Análisis de series de

tiempo
y elaboración de
pronósticos
Pronóstico de la demanda
 El forecasting, como se le conoce en el entorno económico al proceso de
pronosticar la demanda, se define como el arte y la ciencia para predecir la
demanda futura para un bien, componente o servicio en particular, con base
en datos históricos, estimaciones de mercadeo e información promocional,
mediante la aplicación de diversas técnicas de previsión.
Horizonte de planeación del pronóstico
Implicaciones del error en el pronóstico
Desarrollo de un proceso de pronósticos
 Conforme el equipo de «Planeación de la demanda»
 Establezca la política del proceso de «Planeación de la demanda»
 Agrupe sku’s en familias
 Identifique patrones de la demanda de los productos
 Identifique la etapa en el ciclo de vida de cada producto
 Clasifique los ítems en A, B o C
 Implemente un software de pronósticos
 Cargue historia de la demanda de los productos
 Examine identifique y elimine demandas irregulares
 Corra el módulo de pronósticos
 Obtenga el pronóstico del equipo de «Planeación de la demanda»
 Genere pronósticos a futuro
 Monitoree el pronóstico
 Trabaje con el sistema de pronóstico, no contra él
Patrones de una serie de tiempo
 Una serie de tiempo es una secuencia de observaciones en una variable que
se mide en puntos sucesivos en el tiempo o sobre un periodo sucesivo.
 Patrón horizontal
Un patrón horizontal se presenta cuando los datos fluctúan alrededor de una
media constante.
Patrones de una serie de tiempo
 Patrón de tendencia
Aunque los datos de las series de tiempo presentan fluctuaciones aleatorias,
estas series también pueden mostrar cambios o movimientos graduales hacia
valores relativamente mayores o menores durante un periodo.
Patrones de una serie de tiempo
 Patrón estacional
La tendencia de una serie de tiempo se puede identifi car con el análisis de las
variaciones multianuales en los datos históricos. Los patrones estacionales son
reconocidos al identificarse los mismos patrones de repetición en periodos
sucesivos.
Promedios móviles
 Se utiliza cuando se quiere dar más importancia a conjuntos de datos más
recientes para obtener la previsión. El término móvil se utiliza porque cada
vez que en la serie de tiempo hay una nueva observación, ésta sustituye a la
observación más antigua de la ecuación y se calcula un nuevo promedio.
Promedios móviles ponderados
 Consiste en seleccionar un peso diferente para cada uno de los valores y
después calcular el promedio ponderado de los k valores más recientes como
pronóstico.
 Ejemplo: Un almacén ha determinado que el mejor pronóstico se encuentra
determinado con 4 datos y utilizando los siguientes factores de ponderación
(40%, 30%, 20% y 10%). Determinar el pronóstico para el período 5.
Suavizamiento exponencial simple
 Calcula el promedio de una serie de tiempo con un mecanismo de
autocorrección que busca ajustar los pronósticos en dirección opuesta a las
desviaciones del pasado mediante una corrección que se ve afectada por un
coeficiente de suavización.
Suavización exponencial doble
 Cuándo se abordan las series de tiempo en algunos casos es identificable que
el comportamiento de un grupo de datos puede arrojar una tendencia clara e
información que permita anticipar movimientos futuros.
Suavización exponencial doble
 Ejemplo: La firma de control ambiental «Mauricio Galindez» usa suavización
exponencial doble para pronosticar la demanda de un equipo para el control
de contaminación, demanda que aparentemente presenta una tendencia
creciente. Según la experiencia de sus ingenieros de planeación se sugiere
unos coeficientes de alfa = 0,2 y beta 0,4. Suponer que el pronóstico para el
mes 1 fue de 11 unidades y la tendencia durante el mismo período fue de 2
unidades. Con base en lo anterior, determinar el pronóstico del mes 3.
Suavización exponencial doble
Suavización exponencial doble
Regresión lineal
 Permite hallar el valor esperado de una variable aleatoria a cuando b toma un
valor específico.
Regresión lineal
 Ejemplo: La juguetería Gaby desea estimar mediante regresión lineal simple
las ventas para el mes de Julio de su nuevo carrito infantil «Mate». La
información del comportamiento de las ventas de todos sus almacenes de
cadena se presenta en el siguiente tabulado.
Regresión lineal
 El primer paso para encontrar el pronóstico del mes 7 consiste en hallar la
pendiente, para ello efectuamos los siguientes cálculos:
Regresión lineal
Regresión lineal
Variación estacional o cíclica
 El modelo de variación estacional, estacionaria o cíclica permite hallar el
valor esperado o pronóstico cuándo existen fluctuaciones (movimientos
ascendentes y descendentes de la variable) periódicas de la serie de tiempo,
esto generalmente como resultante de la influencia de fenómenos de
naturaleza económica.
 Variación estacional o cíclica
 La distribuidora de papelería CAROLA desea vender para el año 2015 una
cantidad de 12000 kits escolares. Determine el pronóstico por trimestre a
partir del modelo de variación estacional, teniendo en cuenta la siguiente
información acerca del comportamiento de las ventas:
Variación estacional o cíclica
Variación estacional o cíclica
Variación estacional o cíclica
Variación estacional con tendencia
 Es un modelo óptimo para patrones de demanda que presenten un
comportamiento cíclico y que a su vez presentan una tendencia, por ejemplo
la demanda de artículos escolares.

 Ejemplo: Determine el pronóstico de la demanda para el año 2017, mediante

el modelo de variación estacional con tendencia.
Variación estacional con tendencia
 El primer paso consiste en desestacionalizar la demanda, es decir, preparar la información
histórica de entrada para poder efectuar una proyección conforme su tendencia.
Variación estacional con tendencia
Variación estacional con tendencia
Variación estacional con tendencia
Variación estacional con tendencia
 La demanda desestacionalizada será a partir de ahora la información de
entrada para analizar la tendencia; para ello utilizaremos regresión lineal.
Variación estacional con tendencia
Variación estacional con tendencia
Variación estacional con tendencia
Medición del error de pronóstico
 Desviación absoluta media MAD
Medida del error global de pronóstico para un modelo.

 Error cuadrático medio

Promedio de los cuadrados de las diferencias encontradas entre los valores
pronosticados y los observados.
Medición del error de pronóstico
 Raíz del Error Cuadrático Medio
Consiste en la raíz cuadrada de la sumatoria de los errores cuadráticos.

 Error porcentual absoluto medio

Promedio de las diferencias absolutas encontradas entre los valores
pronosticados y los reales, expresado como un porcentaje de los valores reales.