PRONSTICO

Objetivo general y especfico

Cuando termine este captulo usted podr:

Identifique o defina:
Pronstico, tipos de pronsticos, tiempo horizontal, acercamientos de los pronsticos.

Describa o explique:
Periodo promedio (moving average), pronostico anterior (exponential smoothing),
tendencia de proyeccin (trend projection), periodo estacional (seasonality), anlisis de
regresin y correlacin (regression and correlation anlisis), medidas de exactitud del
pronostico ( measures of forecast accuracy).
Introduccin
En este captulo, examinamos diversos tipos de pronsticos y presentamos una
variedad de modelos de los pronsticos. Nuestro propsito es demostrar que hay
muchas maneras para que los encargados pronostiquen. Tambin se proveer una
descripcin del pronstico de ventas del negocio y describimos cmo preparar,
supervisar, y juzgar exactitud de un pronstico. Los buenos pronsticos son una parte
esencial de operaciones eficientes del servicio y de la manufactura. El pronstico es el
arte y la ciencia de acontecimientos futuros que predicen.
El Pronstico Proporciona La Ventaja Competitiva De Tupperware
La mayora de la gente piensa en Tupperware, ella prev los envases plsticos
del alimento-almacenaje vendidos a travs de los partidos caseros.

Tupperware

sucede ser fabricante global acertado, con ms el de 85% de su producto, $1 mil

1

millones en ventas fuera de los E.E.U.U. El pronstico de demanda en Tupperware es

un proceso crtico, interminable. Cada uno de sus 50 centros de beneficio alrededor
del mundo es responsable de automatizar proyecciones mensuales, trimestrales, y de
doce meses de las ventas. Estos pronsticos conducen la produccin en cada planta.
La variedad de modelos estadsticos del pronstico usados en Tupperware incluye
cada tcnica discutida en este captulo, incluyendo promedios mviles, alisar
exponencial, y anlisis de la regresin.
Da a da los gerentes de Tupperware toman decisiones sin saber qu suceder
el futuro. Piden inventario sin saber cul sern las ventas, compran el nuevo equipo a
pesar de la incertidumbre sobre la demanda para los productos, y hacen inversiones
sin saber cuan favorable sea su voluntad.
Proceso de manufactura en Tupperware

Que es pronostico?
El pronstico es el arte y la ciencia de acontecimientos futuros que predicen.
Puede implicar el tomar de data histrica y proyectarla en el futuro con una cierta clase
de modelo matemtico. . Puede ser una prediccin intuitiva o subjetiva o puede ser
una combinacin de ambas.
Introducimos diversas tcnicas de pronstico en este captulo, se ver raramente
que hay un mtodo superior. Qu trabaja lo ms mejor posible en una firma bajo un
sistema de condiciones puede ser un desastre en otra organizacin, o en un
departamento diferente pero de la misma organizacin. Adems hay lmites en cuanto
a qu se puede esperar de pronsticos; son costosos y se pierde tiempo preparando y
supervisando.

Horizonte del tiempo de pronstico

Generalmente un pronstico es clasificado en tres categoras:
1. Pronstico de corto alcance: Este pronstico tiene una duracin de hasta 1 ao
pero es generalmente menos de 3 meses. Se utiliza para planear la compra, el
programar trabajo, niveles de mano de obra, asignaciones del trabajo, y los
niveles de la produccin.
2. Pronstico de mediano alcance: es de alcance intermedio, del pronstico palmos
generalmente a partir de 3 meses a 3 aos. Es til en la planificacin de ventas,
produccin y el presupuesto, presupuesto, y en el anlisis de algunos planes de
operacin.
3. Pronstico de largo alcance; Generalmente 3 aos o ms de duracin, los
pronsticos de largo alcance se utilizan en planificacin de productos nuevos,
los gastos en inversin de capital, localizacin o extensin de la facilidad, e
investigacin y desarrollo.
Los pronsticos mediano y de largo alcance se diferencian de pronsticos de corto
alcance por tres caractersticas:
1. los pronsticos duraderos se ocupan de situaciones ms comprensivas y apoyan
decisiones de la gerencia con respecto a la planificacin y productos, industria, y
procesos.
3

2. el pronstico a corto plazo emplea generalmente diversas metodologas que el

pronstico de ms largo plazo.
3. los pronsticos de corto alcance tienden a ser ms exactos que los pronsticos
de largo-alcance. Factores que influencian el cambio de la demanda cada da.
La influencia del ciclo de vida del producto. Otro factor para considerar cuando los
pronsticos de las ventas que se convierten, especialmente los ms largos, son ciclo
vital del producto. La mayora de los productos acertados pasan a travs de cuatro
etapas: (1) introduccin, (2) crecimiento, (3) madurez, y (4) declinacin.

La Importancia Estratgica Del Pronstico

Las organizaciones utilizan tres tipos importantes de pronsticos en las operaciones
futuras de la planificacin:
1. Los pronsticos econmicos tratan el ciclo de negocio prediciendo tasas de
inflacin, fuentes de dinero, comienzo de cubierta, y otros indicadores del
planeamiento.
2. Los pronsticos tecnolgicos se refieren a los ndices del progreso tecnolgico,
que pueden dar lugar al nacimiento de productos nuevos, requiriendo nuevas
compaas y nuevos equipo.
Los pronsticos de la demanda son proyecciones de la demanda para los productos o
los servicios de una compaa. Estos pronsticos, tambin llamados los pronsticos de
las ventas, conducen la produccin.
El pronstico econmico y tecnolgico son tcnicas especializadas que pueden bajar
fuera del gerente de operaciones.

Estrategias importantes para el forecastig

Los buenos pronsticos son de importancia crtica en todos los aspectos de un
negocio. Los pronsticos de la demanda conducen decisiones en muchas reas.

Miremos el impacto del producto pronosticado en tres actividades: (1) recursos

humanos, (2) capacidad, y (3) gerencia de la proveer-cadena.
Recursos Humanos
Emplear, adiestrar, y el despido a trabajadores dependen de la demanda anticipada. Si
el departamento de recursos humanos debe emplear a trabajadores adicionales sin la
advertencia, la cantidad de adiestramiento declina y la calidad de la mano de obra
sufre.
Capacidad
Cuando la capacidad es inadecuada, los resultados pueden significar entrega mala,
prdida de clientes, y prdida de una parte del mercado.
Cadena de fuente gerencial
Las buenas relaciones del suplidor y el sobrevenir tasan las ventajas para los
materiales y las piezas dependiendo de pronsticos exactos.
Siete pasos en el sistema de pronstico
Pronstico sigue siete pasos bsicos. Utilizaremos la corporacin de Tuperware.
Determinar el uso del pronstico: Las aplicaciones de Tupperware exigen pronsticos
para guiar la produccin de cada una de sus 13 plantas.
Seleccionar los artculos que se pronosticarn: Para Tupperware, hay sobre 400
productos, cada uno posee SKU (unidad stock-keeping).
Determinar el horizonte del tiempo del pronstico: Es el pronstico corto, medio o el
largo plazo? Tupperware desarrolla los pronsticos mensuales, cada cuatro meses, y
12 meses para las proyecciones de ventas.

Seleccionar el/los modelo(s) del pronstico: Tupperware utiliza una variedad de

modelos estadsticos.
Recopilar los datos necesitados para hacer el pronstico: el mundo corporativo de
Tupperware mantiene bases de datos enormes para supervisar la venta de cada
producto.
Hacer el pronstico
Validar e implementar los resultados: Se aplican las medidas preventivas, los
pronsticos se utilizan para itinerarios de materiales, programar el equipo y a personal
en cada planta.
Estos siete pasos presentan una manera sistemtica de iniciar, disear, y implementar
el pronstico.
FORECASTING APPROACHES
Hay dos acercamientos generales al pronstico. Uno es un anlisis cuantitativo; el otro
es un acercamiento cualitativo. Pronostico cuantitativo: utiliza una variedad de modelos
matemticos. Los pronsticos cualitativos incorporan los factores tales como la toma
de decisiones, intuicin, emociones, experiencias personales, y sistema del valor en
alcanzar un pronstico.

Overview of Qualitative Methods

En esta seccin, se consideran cuatro tcnicas de pronstico cualitativas:
Jurado de la opinin ejecutiva: bajo este mtodo, renen las opiniones de un grupo
gerencial

Decision
Makers
(Evaluate
responses and
make
decisions )

Staff
(Administerin
g survey)

Respondents
(People who
can make
valuable
judgments)

Mtodo de Delphi: hay tres diversos tipos de participantes en este mtodo; fabricantes
de decisin, equipo personal, y respondedores. Bajo este mtodo, renen las opiniones
de un grupo de expertos.
Compuesto de la fuerza de ventas: en este acercamiento, cada vendedor estima qu
las ventas estarn en su regin.
Encuesta sobre mercado de consumidor: este mtodo solicita la entrada de los clientes
o de los clientes potenciales con respecto a futuros planes de compra.

Overview of Quantitive Methods

Cinco mtodos cuantitativos del pronstico, que utilizan datos histricos, se describen
en este captulo.
Tiene dos categoras:
Acercamiento ingenuo
Promedios mviles

Modelo
Tiempo-Serie

Exponencial suave
Proyeccin de la tendencia
Regresin lineal

Modelo
Sociable

Modelo Tiempo- serie: predice que el futuro es una funcin del pasado.
Modelo Sociable- regresin lineal, incorpora las variables o factores que pudieron
influenciar la cantidad que era pronosticada.
TIME-SERIES FORECASTING
Series de tiempo se basa en una secuencia (semanal, mensual, por cuartos, etc.) de
los puntos de referencias uniformemente esparcidos.

Descomposition of a Time Series

Analiza series de tiempo significa la subdivisin ms all de datos en componentes y
despus la proyeccin de su delantero.
Una serie de tiempo tiene cuatro componentes: tendencia, por un tiempo, ciclos, y
variacin al azar.
Naive Approach
La manera ms simple de pronosticar es asumir que la demanda en el perodo de la
jerarqua ser igual a la demanda en el perodo ms reciente.

La demanda del producto planeada sobre 4 aos con una tendencia y un seasonality
del crecimiento indic

Demand for product or service

Trend
component
Seasonal peaks

Actual
demand
Average
demand over
four years

Random
variation
|
1

|
2

|
3
Year

|
4
Figure 4.1

2006 Prentice Hall, Inc.

4 35

Moving Average
Utiliza un nmero de valores histricos de los datos para generar un pronstico. Los
promedios mviles son tiles si podemos asumir que las demandas del mercado
permanecern en un cierto plazo constante.
Matemticamente, se expresa el promedio mvil simple (que sirve como estimacin de
la demanda del perodo prximo) as:

Moving average = Demand in previous n periods

n

Cuando una tendencia o un patrn perceptible est presente, los pesos se pueden
utilizar para poner ms nfasis en valores recientes. Esta prctica hace tcnicas del

pronstico ms sensible a los cambios porque un perodo ms reciente hace que se

cargue con mayor peso.

El peso mvil promedio se calcula as:

Weighted

(Weight for period) (Demand in period n)

Moving average

weights

Los promedios mviles simples y cargados son eficaces en alisar fuera de

fluctuaciones repentinas en el patrn de la demanda para proporcionar estimaciones
estables.
Los promedios mviles, sin embargo, presentan tres problemas
1. El aumento del tamao de n.
2. Los promedios mviles no pueden tomar bien las tendencias.
3. Los promedios mviles requieren expedientes extensos de los datos mas
recientes.

10

El cuadro 4.2, un diagrama que ilustra el efecto del retraso del moving average model.

Weighted
moving
average

Sales demand

30
25
Actual
sales

20
15

Moving
average

10
5
|

Figure 4.2

2006 Prentice Hall, Inc.

4 47

Exponential smoothing
Implica muy poco el guardar del expediente de ltimos datos.
Se calcula asi:

New forecast = Last periods forecast

+ (last periods actual demand last periods forecast)

Donde est un peso, o alisar a la constante, que tiene un valor entre 0 y 1.

Ft = Ft-1 + (At-1 Ft-1)

11

La constante que alisa, , est generalmente en la gama del 05 al 50 para los usos de
negocio. Puede ser cambiada para dar ms peso a los datos recientes (cuando a es
alta) o ms peso a los ltimos datos.

Diferencia de

Demand

225

= .5

Actual
demand

200

175

= .1
150 |
1

Quarter
2006 Prentice Hall, Inc.

4 54

Measuring Forecast Error

La exactitud total de cualquier promedio de moving average del pronstico, el
suavizadoe exponencial, otro-puede ser comparando los valores pronosticados con los
valores reales observados. F denota el pronstico en el perodo t, y en denota la
demanda real en perodo (se define el en del pronstico (o la desviacin) como:
Forecast error = Actual demand Forecasat value
= At Ft

12

Varias medidas se utilizan en la prctica de calcular el error total del pronstico. Estas
medidas conservan utilizado comparar diversos modelos del pronstico, tan bien como
supervisar pronsticos para asegurar que se estan haciendo bien.

Mean Absolute Deviation: La primera medida del error total del pronstico para un
modelo es la desviacin absoluta (MAD). Este valor es computado:

MAD = |Actual - Forecast|

N

Mean Squared Error: El error ajustado malo (MSE) es una segunda manera de medir
el o\er, error del pronstico. MSE es el promedio de las diferencias ajustadas entre
haber pronosticado y observa valores. Su frmula es:

MSE = (Forecast errors)

n

Mean absolute percent error: Un problema con el ME y el MSE es que sus valores
dependen de la magnitud del artculo que es pronosticado. Se calcula asi:

n
MAPE = 100 | Actual i Forecast i|/Actual i
i=t

n
13

Exponential Smoothing with Trend Adjustment

Porque el alisar exponencial es un acercamiento que modela tan popular en negocio,
mirmoslo ms detalladamente. Aqu es porqu el alisar exponencial debe ser
modificado cuando una tendencia est presente.
Mejoremos nuestro pronstico, ilustran un modo que mejora el exponencial ms
complejo, uno que ajuste segn tendencia.

Month(
Month(t)
1
2
3
4
5
6
7
8
9
10

Actual
Demand (At)
12
17
20
19
24
21
31
28
36

Smoothed
Forecast, Ft
11

Smoothed
Trend, Tt
2

Forecast
Including
Trend, FITt
13.00

Table 4.1
2006 Prentice Hall, Inc.

4 65

La idea es computar un promedio exponencial mejorado de los datos y despus

ajustar para que haya positivo o el retraso negativo en tendencia. La frmula es:

Forecast including trend (FITt) = Exponentially smoothed forecast (Ft)

+ Exponentially smoothed trend (Tt)

14

Con mejorar el exponencial de la tendencia ajustada, las estimaciones para el

promedio y la tendencia se alisan. Este procedimiento requiere dos constantes que
mejoran, para el promedio y el para la tendencia. Despus computamos el
promedio y tendemos cada perodo. La formula es asi:
Ft = (Actual demand last period) + (1- ) (Forecast las period + estimate last period)

Month(
Month(t)
1
2
3
4
5
6
7
8
9
10

Actual
Demand (At)
12
17
20
19
24
21
31
28
36

Smoothed
Forecast, Ft
11

Smoothed
Trend, Tt
2

Forecast
Including
Trend, FITt
13.00

Table 4.1
2006 Prentice Hall, Inc.

4 65

15

Month(
Month(t)
1
2
3
4
5
6
7
8
9
10

Actual
Demand (At)
12
17
20
19
24
21
31
28
36

Smoothed
Forecast, Ft
11

Smoothed
Trend, Tt
2

Forecast
Including
Trend, FITt
13.00

Step 1: Forecast for Month 2

F2 = A1 + (1 - )(F1 + T1)
F2 = (.2)(12) + (1 - .2)(11 + 2)
= 2.4 + 10.4 = 12.8 units

Table 4.1
2006 Prentice Hall, Inc.

Month(
Month(t)
1
2
3
4
5
6
7
8
9
10

4 66

Actual
Demand (At)
12
17
20
19
24
21
31
28
36

Smoothed
Forecast, Ft
11
12.80

Smoothed
Trend, Tt
2

Forecast
Including
Trend, FITt
13.00

Step 2: Trend for Month 2

T2 = (F2 - F1) + (1 - )T1
T2 = (.4)(12.8 - 11) + (1 - .4)(2)
= .72 + 1.2 = 1.92 units

Table 4.1
2006 Prentice Hall, Inc.

4 67

16

Month(
Month(t)
1
2
3
4
5
6
7
8
9
10

Actual
Demand (At)
12
17
20
19
24
21
31
28
36

Smoothed
Forecast, Ft
11
12.80

Smoothed
Trend, Tt
2
1.92

Forecast
Including
Trend, FITt
13.00

Step 3: Calculate FIT for Month 2

FIT2 = F2 + T1
FIT2 = 12.8 + 1.92
= 14.72 units

Table 4.1
2006 Prentice Hall, Inc.

4 68

35

Actual demand (At)

Product demand

30
25
20
15

Forecast including trend (FITt)

10
5

2006 Prentice Hall, Inc.

0 |

4
5
6
Time (month)

Figure 4.3
4 70

17

Trend Projections
Esta tcnica ajusta una tendencia lineal en una serie de puntos histricos y despus
proyecta la lnea en los pronsticos futuros de los pronosticos mediano a largo estado.
Se pueden desarrollar varias ecuaciones matemticas de la tendencia.

Values of Dependent Variable

Metodos cuadrados reduce al mnimo la suma de los errores ajustados (desviaciones).

Actual observation
(y value)

Deviation7

Deviation5
Deviation3
Deviation4
Deviation1
Deviation2

Trend line, y^ = a + bx

Time period
2006 Prentice Hall, Inc.

Deviation6

Figure 4.4
4 72

18

Ecuacin para calcular las variables de regresin:

^ = a + bx
y

b=

xy - nxy
x2 - nx2

a = y - bx

2006 Prentice Hall, Inc.

4 74

Notas al usar el metodo de least quarter: implicar utilizar tres requerimientos:

1. trazar los datos para asegurar una regresion lineal
2. no predecir perodos ms all de la base de datos
3. Las desviaciones alrededor de la lnea se asumen al azar
ejemplo

19

Power demand

160
150
140
130
120
110
100
90
80
70
60
50

Trend line,
y^ = 56.70 + 10.54x

|
1999

|
2000

|
2001

|
2002

|
2003
Year

|
2004

|
2005

|
2006

2006 Prentice Hall, Inc.

|
2007
4 77

Seasonal Variation in Data

Movimientos ascendentes o ascendentes en una serie de tiempo que atan los eventos
que se repiten.
El modelo estacional multiplicativo puede modificar datos de la tendencia para
acomodar variaciones estacionales en la demanda.
Pasos que siguen las compaas en sesiones mensuales:
1. Encontrar la demanda histrica mediana para cada clculo de la estacin.
2. Computar la demanda promedio sobre la estacin.
3. Computar el ndice estacional para cada estacin.
4. Estimar la demanda total para el siguiente ano.

20

dividir el total de la demanda estimada por el numero de la estacin y se

multiplica por el ndice estacional para esa estacin

ejemplo:

2006 Forecast
2005 Demand
2004 Demand

140

Demand

130

2003 Demand

120
110
100
90
80
70
|
J

|
F

|
M

|
A

|
M

|
|
J J
Time

|
A

|
S

|
O

|
N

|
D

2006 Prentice Hall, Inc.

4 84

ASSOCIATIVE FORECASTING METHODS: REGRESSION AND CORRELATION

ANALYSIS
Se utiliza cuando los cambios en una o mas variables independientes se pueden utilizar
para predecir los cambios en las variables dependientes.

Using regresin anlisis to forecast

Se puede utilizar el mismo modelo matematico que empleamos el el least squares
method of trend projection. = a + bx .

21

Ejemplos:

Local Payroll
($000,000,000), x
1
3
4
4.0
2
1
3.0
7
Sales

Sales
($000,000), y
2.0
3.0
2.5
2.0
2.0
3.5

2.0
1.0
|
1

|
2

|
|
|
|
3 4
5
6
Area payroll

|
7

2006 Prentice Hall, Inc.

If payroll next year

is estimated to be
$600 million, then:
Sales = 1.75 + .25(6)
Sales = $325,000

Sales = 1.75 + .25(payroll

.25(payroll))
4.0
3.25
3.0

Sales

y^ = 1.75 + .25x
.25x

4 89

2.0
1.0
0

2006 Prentice Hall, Inc.

|
1

|
2

|
|
|
|
3 4
5
6
Area payroll

|
7
4 92

22

Standard Error of the Estimate

El pronstico es el punto estimado del valor futuro. Este punto es el medio de una
distribucin de la probabilidad.

4.0
Sales

3.25
3.0
2.0
1.0
0

|
1

|
2

|
|
|
|
3 4
5 6
Area payroll

|
7

Figure 4.9
2006 Prentice Hall, Inc.

4 93

Ecuacin: Sy,x = (x-yc)

n-2

Ecuacin: Sy,x = y-ay-bxy

n-2

23

4.0
Sales

3.25
3.0
2.0
1.0
0

|
1

|
2

|
|
|
|
3 4
5
6
Area payroll

|
7

2006 Prentice Hall, Inc.

4 96

Correlation Coefficients for Regresin Lines

la ecuacin de la regresin es una forma de expresar la naturaleza de la relacin entre
dos variables. No tienen causa y efecto. Se identifica la r como coeficiente de
correlacion . Para computar r se utiliza la siguiente ecuacin:

r=

nxy-xy
[nx-(x)][ny-(y)]

(a)

Perfect positive
correlation:
r = +1

(b) Positive
correlation:
0<r<1

(c) No correlation:
r=0
2006 Prentice Hall, Inc.

(d) Perfect negative x

correlation:
r = -1
4 99

24

Multiple-Regression Anlisis
Un mtodo causal del pronstico con ms de una variable independiente. Permite que
construyamos un modelo con varias variables independientes en vez de utilizar una
variable.
Se utiliza la siguiente ecuacin: = a + b1x1 +b2x2

MONITORING AND CONTROLLING FORECASTS

Si un pronostico se a determinado, no debe ser olvidado. Ningun gerencial desea
recordar que su pronostico no es exacto. Tracking signal: medias que se hacen en el
pronostico para predecir los valores actuales. El Tracking signal se calcula asi:

(Tracking signal) = RSFE

MAD
= (Actual demand in period i Forecast demand in period i)
MAD
MAD = |Actual Forecast|
N

25

Signal exceeding limit

Tracking signal
+

Upper control limit

Acceptable
range

0 MADs

Lower control limit

Time

2006 Prentice Hall, Inc.

4 105

Adaptive Smoothing
Un acercamiento al pronstico que mejora el exponencial en el cual la constante que
mejora se cambia automticamente a los errores de la subsistencia mnima. Es posible
utilizar la computadora para supervisar el error del pronstico y ajustar continuamente
los valores de la a y los coeficientes de b usados en mejorar el exponencial para
reducir al mnimo error del pronstico.
Focus Forecasting
Se adapta eligiendo una constante las computadoras permiten que intentemos hacer
una variedad de modelos del pronstico. El focus forecasting esta basado en dos
principios:
1. Los modelos sofisticados del pronstico no son siempre mejores que los
modelos simples.

26

2. No hay tcnicas que se deben utilizar para todos los productos o servicios

FORECASTING IN THE SERVICE SECTOR

El pronostico presenta desafos inusuales. La principal necesidad de las ventas al por
menor son los expedientes a corto plazo. Las diferentes necesidades como funcin de
la industria y del producto. Das festivos y otros das en el calendario y eventos
inusuales.

Percentage of sales

Fast Food Restaurant

Forecast
20%
15%
10%
5%

1111-12

1-2
1212-1
(Lunchtime)

2006 Prentice Hall, Inc.

3 -4
2 -3

5-6

7-8
6 -7
(Dinnertime)
Hour of day
4-5

9-10
8 -9

1010-11
Figure 4.12
4 111

27

Resumen
El pronstico tiene una funcin importante en los gerentes. La demanda de pronstico
conduce a una firma de produccin, capacidad y sistema de itinerario y efecto
financiero, mercado y la funcin del personal de produccin.

Conclusin
Con las diferentes variables que existen para realizar el pronstico en las empresas su
funcionamiento puede ser efectivo. Los gerentes deben conocer cual es la demanda
del producto para as poder saber con que cuenta en su inventario y as poder planificar
su produccin, mercadeo, gastos/costos, etc. Si las diversas ecuaciones matemticas
se utilizan adecuadamente la produccin de la compaa ser efectiva.

REFERENCIA
Heizer,J. Gerencia de Operaciones. 8va edicin

Resumen por YatmarieNegrn Ocasio

28