INTERNATIONAL OPERATIONS

Pronóstico y Planificación de la Demanda

Parte II
Semana 6
 INTRODUCCIÓN

¿Conoces los diversos métodos

estadísticos para determinar el
pronóstico de la demanda?
 OBJETIVOS
1. Aprender a utilizar la técnica de regresión lineal simple en la gestión de la
demanda.
2. Aprender a identificar la técnica de previsión más adecuada y cómo utilizarla
para la planificación de la demanda.
 CONTENIDO
• Gestión de la Demanda
• Regresión Lineal Simple
• Desviación Media Absoluta
• Elegir la mejor técnica de pronóstico
• Ejercicios
 MODELO DE REGRESION
LINEAL SIMPLE
La regresión se puede definir como una relación funcional entre dos o más variables
correlacionadas.

Se utiliza para predecir una variable dada la otra.

Los datos deben trazarse primero para ver si parecen lineales o si al menos partes de
los datos son lineales.

La regresión lineal se refiere a la clase especial de regresión donde la relación entre

las variables forma una línea recta.

La regresión lineal es útil para la previsión a largo plazo de sucesos importantes.

 MODELO DE REGRESION
LINEAL SIMPLE
La principal restricción en el uso de pronósticos de regresión lineal es que se supone
que los datos pasados ​y las proyecciones futuras caen alrededor de una línea recta.
Si bien esto limita su aplicación, se puede utilizar en períodos de tiempo más cortos.
Puede haber segmentos cortos de un período más largo que sean aproximadamente
lineales.
 MODELO DE REGRESION
LINEAL SIMPLE
La regresión lineal se utiliza tanto para el pronóstico de series de tiempo como
para el pronóstico de la relación causal.

Cuando la variable dependiente (generalmente el eje vertical de un gráfico) cambia

como resultado del tiempo (representada como el eje horizontal), se trata de un
Análisis de Series de Tiempo.

Si una variable cambia debido al cambio en otra variable, esta es una relación causal.
 MODELO DE REGRESION
LINEAL SIMPLE

El modelo de regresión lineal Y

simple busca ajustar una línea a
través de varios datos a lo largo
del tiempo.
a
0 1 2 3 4 5 x (Tiempo)

Yt = a + bx Es el modelo de regresión lineal.

Yt es el valor de pronóstico regresado o variable dependiente en el modelo, a es el

valor de intersección de la línea de regresión y b es similar a la pendiente de la línea
de regresión.
 FORMULAS DE
REGRESION LINEAL
 PROBLEMAS DE
REGRESION LINEAL SIMPLE
Pregunta: Dados los datos a continuación, ¿cuál es el
modelo de regresión lineal simple que se puede usar para
predecir las ventas?

Week Sales
1 150
2 157
3 162
4 166
5 177
 PROBLEMAS DE
REGRESION LINEAL SIMPLE
Respuesta: necesitamos calcular a y b:

a = y - bx

 xy - n(y)(x)
b= 2 2
 x - n(x )
 PROBLEMAS DE
REGRESION LINEAL SIMPLE
Respuesta: crear una hoja de cálculo
Week Week*Week Sales Week*Sales
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
Average Sum Average Sum

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

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

 REGRESION
LINEAL
El modelo de regresión resultante Yt = 143.5 + 6.3x
es:
180
175 Ahora bien, si graficamos
170 los pronósticos generados
por regresión contra las
165 ventas reales obtenemos
160 el siguiente gráfico:
Ventas

155
150
145
Ventas
140
135 Pronóstico
1 2 3 4 5
Periodo
 MODELO DE REGRESION
LINEAL SIMPLE
Ejemplo:
Las ventas de una empresa para una línea de productos durante los 12 trimestres de
los últimos tres años fueron las siguientes:
Quarter Sales Quarter Sales
1 600 7 2600
2 1550 8 2900
3 1500 9 3800
4 1500 10 4500
5 2400 11 4000
6 3100 12 4900

La empresa quiere pronosticar cada trimestre del cuarto año, es decir, los trimestres
13, 14, 15 y 16.
 MODELO DE REGRESION
LINEAL SIMPLE

Solución 1 (método gráfico):

Necesitamos trazar una línea a través de los puntos de datos hasta que la línea parezca encajar bien.
Esta es la línea de regresión. El siguiente paso es determinar la intersección a y la pendiente b.
 MODELO DE REGRESION
LINEAL SIMPLE

Solución 1 (método gráfico):

Usando el método gráfico, tenemos:

Y= 480 + (4,950 – 750)

_____________ x
(12 – 1)

Y= 480 + 381.81x
 MODELO DE REGRESION
LINEAL SIMPLE

Solución 1 (método de mínimos cuadrados):

Semana Semana*Semana Ventas Semana*Ventas
Usando el método de mínimos cuadrados, x x2 y xy
tenemos: 1 1 600 600
2 4 1,550 3,100
Y= 441.67 + 359.62x 3 9 1,500 4,500
4 16 1,500 6,000
5 25 2,400 12,000
6 36 3,100 18,600
7 49 2,600 18,200
8 64 2,900 23,200
9 81 3,800 34,200
10 100 4,500 45,000
11 121 4,000 44,000
12 144 4,900 58,800
6.50 650 2,779.17 268,200
Promedio Suma Promedio Suma
 MODELO DE REGRESION
LINEAL SIMPLE

Solución 1 (método de mínimos cuadrados):

Ahora, usando la fórmula, pronosticamos los trimestres 13 a 16:

Y= 441.67 + 359.62x

X Y
13 5,117
14 5,476
15 5,836
16 6,196
 MODELO DE REGRESION
LINEAL SIMPLE
Solución: dada la fórmula, pronosticamos los meses 15 a 24
Month Forecast
15 25,918
16 27,465 Y= 2,725 + (1,546.17)X
17 29,011
18 30,557
19 32,103
20 33,649
21 35,196
22 36,742
23 38,288
24 39,834
 ERRORES DE
PRONOSTICO
Al usar la palabra error, nos referimos a la diferencia entre el valor de pronóstico
y lo que realmente ocurrió. En estadística, estos errores se denominan residuales.

Siempre que el valor de pronóstico esté dentro de los límites de confianza (medición
del error), esto no es realmente un error. Pero el uso común se refiere a la diferencia
como un error.
 FUENTES DE
ERRORES
Los errores pueden provenir de una variedad de fuentes y pueden clasificarse como
sesgados o aleatorios.

Los errores de sesgo ocurren cuando se comete un error constante.

Las fuentes de sesgo incluyen no incluir las variables correctas; usar las relaciones
incorrectas entre variables; emplear la técnica de pronóstico incorrecta; ingresar la
información incorrecta; falta de formación, etc.

Los errores aleatorios se pueden definir como aquellos que no pueden explicarse por
el modelo de pronóstico que se utiliza.
 ERRORES DE
PRONOSTICO

La estadística MAD para determinar el error de pronóstico

A
t=1
t - Ft
MAD =
n
• El MAD ideal es cero. Eso significaría que no hay error de pronóstico.

• Cuanto mayor sea la MAD, menos deseable será el modelo resultante.

 DATOS DE
PROBLEMAS DE MAD
Pregunta: ¿Cuál es el valor de MAD
dados los valores de pronóstico en la
siguiente tabla?

Mes Ventas Pronóstic

1 220 o n/a
2 250 255
3 210 205
4 300 320
5 325 315
 SOLUCION DEL
PROBLEMA MAD
Mes Ventas Pronóstico Error Abs
1 220 n/a
2 250 255 5
3 210 205 5
4 300 320 20
5 325 315 10

40
n
Tenga en cuenta que por sí mismo,
A
t=1
t - Ft
40 el MAD solo nos permite conocer el
MAD = = = 10 error medio en un conjunto de
n 4 pronósticos.
 PRONOSTICO DE
RELACIONES CAUSALES
Técnica de estimación basada en el supuesto de que la variable a pronosticar (variable
dependiente) tiene una relación de causa y efecto con una o más de otras variables
(independientes).

Ejemplo: podemos esperar que un período prolongado de días de lluvia aumente las
ventas de paraguas e impermeables. La lluvia provoca la venta de accesorios para la
lluvia.

Esta es una relación causal, donde un hecho causa otro.

El primer paso en el pronóstico de la relación causal es encontrar aquellos sucesos

que realmente son las causas.
 PRONOSTICO DE
RELACIONES CAUSALES
Análisis de regresión múltiple:
Es un método de pronóstico utilizado en el Pronóstico Causal en el que se consideran
una serie de variables, junto con los efectos de cada una sobre el elemento de interés.

La predicción mediante regresión múltiple es apropiada cuando varios factores

influyen en una variable de interés, por ejemplo, las ventas. Su dificultad radica en el
cálculo matemático.

Se encuentran disponibles programas de computadora estándar para análisis de

regresión múltiple, lo que alivia la necesidad de tediosos cálculos manuales.
 PRONOSTICO DE
RELACIONES CAUSALES
Pronóstico de enfoque:
El pronóstico de enfoque simplemente prueba varias reglas que parecen lógicas y
fáciles de entender para proyectar datos pasados ​en el futuro. Cada una de estas
reglas se utiliza en un programa de simulación por computadora para proyectar
realmente la demanda y luego medir qué tan bien se desempeñó esa regla en
comparación con lo que realmente sucedió.

Por lo tanto, los dos componentes del sistema de pronóstico de enfoque son:
(1) Varias reglas de previsión simples y
(2) Simulación por computadora de estas reglas sobre datos pasados.

El pronóstico de enfoque ofrece argumentos sólidos de que los enfoques estadísticos

utilizados en el pronóstico no dan los mejores resultados. Este método establece que
las técnicas simples que funcionan bien con datos pasados ​también son las mejores
para pronosticar el futuro.
 PRONOSTICO DE
RELACIONES CAUSALES
Algunos ejemplos de reglas de pronóstico simples son:

1. Todo lo que vendimos en los últimos tres meses es lo que probablemente

venderemos en los próximos tres meses.
2. Lo que vendimos en el mismo período de tres meses el año pasado,
probablemente lo vendamos en ese período de tres meses este año (efectos
estacionales).
3. Probablemente vendamos un 10 por ciento más en los próximos tres meses de lo
que vendimos en los últimos tres meses.
4. Probablemente venderemos un 50 por ciento más durante los próximos tres
meses que durante los mismos tres meses del año pasado.
5. Cualquiera que sea el cambio porcentual que tuvimos durante los últimos tres
meses de este año en comparación con los mismos tres meses del año pasado,
probablemente será el mismo cambio porcentual que tendremos durante los
próximos tres meses de este año.
 PRONOSTICO DE
RELACIONES CAUSALES
Pronóstico de enfoque.

Estas reglas de pronóstico no son estrictas ni rápidas. Si una nueva regla parece
funcionar bien, se agrega. Si alguno no ha funcionado bien, se elimina.

La segunda parte del proceso es la simulación por computadora.

Para usar el sistema, debe estar disponible un historial de datos, por ejemplo, de 18 a
24 meses de datos. Luego, el proceso de simulación usa cada una de las reglas de
pronóstico para predecir algunos datos pasados ​recientes. La regla que mejor predicó
el pasado es la que se usa para predecir el futuro.
 MODELOS DE
SIMULACION
Las hojas de cálculo como Microsoft Excel se pueden utilizar para crear un
programa de pronóstico en una PC.

La forma en que la empresa utilizará este pronóstico podría ser el mayor desafío.

Si se va a pronosticar la demanda de muchos artículos, esto se convierte en un

problema de manejo de datos, no en un problema en la lógica de pronóstico.

Hay una lista de 50 programas de análisis estadístico y de pronóstico para uso en

computadoras personales (PC).
 MODELOS DE
SIMULACION
Ejemplos de software de simulación:

• IBM SPSS
• Minitab
• Estadística
• Forecast Pro
• XLSTAT
• MathematicA
• JMP
• MaxStat
• Stata
• MATLAB
 ELECCION DE UN
METODO DE PRONOSTICO
La elección de cuál de estos métodos utilizar se basa en las condiciones del
mercado.
Los promedios móviles ponderan cada período de la misma manera, el suavizado
exponencial pondera más el pasado reciente y el promedio móvil ponderado permite
que el pronosticador determine los pesos.
¿Cual es mejor? Una prueba sería usar cada método en datos de muestra y medir los
errores usando la DMA.
Al comparar empresas manufactureras y de servicios, las empresas manufactureras
tienden a ser más minuciosas y proporcionan más iteraciones al hacer circular y
ajustar el pronóstico.
Las empresas de servicios también tienden a (1) ver la media móvil ponderada como
una técnica importante y (2) utilizar el pronóstico subjetivo mucho más que los
fabricantes.
Además, las empresas de servicios están menos satisfechas con el pronóstico.
 CONCLUSIONES
Desarrollar un sistema de pronóstico no es fácil. Sin embargo, debe hacerse,
porque la previsión es fundamental para cualquier esfuerzo de planificación.
A corto plazo, se necesita un pronóstico para predecir los requisitos de materiales,
productos, servicios u otros recursos para responder a los cambios en la demanda. Los
pronósticos permiten ajustar los horarios y variar la mano de obra y los materiales.
A largo plazo, la previsión es necesaria como base para cambios estratégicos, como el
desarrollo de nuevos mercados, el desarrollo de nuevos productos o servicios y la
expansión o creación de nuevas instalaciones.
Para pronósticos a largo plazo que conducen a compromisos financieros pesados, se
debe tener mucho cuidado al derivar el pronóstico. Deben utilizarse varios enfoques.
Los métodos causales como el análisis de regresión o el análisis de regresión múltiple
son beneficiosos. Es necesario considerar los factores económicos, las tendencias de
los productos, los factores de crecimiento y la competencia, así como una gran
cantidad de otras posibles variables, y ajustar el pronóstico para reflejar la influencia
de cada uno.
 CONCLUSIONES
Los pronósticos a corto e intermedio plazo (como los requeridos para el control de
inventario, así como para la programación de personal y materiales) pueden
satisfacerse con modelos más simples, como el suavizado exponencial.
Por lo tanto, la rutina de pronóstico debe ser simple y ejecutarse rápidamente en una
computadora.
El suavizado exponencial, cuando la dirección lo supervisa para controlar el valor de
alfa, es una técnica eficaz.
El pronóstico de enfoque parece ofrecer un enfoque razonable para el pronóstico a
corto plazo, por ejemplo, mensual o trimestral, pero ciertamente menos de un año. Si
hay algo que ofrece el pronóstico de enfoque, es un monitoreo cercano y una
respuesta rápida.
En resumen, la previsión es difícil.
La filosofía ideal es crear el mejor pronóstico que razonablemente pueda y luego
protegerse manteniendo la flexibilidad en el sistema para tener en cuenta el inevitable
error de pronóstico.
 LLAMADA A LA ACCIÓN
 Sigue practicando las técnicas de cálculo de
pronóstico.
 REFERENCIAS

 Chopra, Sunil y Meindl, Peter (2008). Administración de la cadena de suministro. Estrategia,

planeación y operación. (3ª ed.). México: Pearson Educación.

 Chase, Richard B., Jacobs, F. Robert y Aquilano, Nicholas J. (2009). Administración de

operaciones. Producción y cadena de suministro. (20ª ed.). México: McGraw-Hill.