Pronostico de la Demanda

E L E M E N T O S
 Introducción
PRODUCTO ACTUAL (HISTORIA) PRODUCTO NUEVO (SIN HISTORIA)

PENETRACIÓN DE MERCADO DESARROLLO DE PRODUCTO

ACTUAL

• Estimación de la demanda: Análisis cuantitativo • Estimación de la demanda: Análisis de ítemes

de situaciones similares usando la historia. similares.

MERCADO

• Estimación de la demanda: Escenarios de

• Estimación de la demanda: Análisis del
planificación y análisis para entender las claves de
mercado y de los clientes, paneles de
NUEVO

incertidumbre y factores.
consumidores, experimentos, opinión de
• Paneles de expertos
expertos. • Delphi

• Escenarios de planificación, …
 MÉTODOS DE PRONÓSTICO o Forecast
Con base en datos históricos.

1. Los pronósticos realizados con series de tiempo utilizan sólo la historia de la serie ,

2. Los modelos de regresión incorporan el historial de otras series. La regresión predice un fenómeno (la variable
dependiente) con base en la evolución de uno o más fenómenos distintos (las variables independientes).

En los pronósticos con series de tiempo, el objetivo es encontrar patrones predecibles y repetibles en los datos
pasados. Con base en el patrón que se identifique, pueden usarse varios métodos.

Los patrones repetibles:

• La tendencia lineal creciente o decreciente,

• La tendencia curvilínea (incluyendo el crecimiento exponencial), y

• Las fluctuaciones estacionales.

Productos funcionales o innovadores

FUNCIONALES I N N O VA D O R E S

1. La demanda es predecible en un ciclo de 1. La demanda no es predecible.

vida largo. 2. Tienen ciclo de vida cortos.
2. No tienen muchas variedades. 3. Tienen muchas variedades.
3. No existe elevado nivel de stock 4. Existen errores en la producción
eliminado.
5. Altos stocks fuera de rangos.
4. Los Lead time o tiempos de espera para
una orden son más bien largos.
Métodos de Pronóstico de la demanda
para funcionales o innovadores
FUNCIONALES I N N O VA D O R E S

• Suavizamiento exponencial • Se deben usar elementos más cualitativos.

• Series de tiempo

• Regresión
 ELEMENTOS DE LA DEMANDA
Los factores críticos son más difíciles de determinar porque en muchas ocasiones no se incluye el
tiempo al análisis o se desconoce su efecto o no se toma en cuenta la causa del ciclo. La influencia
cíclica sobre la demanda puede provenir de eventos tales como elecciones políticas, guerras,
condiciones económicas o presiones sociológicas.

Las variaciones aleatorias son provocadas por eventos fortuitos. Al restar todas las causas
conocidas de la demanda (como el promedio, la tendencia, la estacionalidad, el ciclo y la
autocorrelación) lo que queda es la parte sin explicar de la demanda. Si no se puede identificar la
causa de este resto, se supone que es aleatoria, desde este resultado se puede concluir que los
elementos anteriores explican la variación de la demanda.
Ejemplo, usando regresión

Predecir el inicio o el final de una recesión tomando como base

los proyectos de vivienda considerados como un indicador
significativo de la salud de la economía.
MÉTODOS cualitativos
Técnicas acumulativas

Deriva un pronóstico a través de la compilación de los INPUTS de aquellos

empleados que se encuentran al final de la jerarquía, personal táctico y que
trabajan directamente con aquello que se está pronosticando.

Por ejemplo, un pronóstico general de las ventas se puede obtener al

combinar los inputs de cada uno de los vendedores que están más cerca de su
territorio.
Investigación de Mercados

• La investigación de mercados se utiliza sobre todo para la investigación de

productos con el objetivo de buscar nuevas ideas, conocer los gustos y
disgustos relacionados con los productos existentes, los productos
competitivos preferidos en una clase en particular, etc.

Los métodos de recopilación de datos son sobre todo encuestas y

entrevistas.
Grupos de Consensos
• Las ideas que un grupo de personas que ocupan diversas posiciones pueden desarrollar un
pronóstico más confiable que un grupo más reducido. Los pronósticos en grupo se
realizan por medio de reuniones abiertas con un intercambio libre de ideas de todos los
niveles gerenciales e individuales.

El problema con este estilo abierto es que los empleados de niveles inferiores se sienten
intimidados por los niveles más altos de la gerencia. Por ejemplo, un vendedor en una línea
de productos en particular puede tener un buen estimado de la demanda futura de un
producto, pero quizá no se exprese para refutar un estimado muy diferente dado por el
vicepresidente de marketing.
Técnica Delphi
• La técnica de Delfos se desarrolló para tratar de corregir este impedimento del intercambio libre. En
grupo de consensos una afirmación u opinión de una persona de un nivel superior es probable que
pese más que la de una persona de nivel inferior. El peor de los casos se presenta cuando la gente de
nivel inferior se siente amenazada y no contribuye con lo que realmente cree. Para evitar este
problema, el método de Delphi oculta la identidad de los individuos que participan en el estudio.
Todos tienen el mismo peso. En cuanto al procedimiento, un moderador crea un cuestionario y lo
distribuye entre los participantes. Sus respuestas se suman y se entregan a todo el grupo con un
nuevo grupo de preguntas.

Por lo regular, la técnica de Delphi puede lograr resultados satisfactorios en tres rondas. El tiempo
requerido es una función del número de participantes, la cantidad de trabajo para que desarrollen sus
pronósticos y su velocidad para responder.
Técnica Delphi desde 1950
Rand Corporation desarrolló el método de Delphi en la década de 1950. El procedimiento paso a paso es:

1. Elegir los expertos a participar. Debe haber gran variedad de personas con conocimientos en distintas
áreas.

2. Por medio de un cuestionario (o correo electrónico) obtener las proyecciones (y cualquier premisa o
calificación para el pronóstico) de todos los participantes.

3. Resumir los resultados y redistribuirlos entre los participantes con las preguntas nuevas apropiadas.

4. Volver a resumir, refinar las proyecciones y condiciones, y una vez más plantear preguntas nuevas.

5. Repetir el paso 4, si es necesario. Distribuir los resultados finales entre todos los participantes.
Analogía histórica

Al tratar de pronosticar la demanda de un nuevo producto, una situación

ideal sería que un producto existente o genérico se pueda utilizar como
modelo. Existen muchas formas de clasificar estas analogías; por ejemplo,
productos complementarios, productos sustituibles o competitivos, y
productos como una función del ingreso. En este caso, se pueden analizar
una gran cantidad de productos que se anuncian por correo en una categoría
similar a un producto comprado por catálogo, Internet o correo.
MÉTODOS cuantitativos
Modelos causales (regresión)

Sea Y el fenómeno o variable dependiente que se desea pronosticar y X1, X2,

. . . , Xn son n variables que están relacionadas con Y o explican la
variabilidad de Y. Entonces un modelo causal es aquel en el que el
pronóstico para Y es cierta función de estas variables, digamos,

Y = f (X1, X2, . . . , Xn)

El más común de estos modelos es el lineal en las variables X’s. Esto es,

 Se resuelve usando MMCO

 Promedio ponderado
• El promedio móvil simple da igual importancia a cada uno Semana, t Ventat

de los elementos de la base de datos. Existe el promedio 1 2500

2 2400
móvil ponderado que asigna importancia ponderada a cada 3 2100
4
elemento, siempre y cuando la suma de todas las
ponderaciones sea igual a uno.

Por ejemplo, un pronóstico se puede realizar utilizando 50%

de las ventas reales durante la semana más reciente, 30% de
dos semanas antes, 20% de tres semanas antes. Esto es,
Elección de las ponderaciones

• La experiencia y las pruebas son las formas más sencillas de elegir las
ponderaciones. Por regla general, el pasado más reciente es el indicador más
importante de lo que se espera en el futuro y, por lo tanto, debe tener una
ponderación más alta. Las ventas o la producción de la planta de la semana
pasada serían un mejor estimado para la semana próxima que las ventas o la
producción de la planta de hace varias semanas atrás. No obstante, si los datos
son estacionales, por ejemplo, las ponderaciones se deben establecer en forma
correspondiente. Las ventas de trajes de baño en diciembre del año pasado
deben tener una ponderación más alta que las ventas de trajes de baño en julio.
Serie de Tiempos

La base de la metodología de las series de tiempo es el análisis de

la autocorrelación. Esta permite identificar la persistencia de la
ocurrencia. De manera más específica, el valor esperado en un
momento dado tiene una correlación muy alta con sus propios
valores anteriores.
 Autocorrelación
Cuando la demanda es aleatoria, es probable que varíe en gran medida de una
semana a otra. Sin embargo, si existe una correlación alta de un período a otro se
espera que la demanda no cambie demasiado de período a otro a otro.

Las líneas de tendencia casi siempre son el punto de inicio al desarrollar un

pronóstico.

Posteriormente, estas líneas de tendencia se ajustan de acuerdo con los efectos

estacionales, los elementos cíclicos y cualquier otro evento esperado que puede
influir en el pronóstico final.
ELEMENTOS DE LA DEMANDA
1. Promedio móvil simple

1. Se calcula el promedio de un período, en este caso, cada dato

tiene la misma influencia en el pronóstico del período futuro.

2. Generalmente se utilizan de 6 a 12 períodos (semanas, meses,

años).

3. El horizonte de pronóstico es de corto a mediano plazo.

 Elementos
1. Tendencia. Se refiere a la propensión de una serie de tiempo a exhibir un patrón
estable de crecimiento o caída. Distinguimos entre la tendencia lineal (el patrón
descrito por una línea recta) y la tendencia no lineal (el patrón descrito por una
función no lineal, como una curva exponencial o cuadrática). Cuando no se
especifica el patrón de la tendencia, generalmente se da por hecho que es lineal.

2. Estacionalidad. Un patrón estacional es aquel que se repite en intervalos fijos. En

las series de tiempo, generalmente pensamos en el patrón que se repite cada año,
aunque también son comunes los patrones estacionales mensuales, semanales y
diarios. La moda, el helado y el combustible muestran un patrón estacional anual. El
consumo de electricidad muestra un fuerte patrón estacional diario.
 Elementos
3. Ciclos. La variación cíclica es similar a la estacionalidad, excepto porque la duración y la
magnitud del ciclo pueden variar. Los ciclos se asocian con variaciones económicas a largo plazo
(esto es, los ciclos comerciales) que pueden presentarse además de las fluctuaciones estacionales.

4. Aleatoriedad. Una serie aleatoria pura es aquella en la que no existe un patrón reconocible para
los datos. Los datos pueden generarse de una forma que, aun siendo puramente aleatoria, muchas
veces aparenta tener una estructura. Un ejemplo sería la metodología de tabuladores del mercado
de valores que impone formas de patrones aleatorios en los datos de precios del mercado. Del otro
lado de la moneda, los datos que parecen ser aleatorios pueden tener una estructura definitiva. Los
datos verdaderamente aleatorios que fluctúan en torno a una media fija forman lo que se conoce
como patrón horizontal.
Ejercicio Pronóstico, Ft
Demanda, Dt (Promedio
MES simple x 3)
Enero 200
Febrero 230
Marzo 260
Abril 180 230,0
Mayo 270 223,3
Junio 240 236,7
Julio 250 230,0
Agosto 300 253,3
Septiembre 320 263,3
Octubre 350 290,0
Noviembre 240 323,3
Diciembre 210 303,3
Enero 266,7
Febrero 238,9
Gráficos
Evaluación de los pronósticos

DEFINICIÓN DE LOS ERRORES M E D I D A S D E E VA L U A C I Ó N

 2. Suavización Exponencial
El método de suavización exponencial simple trabaja a través de una constante
de suavización alfa (α) que tiene un valor comprendido entre 0 y 1, aunque en
la aplicación real su valor suele variar entre 0,05 y 0,50. La constante funciona
como un factor de ponderación parecido al promedio móvil ponderado. El
valor de alfa es en función a la necesidad de darle más peso a datos recientes
(α más elevado) o a datos anteriores (alfa α más bajo). Si α=1, el pronóstico de
demanda del próximo periodo será exactamente igual al del periodo actual.

En consecuencia, el alfa que elegido estará relacionado con la evaluación del

pronóstico y la naturaleza del producto.
 2. Suavización Exponencial
En los dos métodos enteriores al agregar un nuevo dato se elimina la primera
observación anterior y se calcula el nuevo pronóstico. En muchas
aplicaciones, las ocurrencias más recientes son más indicativas del futuro
que aquellas en el pasado más distante. Si esta premisa es válida (que la
importancia de los datos disminuye conforme el pasado se vuelve más
distante), es probable que el método más lógico y fácil sea la de asignar
ponderaciones usando el método de suavización exponencial.
Ejemplo
Por ejemplo, teniendo un producto o servicio con demanda estable a través del
año, nuestra constante de suavización tenderá a ser pequeña (0,10 por
ejemplo), debido a que, no requerimos un elevado índice de respuesta frente a
los cambios entre la demanda real y la demanda pronosticada.
Suavizamiento exponencial con un período
…………. [1]
Ft = el pronóstico suavizado para el período t
F(t-1) = el pronóstico suavizado para el período t-1
D(t-1) = La demanda real del período anterior
a= es el índice de respuesta deseado, o la constante de
suavización.
Reescribiendo [1]
, o bien
Tomamos la segunda forma de [1]


 Ponderaciones del pasado
La razón por la que se llama suavización exponencial es que cada incremento en el
pasado se reduce (1 − ). Por ejemplo, si  es 0.05, las ponderaciones para los
distintos periodos serían las siguientes

 (1-  )0
 Ejercicio: alfa=0,50
Demanda, Pronóstico, Ft
MES Dt alfa=0,50
Enero 200
Febrero 230 200,0
Marzo 260 215,0
Abril 180 237,5
Mayo 270 208,8
Junio 240 239,4
Julio 250 239,7
Agosto 300 244,8
Septiembre 320 272,4
Octubre 350 296,2
Noviembre 240 323,1
Diciembre 210 281,6
Enero 245,8
Febrero 263,7
Por lo tanto, los exponentes 0, 1, 2, 3,…, etc. le dan su nombre. La suavización exponencial
es la más utilizada de las técnicas de pronóstico. Se usa con mucha frecuencia al ordenar el
inventario en las empresas minoristas, las compañías mayoristas y las agencias de servicios.
Las técnicas de suavización exponencial se han aceptado en forma generalizada por seis
razones principales:
1. Los modelos exponenciales son sorprendentemente precisos.
2. Formular un modelo exponencial es relativamente fácil.
3. El usuario puede entender cómo funciona el modelo.
4. Se requieren muy pocos cálculos para utilizar el modelo.
5. Los requerimientos de almacenamiento en la computadora son bajos debido al uso
limitado de datos históricos.
6. Es fácil calcular las pruebas de precisión relacionadas con el desempeño del modelo.
Efectos de la tendencia en la suavización
exponencial
Una tendencia hacia arriba o hacia abajo en los datos recopilados durante una
secuencia de periodos hace que el pronóstico exponencial se quede por debajo o atrás
de la ocurrencia real. Los pronósticos suavizados exponencialmente se pueden
corregir agregando un ajuste a las tendencias. Para corregir la tendencia, se necesitan
dos constantes de suavización. Además de la constante de suavización , la ecuación
de la tendencia utiliza una constante . La Beta reduce el impacto del error que
ocurre entre la realidad y el pronóstico. Si no se incluyen ni alfa ni Beta, la tendencia
reacciona en forma exagerada ante los errores.
3) Efectos de la tendencia: Método de Holt

Donde, y son constantes de suavizamiento

Pronóstico ajustado por tendencia

= Pronóstico
 To Alfa Beta
Ejercicio
Fo=200 10 0,3 0,5
Demanda,
MES Ft Tt FITt
Dt
Enero 200 200 10 210
Febrero 230 207 9 216
Marzo 260 220 11 231
Abril 180 239 15 254
Mayo 270 232 4 236
Junio 240 246 9 255
Julio 250 251 7 257
Agosto 300 255 6 261
Septiembre 320 273 11 284
Octubre 350 295 17 312
Noviembre 240 323 23 346
Diciembre 210 314 7 321
Enero 254 -27 227
Febrero 274 -3 271
 Pronósticos de varios pasos adelante
Hasta ahora hemos hablado sólo de los pronósticos de un paso adelante. Es decir, hemos asumido que el
pronóstico en el periodo t es para la demanda en el periodo t +1. Sin embargo, hay casos donde se busca
hacer un pronóstico para más de un paso adelante. Por ejemplo, la planeación de un minorista para la
temporada navideña puede requerir de un pronóstico para las ventas de diciembre en junio a fin de tener
suficiente tiempo para prepararse. Como el modelo subyacente asumido tanto para los promedios móviles
como para el suavizamiento exponencial es estacionario (es decir, que no cambia con el tiempo), los
pronósticos de un paso adelante y de varios pasos adelante para promedios móviles y suavizamiento
exponencial son los mismos.

Esto es, un pronóstico realizado en junio para las ventas de julio es el mismo que el pronóstico en junio para
las ventas de diciembre. (En el caso de un minorista, el supuesto de “estacionario” probablemente esté
equivocado, porque es factible que las ventas de diciembre sean mayores que las de un mes normal. Eso
sugiere que dichos métodos pueden no ser apropiados en este caso.)
Nota:
= = Pronóstico

Página 76 del Nahmias

Cuando la observación de la demanda actual, Dt, está disponible, se promedia con
el pronóstico previo de la demanda actual,

que es la intercepción previa, , más la pendiente previa, .

La segunda ecuación puede explicarse de la siguiente manera: El nuevo estimado de

intercepción, Ft, modifica el estimado de pendiente en la cantidad (Ft-Ft-1). Este
valor se promedia entonces con el estimado anterior de la pendiente Tt-1.

Las constantes de suavizamiento pueden ser las mismas, pero para la mayoría de las
aplicaciones se da mayor estabilidad al estimado de la pendiente (lo que implica que
).
Ejercicio Método Holt
Los datos trimestrales para las fallas de ciertos motores de aeronaves en una
base local militar durante los pasados dos años se muestran en la tabla.
Determine los pronósticos de un paso adelante para los periodos 4 a 8
utilizando suavizamiento exponencial. Suponga que =0,4 y =0,1. Para
iniciar el método, los estimados iniciales tanto de la intercepción como de la
pendiente en el tiempo cero =200 y 10.
 Alfa = 0,4 To = 10
Beta = 0,1 Fo=200

Trimestre, Pronóstico, Tendencia,

t Fallas, Dt FITt Ft Tt
1 200 210 200 10
2 250 216 206 10
3 175 240 229 11
4 186 223 214 8
5 225 215 208 7
6 285 226 219 7
7 305 259 250 10
8 190 289 278 11
9 276 267 9
10 283 274 9
Valores Iniciales de F y T

El problema de inicialización surge también al comenzar con el método de

Holt. El mejor enfoque es establecer un cierto conjunto de periodos iniciales
como base y utilizar el análisis de regresión para determinar los estimados de
la pendiente y la intercepción usando los datos de base.

Tanto el método de Holt como la regresión están diseñados para manejar

series que muestran tendencia.
Series Estacionales
Holt Winter
 Preguntas
1. Examine la ilustración 15.4 y señale qué modelo usaría para a) la demanda de trajes de baño, b) la demanda de casas nuevas, c)
consumo de electricidad, d) planes de expansión de nuevas plantas

2. ¿En qué se justifica el método de mínimos cuadrados en el análisis de regresión lineal?

3. Explique el procedimiento para crear un pronóstico usando el método de descomposición de la regresión por mínimos cuadrados.

4. ¿Qué estrategias se usan en supermercados, líneas aéreas, hospitales, bancos y cerealeras para influir en la demanda?

5. Todos los métodos de pronóstico que usan suavización exponencial, suavización adaptativa y suavización exponencial con
tendencia requieren valores iniciales para que funcionen las ecuaciones. ¿Cómo escogería el valor inicial?

6. De la elección de un promedio móvil simple, promedio móvil ponderado, suavización exponencial y análisis de regresión lineal,
qué técnicas de pronóstico le parecería más precisa? ¿Por qué?

7. Dé ejemplos que tengan una relación multiplicadora de la tendencia estacional.

8. ¿Cuáles son los principales problemas de la suavización exponencial adaptada para realizar pronósticos?

9. Comente las diferencias básicas entre la desviación absoluta media y la desviación estándar.
4) Métodos para series estacionales

Se conoce como “duración de la estación” al número de periodos antes de

que el patrón comience a repetirse. Para poder emplear un modelo
estacional, es necesario especificar cuál es el largo de una estación. Hay
varias formas de representar la estacionalidad. La más común es suponer que
existe un conjunto de multiplicadores , para 1  t  N, con la propiedad de
que N. El multiplicador representa la cantidad promedio que la demanda en
el periodo t de la estación está por encima o por debajo del promedio global.
1) Modelo Autoregresivo de Primer orden,
AR(1)
El modelo AR es el modelo de Autorregresivo en 1 período:

t=1,2,3,4,5,..

Donde, es el término de los errores o perturbaciones aleatorias; t-1 indica

un retardo o rezago de 1 período respecto de t.

Eventualmente, el modelo AR(1) podría contener el efecto de una variable

independiente X:
Propósito, responder estas preguntas

¿Cuál es el papel de los rezagos en economía?

¿Cuáles son las razones para justificar los rezagos?

¿Existe alguna justificación teórica para los modelos rezagados?

¿La relación rezagada entre variables implica causalidad?

 Pronósticos

En la práctica, son parámetros desconocidos, por lo que las predicciones deben basarse en
estimaciones de esos parámetros. Se utilizan los estimadores MCO que se calculan utilizando
datos históricos. En general, es la predicción de basada en la información hasta el periodo T.
En consecuencia, la predicción basada en el modelo AR(1) es la Ecuación es:
Autocorrelación
En datos de series temporales, el valor de Y en un periodo por lo general está correlacionado
con su valor en el periodo siguiente. La correlación de una serie con sus propios valores
retardados se denomina autocorrelación o correlación serial. La primera autocorrelación (o
coeficiente de autocorrelación) es la correlación entre , es decir, la correlación entre los
valores de Y en dos periodos adyacentes. La segunda autocorrelación es la correlación entre ,
y la autocorrelación j-ésima es la correlación entre .
Autocovarianza rezago j
La autocovarianza j-ésima es la covarianza entre .

La función de autocorrelación parcial en el rezago j.

Función de autocorrelación parcial,
FACP (Correlograma)

FACP(k) = , k=1,…,T-1
 Modelo Autoregresivo de orden p, AR(p)
El siguiente análisis se refiere a los métodos de series de tiempo. Defina D1, D2 , . . . , Dt, . . como los valores
de la demanda observados durante los periodos 1, 2, . . . , t. Asumiremos en todo momento que {Dt, t 1} es la
serie de tiempo que se pretende predecir. Aún más, supondremos que si estamos realizando un pronóstico en el
periodo t, entonces hemos observado Dt, Dt-1, . . . pero no hemos observado Dt+1.

Defina Ft como el pronóstico hecho para el periodo t desde el periodo t -1, hecho al final del periodo t -1
después de haber observado Dt-1, Dt-2, . . . , pero antes de observar Dt. Por lo tanto, estamos suponiendo que
todos los pronósticos son de un paso adelante; esto es, que están hechos para la demanda en el próximo
periodo.

Finalmente, observemos que se obtiene un pronóstico de la serie al aplicar un cierto conjunto de pesos a los
datos pasados, muy similar al suavizamiento exponencial.
Modelo Autoregresivo de orden p,
AR(p)
, t=1,……,n

Para determinar el valor de p es necesario construir el

correlograma o FACP