Unidad 2 Pronstico de la demanda

Qu es pronosticar?

Arte y ciencia de predecir los eventos futuros, puede implicar el uso de datos
histricos y su proyeccin hacia el futuro mediante un modelo matemtico. Puede ser
una prediccin subjetiva o intuitiva o una combinacin de ambas

Pronsticos
de
Cuestiones
Globales

Pronsticos de corto plazo, hasta 3 meses, distintas metodologas como

tcnicas matemticas, promedios mviles.

Pronsticos medio plazo, de 3 meses hasta 3 aos, ventas y presupuesto.

Pronsticos largo plazo, de 3 aos hasta 5 aos, crear planta de produccin.

Tipos de pronsticos
1.- Pronsticos Econmicos: tasa de inters, ciclo de negocio, suministro de dinero,
construccin de edificios, vivienda.
2.- Pronsticos Tecnolgicos: nuevos equipos, nuevos materiales, nuevas maquinas, nuevas
lneas de produccin.
3.- Pronsticos de la Demanda: pronsticos de venta
Importancia estratgica del pronstico

Capacidad
Recursos Humanos
Administracin de la cadena de suministro

Recursos Humanos: contratacin, capacitacin y despido de los trabajadores, dependen de

la demanda prevista
Capacidad: cuando es inadecuada, los faltantes que resultan entregas poco confiables,
obteniendo as prdida de clientes y de participantes en el mercado.
Administracin de la cadena de suministro: buenas relaciones y las subsecuentes ventajas
de precio en materiales y partes dependen de pronsticos adecuados.
Caractersticas de la demanda
Patrones de demanda: observaciones de la demanda de un productos o un servicio
tomando como base el orden en que se realiza, se les llama seria de tiempo.
Demanda horizontal
Tendencia
Ciclico

Aleatorio
Factores que afectan a la demanda

Factores externos: fuera de control de la gerencia; nevada, incendio, etc

Factores internos: decisiones internas sobre el diseo, publicacin, ventas, son
controlables.

La demanda puede ser afectada por la influencia del ciclo de vida del producto.
7 pasos en el sistema de pronsticos: forma sistemtica para implementar/disear un
sistema de pronostico.
1.
2.
3.
4.
5.
6.
7.

Determinar el uso del pronostico

Seleccionar los aspectos que se deben de pronsticos (inventarios)
Determinar el horizonte del pronostico (corto, mediano y largo plazo)
Seleccionar los modelos de pronostico (promedios mviles, mnimos cuadrados, etc)
Reunir los datos necesarios
Obtener el pronstico
Validar e implementar resultados

Desventajas de los pronsticos

Pocas veces son perfectos

La mayora de las tcnicas de pronsticos suponen la existencia de cierta estabilidad
subyacente en el sistema
Tanto los pronsticos de familia de productos como los agregados son ms precisos
que los pronsticos para productos individuales

Enfoques de pronsticos
1. Pronsticos Cuantitativos: emplear modelos matemticos basados en datos histricos.
2. Pronsticos Cualitativos: toman en cuenta experiencias personales, intuicin del
vendedor, emocione
2.1. Jurado de opinin de ejecutivos (Juntas de corporativo): opinin de grupos de
expertos o administradores de alto nivel que se basan en modelos estadsticos para
llegar a una estimacin grupal de demanda
2.2. Mtodo Delph: el que toma la decisin: grupo de 5 a 10 expertos elaboran el
pronostico
Personal: ayuda a los que toman decisiones, a preparar, distribuir, recolectar y
resumir la serie de cuestionarios
y los resultados de esos cuestionarios.
3.- Comparacin de la fuerza de ventas: estimacin de las ventas esperadas por los
vendedores: encuestas en el mercado de consumo

Panorama de los mtodos Cuantitativos

5 mtodos de pronsticos

1.- Enfoque intuitivo, utiliza la intuicin.

2.- Promedios mviles con ponderacin y sin ponderacin.
3.- Suavizamiento exponencial.
4.- Proyeccin de tendencias.
5.- Regresin lineal, mtodo asociativo

Modelos de series de

Modelos de series de tiempo: datos histricos en el plan para obtener un pronstico

Pronsticos de Serie de tiempo:
Una serie de tiempo se basa en una secuencia de datos puntuales separados por intervalos
iguales (semanas, meses, trimestres, etc)
Los datos de serie de tiempo implican que los valores futuros se predicen solamente
a partir de los valores pasados y se pueden ignorar otras variables sin importar que tan
valiosas y potencialmente sean
Promedio mvil:
Son tiles si podemos suponer que la demanda del mercado permanecer
relativamente estable en el tiempo.
Esta prctica tiende a suavizar las irregularidades de corto plazo en las series de
tiempo
Matemticamente el promedio mvil simple se expresa como:
Promedio Movil=

demanda en n periodos anteriores

n= de periodos que compone el promedio movil

Ejemplo:
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembr
e
Octubre
Noviembre
Diciembre

Ventas Reales en
cobertizos
10
12
13
16
19
23
26
30

Promedio Mvil de 3
meses

Promedio Mvil
Ponderado

11.66666667
13.66666667
16
19.33333333
22.66666667

12.16666667
14.33333333
17
20.5
23.83333333

28
18
16
14

26.33333333
28
25.33333333
20.66666667

27.5
28.33333333
23.33333333
18.66666667

Promedio Mvil Ponderado

Promedio M vil Ponderado=

( Ponderaci n para peridon ) /(demanda en Per odo n)

ponderaci n

Desventajas/Problemas de Promedios Mviles

1.- Aumentar el tamao de n
Si bien permite suavizar mejor las fluctuaciones, tambin resta sensibilidad al mtodo
ante los cambios reales en los datos.
2.- El promedio Mvil no refleja muy bien las tendencias puesto que son promedios siempre
se quedarn en niveles pasados, no predicen los cambios hacia niveles ms altos ni ms
bajos.
Es decir retrasan los valores reales
3.- Los promedios mviles requieren amplios registros de datos histricos.
Suavizamiento Exponencial
Tcnica de pronstico de promedios mviles ponderados donde los datos se
ponderan mediante una funcin exponencial
Nuevo Pronstico = Pronstico del periodo anterior + (demanda real en mes anteriorpronstico del periodo anterior)
= constante se suavizado (0-1)
Ft=Ft 1+ (At 1Ft 1)
Ejemplo
En Enero un distribuidor de automviles predijo que la demanda para Febrero seria de 142
altimas, la demanda real de Febrero fue de 153 autos. Si empleamos la constante de
suavizado que eligio la administracin es de =0.2
Pronosticar la demanda de marzo mediante el suavizado exponencial
F t=Ft 1+ ( At 1Ft 1)
Ft=142+.2(153142)

Ft=144.2
El pronstico para la demanda del altima para el mes de marzo es de 144 autos.
Encontrar la medicin de error del pronstico: comparacin entre los valores reales vs
valores pronosticados.
Error del pron stico=At Ft
At= demanda real, Ft= valor pronosticado

Existen varias medidas de uso comn para calcular el error global del pronstico, las 3
medidas ms comunes son:

Desviacin Absoluta Media (MAD)

Error Cuadrtico Medio (MSE)
Error Porcentual Absoluto Medio (MAPE)

Desviacin absoluta media: su valor se calcula sumando los valores absolutos de los
errores individuales del pronstico y dividiendo entre el nmero de periodo de datos (n)
(real pron stico)
n
Ejemplo:
Durante los ltimos 8 trimestres en el puerto de Ensenada ha descargado grandes
cantidades de grano. El administrador de operaciones del puerto requiere probar el uso del
suavizamiento exponencial para ver que tan bien funciona la tcnica, para predecir el
tonelaje descargado, supone el pronstico de grano descargado durante el primer trimestre
fue de 175 toneladas, se examinan 2 valores de =.10 y =.50
Trimestre
1
2
3
4
5
6
7
8

Toneladas reales
descargadas
180
168
159
175
190
205
180
182

Pronostico redondeado
con =.10
175
176
175
173
173
175
178
178

Pronosti
Tonelada co
s reales
redonde
Trimes descarga ado con
tre
das
=.10
1
180
175
2
168
176
3
159
175
4
175
173
5
190
173
6
205
175
7
180
178
8
182
178

MAD =.10=

84
=10.5
4

Desviac
in
Absolut
a con
=.10
5
8
16
2
17
30
2
4
84

Pronostico redondeado
con =.50
175
178
173
166
171
181
193
187

Pronosti
co
redonde
ado con
=.50
175
178
173
166
171
181
193
187

Desviac
in
Absolut
a con
=.50
5
10
14
9
19
24
13
5
99

MAD =.50=

99
=12.38
4

Se escoge el alfa con .10 ya que es el que presenta menos error

Error Cuadrtico Medio (MSE)
Es el promedio de los cuadrados de las diferencias entre los valores pronosticados y
observados
(Errores de Pron stico)
n

Trimestr
e
1
2
3
4
5
6
7
8
Sumatori
a

Toneladas
Reales
Descargada
s
180
168
159
175
190
205
180
182

Pronostico
Redondead
o =.10
175
176
175
173
173
175
178
178

Desviaci
n
Absoluta
=.10
5
8
16
2
17
30
2
4

Desviaci
n
Absoluta
=.102
25
64
256
4
289
900
4
16

Pronostico
Redondead
o =.50
175
178
173
166
171
181
193
187

Desviaci
n
Absoluta
=.50
5
10
14
9
19
24
13
5

1558

Desviaci
n
Absoluta
=.50
25
100
196
81
361
576
169
25
1533

1558
=194.75
8
1533
=191.625
8
Error Porcentual Absoluto Medio (MAPE)
Mape calcula como el promedio de las diferencias absolutas entre los valores pronosticados
y los valores reales y se expresan como porcentaje de los valores reales.
n

RealPronostico

MAPE= 100 i=1

Suavizamiento Exponencial Con ajuste de tendencia

Si es para mejorar la tendencia de pronsticos la idea aes calcular un promedio suavizado
de los datos y despus ajustar el retraso positivo o negativo en la tendencia

Pronostico incluyendo latendencia ( f 1 Tt ) =Pronostico Exponencialmente suavizado ( Ft ) +Tendencia Exponenciam

Este pronstico requiere dos constantes y

Ft= ( demandareal delultimo periodo ) + ( 1 ) ( Pronostico del ultimo periodo+Tendencia estimada para el ultim

Tt = ( Pronostico de este periodoPronostico del ultimo periodo )+ ( 1 )( Tendencia estimada para elultimo peri
3 pasos para calcular el pronstico
1.- Calcule Ft el pronstico exponencialmente suavizado para el periodo t
2.- Calcule la tendencia suavizada Tt.
3.- Calcule el pronstico incluyendo la tendencia.
Un importante fabricante usa suavizamiento exponencial para pronosticar la demanda de un
equipo para control de contaminacin aparentemente hay una tendencia creciente.
Se asigna a las constantes =.2 y =.4 suponga que el pronstico inicial para el mes 1 Ft=11
y la tendencia Tt=2
Muestra
1
2
3
4
5
6
7
8
9
10

Demanda
12
17
20
19
24
21
31
28
36
?

Ft
12.8
15.17
17.82
19.91
22.5
24.09

Tt
1.92
2.1
2.32
2.22
2.36
2.05

FIT
14.72
17.28
20.14
22.14
24.86
26.18
26.18
29.59
31.6
35.16

Mtodo de pronstico
Que ajusta una serie de datos histricos y despus proyecta la recta al futuro para
pronosticar
Y^ =a+bx
Mtodo de mnimos cuadrado
= valor calculado de la variable que debe predecirse
a=ordenada
b=Pendiente de la recta de regresin
x= Valor de la variable independiente

A continuacin se muestra la demanda de energa elctrica durante el periodo 2009-2015

pronostique la demanda para el 2016 ajustando una recta de tendencia a los datos de las
tablas
Ao

2009
2010
2011
2012
2013
2014
2015
Sumatoria
s
=98.86
x^-=4

Demanda
de energa
elctrica
(Y)
74
79
70
90
105
147
122
692

X^2

xy

1
2
3
4
5
6
7
28

1
4
9
46
25
36
49
140

3063

B=10.54

A=56.7

2016=141.0
2

Siempre deben graficarse los datos porque los datos de mnimos cuadrados suponen una
relacin lineal. Si parece que hay una curva, quiz sea necesario el anlisis curvilneo.
No se predicen periodos lejanos a los existentes en la base de datos. Por ejemplo, si
tenemos los precios promedio de las existencias de Microsoft durante 20 meses, slo
podemos pronosticar 3 o 4 meses hacia el futuro. los pronsticos de ms tiempo tienen
poca valide/ estadstica entonces, no puede tomar datos de 5 aos de ventas y proyectar
10 aos hacia el futuro, el mundo es
demaciado incierto.
Se supone que las desviaciones en alrededor de la recta de mnimos cuadrados son
aleatorias (vase la figura 4,4). Siguen una distribucin normal con la mayora de las
observaciones cerca de la recta y slo unas cuantas ms lejos.

Variaciones estacionales en los datos

Las variaciones estacionales en los datos son movimientos regulares ascendentes o
descendentes en una serie de tiempo que se relacionan con acontecimientos recurrentes
como el clima o las vacaciones. La demanda de carbn o aceite aumenta durante los meses
de invierno. La demanda en los clubes de golfo de bronceadores suele ser mayor durante el
verano
La estacionalidad se aplica a patrones recurrentes en horas, das, meses u otros periodos
Los restaurantes de comida rpida registran diariamente repuntes al medio da y nuevamente
despus de las 5 de la tarde. Los cines aumentan su demanda los viernes y sbados por la
noche. La oficina de correos, Toys "51" Us, The Christmas Store y las tiendas de tarjetas
Hallmark tambin registran variaciones estacionales tanto en el trfico de clientes como en
las ventas.
Modelo estacional multiplicativo
Se multiplica por una estimacin de la demanda promedio para producir un pronstico
estacional
Pasos a seguir
1.-Estaciones por un mes encontrar la demanda histrica de cada estacin.
2.-Calcular la demanda promedio de todos los meses, calcular un ndice estacional
3.-Estimar la demanda total anual para el siguiente ao.
Ejemplo

Metodos asociativos de pronsticos

Error estndar de la estimacin
El pronstico de ventas para Nodel de 325,000 dolares en el ejemplo 12, se conoce como
estimacin puntual de y. La estimacin puntal es en realidad la media, o valor esperado, de una
distribucin de valores posibles de ventas. En la figura 4.9 se explica el concepto.
Con el propsito de medir la precisin de las estimaciones de regresin, debemos
calcular el error estndar de la estimacin. S v t . Este clculo se llama desviacin estndar de la
regresin y mide el error desde la variable dependiente, y, hasta la recta de regresin, en
lugar de hasta la media. La ecuacin (4-14) es una expresin similar a la encontrada en la
mayora de los libros de estadstica para calcular la desviacin estndar de una media
aritmtico
y = valor de y de cada dalo puntual
yc= valor calculado de la variable dependiente, a partir de la ecuacin de regresin n =
nmero de datos puntuales.
Coeficientes de correlacin para rectas de regresin
La ecuacin de regresin es una forma de expresar la naturaleza de la relacin entre dos sanables. Las recias de regresin no son

relaciones de causa y efecto, simplemente describen las relaciones entre variables. La ecuacin de regresin muestra la forma en que
una variable se relaciona con el valor y los cambios en otra variable.
Otra forma de evaluar la relacin entre dos sanables consiste en calcular el coeficiente de correlacin. Esta medula expresa el grado o
fuer/a de la relacin lineal. Casi siempre identificado como r. el coeficiente de correlacin puede ser cualquier nmero entre * I y I . En la
figura 4.10 se ilustra cmo se observan los distintos valores de r.
Para calcular r. empleamos casi los mismos datos empleados para calcular a y h para la recta de regresin. La ecuacin para re