Abastecimiento

Planificación y Predicción de
la Demanda
Juan Pablo Villalva, MSc, MBA
Forecast

La predicción de la
demanda
Algunos Métodos:
Moving Average
Weighted Moving
Average
Exponential
Smoothing
Moving Average

En este modelo se considera que la serie de

tiempo solo tiene un componente de nivel mas
un componente aleatorio.
Se selecciona un numero dado de periodos (N)
para los cálculos.
La demanda promedio At para los N periodos
anteriores al momento t
Moving Average

Entonces el mejor pronóstico para el periodo t+1

es la continuación de la demanda promedio
observada a través del periodo t

𝐹 𝑡 + 1 = 𝐴𝑡
𝐹(𝑡+1) es la demanda pronosticada para el
tiempo t= t+1
Moving Average

Para el siguiente ejemplo calculamos el

promedio móvil para el t=4.
Periodo Demanda Dt Promedio Movil AtPronostico Ft Error Dt-Ft
D1=29, D2=18, D3=10 1 10
2 18
Tenemos que F4=A3 3 29 19.0
4 15 20.7 19.0 -4.0
A3=(29+18+10)/3=19 5 30 24.7 20.7 9.3
6 12 19.0 24.7 -12.7
F4=A3=19 7 16 19.3 19.0 -3.0
Error = D – F 8
9
8
22
12.0
15.3
19.3
12.0
-11.3
10.0
Error = 15-19 = -4 10
11
14
15
14.7
17.0
15.3
14.7
-1.3
0.3
12 27 18.7 17.0 10.0
13 30 24.0 18.7 11.3
14 23 26.7 24.0 -1.0
15 15 22.7 26.7 -11.7
Moving Average

Entre más largo es el

periodo del promedio,
Demanda vs Pronósticos
más lenta será la 35

respuesta a los 30

cambios de la 25

demanda. Un periodo 20

mas largo proporciona 15

estabilidad en el 10

pronóstico pero 5

responde con lentitud 0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

a los cambios reales Pronostico N= 3

en el nivel de la
demanda
Weighted Moving Average

Una de las formas para que el promedio móvil

responda mas rápidamente a los cambios en la
demanda es dar relativamente mas peso a las
demandas mas recientes. A esto se le conoce
como promedio móvil ponderado

+.....+

∑ 𝑊 𝑖 =1
𝑖= 1
Exponential Smoothing

Se trata de calcular un nuevo promedio en base

a un antiguo y usando la demanda mas reciente.
Por ejemplo, si tenemos un promedio antiguo de
20 (At-1)y acabamos de observar una demanda de
24 (Dt), dependiendo del peso que le otorguemos a
cada uno obtendremos un valor entre 20 y 24
𝐴𝑡 =𝛼 𝐷𝑡 +(1 −𝛼) 𝐴𝑡 −1
El valor ectara entre 20 y 24. Si queremos que el
pronóstico sea muy receptivo a la demanda
reciente, entonces alfa será grande
Exponential Smoothing

𝐴𝑡 =𝛼 𝐷𝑡 +(1 −𝛼) 𝐴𝑡 −1

Con =0.1 At=0.1(24)+(1-0.1)(20)=20.4

Con =0.9 At=0.9(24)+(1-0.9)(20)=23.6
Usualmente es usado un valor de entre 0.1 y 0.3
Exponential Smoothing

Es decir que el pronóstico es el pronóstico

antiguo mas una proporción del error entre la
demanda observada y el pronóstico antiguo.
Con un 𝛼 de 0.1 estamos añadiendo un 10% del
error observado.
Exponential Smoothing

Al usar una constante de suavización de 0.1 no

estamos reaccionando en forma excesiva a una
demanda que excede a un pronostico. Si
deseamos actuar con rapidez a los aumentos de
demanda, deberemos aumentar el valor de 𝛼.
No es recomendable usar una suavización
exponencial en procesos con tendencias
estacionales.
Exponential Smoothing

Pronostico Error Dt-Ft Pronostico Error Dt-Ft

Alfa=0.1 ALFA=0.1 Alfa=0.3 ALFA =0.3
Periodo Demanda Dt
1 10 15.00 -5.00 15.00 -5.00
2 18 14.50 3.50 13.50 4.50
3 29 14.85 14.15 14.85 14.15
4 15 16.27 -1.27 19.10 -4.10
5 30 16.14 13.86 17.87 12.13
6 12 17.52 -5.52 21.51 -9.51
7 16 16.97 -0.97 18.65 -2.65
8 8 16.87 -8.87 17.86 -9.86
9 22 15.99 6.01 14.90 7.10
10 14 16.59 -2.59 17.03 -3.03
11 15 16.33 -1.33 16.12 -1.12
12 27 16.20 10.80 15.78 11.22
13 30 17.28 12.72 19.15 10.85
14 23 18.55 4.45 22.40 0.60
15 15 18.99 -3.99 22.58 -7.58