = 5.70%
8 178 10
3 159 175 16 173 14
4 =
Para 175 .50 173 2 166 9
5 190 173 17 170 20
6 205 = 54.8/8
175 = 6.85%30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
84 100
MAD 10.50 12.50
MSE 194.75 201.50
Pronóstico
Pronóstico Desviación Pronóstico Desviación
Volumen Actual Absoluta Actual Absoluta
Efectivo con Para Con Para
Trimestre Sin Carga  = .10  = .10  = .50  = .50
1 180 175 5 175 5

2 168 176 8 178 10
3 159 175 16 173 14
4 175 173 2 166 9
5 190 173 17 170 20
6 205 175 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
84 100
MAD 10.50 12.50
MSE 194.75 201.50
MAPE 5.70% 6.85%
Suavizado Exponencial con Ajuste
de Tendencia
Cuando una tendencia este presente,

el suavizado exponencial debe
ajustarse.
Pronóstico Pronóstico Tendencia
incluye (FITt) = Alisado (Ft) + (Tt) Alisado
tendencia Exponencial Exponencial
de Tendencia
Ft = (At - 1) + (1 - )(Ft - 1 + Tt - 1)
Tt = b(Ft - Ft - 1) + (1 - b)Tt - 1
Step 1: Calcular Ft
Step 2: Calcular Tt
Step 3: Calcular el Pronóstico FITt = Ft + Tt
de Tendencia
Pronóstico
Demanda Pronóstico Tendencia Incluye
Mes (t) Actual (At) Alisado Ft Alisado, Tt Trendencia, FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24
6 21
7 31
8 28
9 36
10
Table 4.1
de Tendencia
Pronóstico
Mes (t) Actual (At) Alisado, Ft Alisado, Tt Tendencia, FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24 Step 1: Pronóstico para Mes 2
6 21
7 31 F2 = A1 + (1 - )(F1 + T1)
8 28
9 36 F2 = (.2)(12) + (1 - .2)(11 + 2)
10
= 2.4 + 10.4 = 12.8 units
Table 4.1
de Tendencia
Pronóstico
Mes (t) Actual (At) Alisado, Ft Alisada, Tt Tendencia, FITt
1 12 11 2 13.00
2 17 12.80
3 20
4 19
5 24 Step 2: Tendencia para Mes 2
6 21
7 31 T2 = b(F2 - F1) + (1 - b)T1
8 28
9 36 T2 = (.4)(12.8 - 11) + (1 - .4)(2)
10
= .72 + 1.2 = 1.92 units
Table 4.1
de Tendencia
Pronóstico
Mes (t) Actual (At) Alisado, Ft Alisada, Tt Tendencia, FITt
1 12 11 2 13.00
2 17 12.80 1.92
3 20
4 19
5 24 Step 3: Calcular FIT para Mes 2
6 21
7 31 FIT2 = F2 + T1
8 28
9 36 FIT2 = 12.8 + 1.92
10
= 14.72 units
Table 4.1
de Tendencia
Forecast
Actual Smoothed Smoothed Including
Month(t) Demand (At) Forecast, Ft Trend, Tt Trend, FITt
1 12 11 2 13.00
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14
5 24 19.91 2.23 22.14
6 21 22.51 2.38 24.89
7 31 24.11 2.07 26.18
8 28 27.14 2.45 29.59
9 36 29.28 2.32 31.60
10 32.48 2.68 35.16
Table 4.1
de Tendencia
35 –
30 – Actual demand (At)

Product demand
25 –
20 –
15 –
10 – Forecast including trend (FITt)

5 –
0 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
Figure 4.3
Time (month)
Método de mínimos cuadrados
Si decidimos desarrollar una recta de tendencia lineal

mediante un método estadístico preciso,
podemos aplicar el método de mínimos cuadrados. Este
enfoque resulta en una línea recta que minimiza
la suma de los cuadrados de las diferencias verticales o
desviaciones de la recta hacia cada una
de las observaciones reales.
Una recta de mínimos cuadrados se describe en términos de
su intersección con el eje y (la altura a
la cual cruza al eje y) y su pendiente (el ángulo de la recta).
Si podemos calcular la intersección con el
eje y y la pendiente, podremos expresar la recta con la
siguiente ecuación:
Método de mínimos cuadrados
Observación
Valores de la variable dependiente
Desviación
real
Desviación Desviación
Desviación
Desviación Punto en la
línea de
Desviación
tendencia
Desviación
Yˆ  a  bx
Periodo de tiempo
Análisis de regresión lineal
 Se usa para prever la línea de tendencia lineal.
 Supone una relación entre la variable de respuesta, Y, y el
periodo de tiempo, X, que es una función lineal:
 Se calcula mediante el método de los mínimos cuadrados:

 Minimiza la suma de errores cuadrados.
Y$i  a  bX i
Diagrama de dispersión
Venta
Ventas frente a tiempo
s4
3
2
1
0
92 93 94 95 96
Periodo de tiempo
Modelo de regresión lineal
 Muestra la relación lineal entre las variables dependientes e
independientes.
 Ejemplo: ventas y publicidad (sin tiempo)
Corte con el eje Y Pendiente
^
Yi = a + b X i
Variable dependiente Variable independiente

Ecuaciones de regresión
lineal
Ecuación: Ŷi  a  bx i
n
 x i y i  nx y
Pendiente: b  i n
 x i  nx 
i 
Corte con el eje Y: a  y  bx

Tabla de cálculo
2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣXi ΣYi ΣXi ΣYi Σ X iY i
Interpretación de los
coeficientes
 Pendiente (b):
 El cálculo de Y varía en b cada unidad extra en X.
 Si b = 2, entonces las ventas (Y) aumentarán en 2 por cada unidad
extra en publicidad (X).
 Corte con el eje Y (a):

 Valor medio de Y cuando X = 0.
 Si a = 4, entonces las ventas medias (Y) serán de 4 cuando la
publicidad (X) sea 0.
Variación de los errores
aleatorios
 Variación del Y real a partir del Y predecido.
 Se mide mediante el error estándar de la estimación:
 Muestra los errores de la desviación estándar.
 SY,X
 Afecta a varios factores:
 Significado del parámetro.
 Precisión de la predicción.
Ecuaciones de mínimos
cuadrados
Ecuación: Ŷi  a  bx i
n
 x i y i  nx y
Pendiente: b  i n
 x i  nx 
i 
Corte con el eje Y: a  y  bx

Tabla de cálculo
2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣX i ΣYi ΣX i ΣY i ΣX iY i
Ejemplo de análisis de regresión lineal
Usted es el analista de marketing de

Hasbro Toys. Recoge los siguientes datos:
Año Ventas (unidades)
2010 1
2011 1
2012 2
2013 2
2014 4
¿Cuál es la ecuación de la tendencia?
Modelo de previsión del análisis
de regresión lineal
Usted está realizando el análisis de marketing
de Hasbro Toys. Al utilizar años codificados,
halla que ^
Yi = -0,1 + 0,7Xi.
Año Ventas (Unidades)
2010 1
2011 1
2012 2
2013 2
2014 4
La previsión es de 2015 ventas.
Modelo de previsión
del análisis de
regresión lineal
Modelo de previsión
del análisis de
regresión lineal
Suposiciones de los mínimos cuadrados
1. Siempre deben graficarse los datos porque los datos de mínimos

cuadrados suponen una relación lineal. Si parece que exista una
curva presente, probablemente sea necesario el análisis
curvilíneo
2. No se predicen periodos lejanos a la base de datos dada. Por
ejemplo, si tenemos los precios promedio de las existencias de
Microsoft durante 20 meses, sólo podemos pronosticar 3 o 4
meses hacia el futuro. Los pronósticos de más tiempo tienen
poca validez estadística. Por lo tanto, no pueden tomarse datos
de 5 años de ventas y proyectar 10 años hacia el futuro. El mundo
es demasiado incierto.
3. Se supone que las desviaciones calculadas alrededor de la recta
de mínimos cuadrados son aleatorias (vea la figura de Mínimos
Cuadrados). Por lo general, están distribuidas normalmente, con
la mayoría de las observaciones cerca de la recta y sólo unas
cuantas más lejos.
Modelo estacional multiplicativo
 Encontrar la demanda histórica media para cada
“estación” sumando la demanda de esa estación cada
año y dividiéndola entre el número de años de datos
disponibles.
 Calcular la demanda media a lo largo de todas las
estaciones dividiendo la demanda media total anual
entre el número de estaciones.
 Calcular un índice estacional dividiendo la demanda
histórica real de esa estación (calculado en la etapa 1)
entre la demanda media a lo largo de todas las
estaciones.
 Estimar la demanda anual de todo el año próximo.
 Dividir esta estimación de la demanda anual total entre el
número de estaciones y entonces multiplicarla por el
índice estacional de esa estación. Esto proporciona la
previsión estacional .
Modelo estacional multiplicativo aplicado en
las variaciones estacionales
Modelo estacional multiplicativo aplicado en
las variaciones estacionales
Aplicación de tendencia e índices
estacionales
estacionales
estacionales
estacionales
Guía para elegir el modelo
de previsión
 Usted quiere conseguir:
 Ninguna conducta o dirección del error de previsión.
 Error = (Yi - Yi) = (Real - Previsión).
^
 Se observa en las representaciones de los errores a lo largo del tiempo.
 Un error de previsión más pequeño:

 Error cuadrado medio (ECM).
 Desviación absoluta media (DAM).
Conducta del error de previsión
Tendencia no totalmente
justificada Conducta deseada
Error Error
0 0
Tiempo (años) Tiempo (años)

Ecuaciones del error de previsión
 Error cuadrado medio (ECM):
n
 (y i  ˆy i ) 2 2
  errores de previsión
ECM absoluta media (DAM):
 Desviación i 1 
n n
n
 | y i  ŷ i |
i   |errores de previsión |
DAM  
n n
Ejemplo de selección del modelo
de previsión
Usted es el analista de marketing de Hasbro Toys. Ha

previsto las ventas con un modelo lineal y alisado
exponencial. ¿Qué modelo usará?
Ventas Previsión del Previsión del

alisado
Año reales modelo lineal exponencial (0,9)
2010 1 0,6 1,0

2011 1 1,3 1,0
2012 2 2,0 1,9
2013 2 2,7 2,0
2014 4 3,4 3,8
Evaluación del modelo lineal
^
Año Yi Yi Error Error2 |Error|
2010 1 0,6 0,4 0,16 0,4
2011 1 1,3 -0,3 0,09 0,3
2012 2 2,0 0,0 0,00 0,0
2013 2 2,7 -0,7 0,49 0,7
2014 4 3,4 0,6 0,36 0,6
Total 0,0 1,10 2,0
ECM = Σ Error2 / n = 1,10 / 5 = 0,220
DAM = Σ |Error| / n = 2,0 / 5 = 0,400
Evaluación del modelo de
alisado exponencial
^
Year Yi Yi Error Error2 |Error|
2010 1 1,0 0,0 0,00 0,0
2011 1 1,0 0,0 0,00 0,0
2012 2 1,9 0,1 0,01 0,1
2013 2 2,0 0,0 0,00 0,0
2014 4 3,8 0,2 0,04 0,2
Total 0,3 0,05 0,3
ECM = Σ Error2 / n = 0,05 / 5 = 0,01
DAM = Σ |Error| / n = 0,3 / 5 = 0,06
Evaluación del modelo de
alisado exponencial
Modelo de alisado exponencial:
ECM = Σ Error2 / n = 0,05 / 5 = 0,01

DAM = Σ |Error| / n = 0,3 / 5 = 0,06
Modelo lineal:
ECM = Σ Error2 / n = 1,10 / 5 = 0,220

DAM = Σ |Error| / n = 2,0 / 5 = 0,400
Señal de rastreo
 Mide el grado de precisión de la previsión
para predecir valores reales.
 Suma actual de los errores de previsión (SAEP)
dividida entre la desviación absoluta media
(DAM):
 Una buena señal de rastreo tiene valores bajos.
 Debe estar dentro de los límites de control
superiores e inferiores.
 Se espera que el 89% de los errores caiga
dentro de + - 2 MAD, EL 98% dentro de + - 3
MAD ó el 99% dentro de + - 4 MAD.
 Mayor /Menor a + - 4 MAD se recomienda
revisar el Pronóstico.
Ecuación de la señal de
rastreo
SAEP
Señal de rastreo 
DAM
 (y i  ŷ i )
n
 i 
DAM
 errores de previsión

DAM
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR

prevista real absoluto acumulado
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140

1 100 90 -10
2 100 95
3 100 115 Error = Real - Previsión
= 90 - 100 = -10
4 100 100
5 100 125
6 100 140

1 100 90 -10 -10

2 100 95
3 100 115 SAEP =  Errores
= ND + (-10) = -10
4 100 100
5 100 125
6 100 140

1 100 90 -10 -10 10

2 100 95
3 100 115 Error absoluto = |Error|
= |-10| = 10
4 100 100
5 100 125
6 100 140

1 100 90 -10 -10 10 10

2 100 95
3 100 115 |Error| acumulado =  |Errores|
= NA + 10 = 10
4 100 100
5 100 125
6 100 140

1 100 90 -10 -10 10 10 10,0

2 100 95
3 100 115 DAM =  |Errores|/n
= 10/1 = 10
4 100 100
5 100 125
6 100 140

1 100 90 -10 -10 10 10 10,0 -1

2 100 95
3 100 115 SR = SAEP/DAM
= -10/10 = -1
4 100 100
5 100 125
6 100 140

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5
3 100 115
4 100 100 Error = Real - Previsión
= 95 - 100 = -5
5 100 125
6 100 140

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15
3 100 115
4 100 100 SAEP =  Errores
= (-10) + (-5) = -15
5 100 125
6 100 140

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5
3 100 115
4 100 100 Error absoluto = |Error|
= |-5| = 5
5 100 125
6 100 140
Trim. Demanda Demanda

Error SAEP Error |Error| DAM SR
1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15
3 100 115
4 100 100 Error acumulado =  |Errores|
= 10 + 5 = 15
5 100 125
6 100 140

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15 7,5
3 100 115
4 100 100 DAM =  |Errores|/n
= 15/2 = 7,5
5 100 125
6 100 140

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15 7,5 -2
3 100 115
4 100 100 SR = SAEP/DAM
= -15/7,5 = -2
5 100 125
6 100 140
Representación de una
señal de rastreo
Señal que supera el límite
Señal de rastreo
Límite de control superior
+
0 Intervalo aceptable
-
Límite de control inferior
Tiempo
Señales de rastreo
160 3
140 Previsión
2
Señal de rastreo
120
Demanda real
100 1
80 0
60 Demanda real
-1
40 Señal de rastreo
20 -2
0 -3
0 1 2 3 4 5 6 7
Tiempo

Presupuesto de Ventas

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Presupuesto de Ventas

Cargado por

Copyright:

Formatos disponibles

PRESUPUESTO DE VENTAS

 Un plan de ventas incluye la información sobre

 Cuando hablamos de planes de ventas y proyecciones de

Responde a las siguientes preguntas:

 Reducir las incertidumbres de los ingresos futuros.

 El pronostico de ventas puede estar basado en datos

Pronostico de Ventas Externo

 Utiliza índices de indicadores económicos para predecir las

Utiliza fuentes internas de la

Utiliza datos combinados

 DETERMINACION DEL ARTICULO QUE LA EMPRESA

El pronostico de ventas es la

Plan Estratégico de Ventas

 Comprende la planeación de las ventas a largo plazo, de 2 a 5

Plan Táctico de Ventas

Siete etapas en el sistema de

 Las etapas de introducción y crecimiento

Es vital planear la I + D Fortalecer el segmento ahora muy importantes

La planificación y desarrollo La previsión es muy Estandarización Poca diferenciación del

proceso Minimización de costes

INCREMENTO PROMEDIO = (300.000 + 175.000 + 725.000 +

INCREMENTO PROMEDIO = (0.2521 + O,3166 + 0,2145)/3 = 26,10%

 La representacion economica de la formula de la

 Utilidad = Costos - Gastos

Se tiene un mercado de

 Utilidad = ingresos - (costos fijos +

 Utilidad= PV(X) – (CV(X) + CF)

 Si una empresa vende 2000 unidades a un precio

 Utilidad= PV(X) – (CV(X) + CF) – ((PV(X)(CC%))

 Es una secuencia de datos uniformemente espaciada:

Mes, trimestre, año © 1984-1994 T/Maker Co.

 Suponer que la demanda en

 Las medias móviles son una serie de operaciones aritméticas.

MM   demanda de n periodos previos

Usted es el director de una tienda

Media móvil Σ (ponderación para el periodo n) (demanda en el periodo n)

© 1984-1994 T/Maker Co.

 Es una técnica de previsión de media móvil ponderada:

 Ft = Ft-1 + (At-1 - Ft-1)

 Se utiliza para calcular la previsión.

Usted está organizando una reunión

Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

= 0,10 10% 9% 8,1%

Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

= 0,10 10% 9% 8,1%

Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

= 0,10 10% 9% 8,1%

Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

= 0,10 10% 9% 8,1%

Trate de minimizar la desviación absoluta media (DAM)

Si: Error de previsión = demanda - previsión

El objetivo es obtener la previsión

Generalmente seleccionamos el  que

Desviación Media Absoluta (MAD)

Error de a Media al Cuadrado (MSE)

Error Porcentual Media Absoluta (MAPE)

1 180 175 5 175 5

1 180 175 5 175 5

1 180 175 5 175 5

Cuando una tendencia este presente,

30 – Actual demand (At)

10 – Forecast including trend (FITt)