DISEÑO DE UNA METODOLOGÍA PARA LA PREDICCIÓN DE LA DEMANDA EN

UNA EMPRESA DEL SECTOR DE PLÁSTICOS QUE PERMITA DISMINUIR EL

ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE).

SUSANA PERDOMO GRANADOS

KELLY ALEJANDRA CUERO GUTIERREZ

UNIVERSIDAD DEL VALLE

FACULTAD DE INGENIERIA
INGENIERIA INDUSTRIAL
PALMIRA
2019
DISEÑO DE UNA METODOLOGÍA PARA LA PREDICCIÓN DE LA DEMANDA EN
UNA EMPRESA DEL SECTOR DE PLÁSTICOS QUE PERMITA DISMINUIR EL
ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE).

SUSANA PERDOMO GRANADOS

KELLY ALEJANDRA CUERO GUTIERREZ

Anteproyecto de trabajo de grado

Director: M. Sc. Mario Jose Basallo Triana

UNIVERSIDAD DEL VALLE

FACULTAD DE INGENIERIA
INGENIERIA INDUSTRIAL
PALMIRA
2019
 TABLA DE CONTENIDO

INTRODUCCIÓN 4
1. PLANTEAMIENTO DEL PROBLEMA 5
1.1. PREGUNTAS PROBLEMA 6
2. OBJETIVOS 7
2.1. OBJETIVO GENERAL 7
2.2. OBJETIVOS ESPECIFICOS 7
3. MARCO TEORICO 8
3.1. PRONOSTICOS 8
3.2. TECNICAS DE PRONOSTICOS Y MODELOS COMUNES 8
3.3. CARACTERISTICAS DE LOS PRONOSTICOS 9
3.4. IMPRESICIONES EN LOS PRONOSTICOS 9
4. ESTADO DEL ARTE 11
5. METODOLOGÍA 14
5.1. CRONOGRAMA 15
BIBLIOGRAFÍA 16
 INTRODUCCIÓN

La cadena de suministro de una organización es un punto de gran interés, tanto de

las industrias como de los académicos, y en particular, un foco de atención es la
planificación de la previsión de la demanda. Para el pronóstico de la demanda se
hace un especial énfasis en buscar métodos que disminuyan el error de las
predicciones y que generen mejores rendimientos para las empresas. A lo largo de
los años se han estudiado múltiples métodos de pronósticos, que día a día integran
más variables que afectan las fluctuaciones de la demanda, es por esta razón que
existiendo múltiples métodos surge la necesidad de evaluar cuál es el que mejor se
adapta a cada serie de tiempo y cual reduce las variables de error de una
predicción.

Los pronósticos buscan a través de datos del pasado, combinados de una forma
determinada, una estimación del futuro que permita a las organizaciones satisfacer
la demanda de sus clientes, sin incurrir en problemas por sobrevaloraciones de las
predicciones o por faltantes en las mismas. Además de estudiar cuáles son los
posibles sesgos que pueden existir a la hora de realizar predicciones y cuáles son
los errores más comunes en los mismos.

En este trabajo se toma como caso de estudio una empresa del sector de plásticos,
con más de trescientas cincuenta referencias en el mercado, que en la actualidad
presenta la necesidad de mejorar sus sistemas de pronósticos, por estas razones el
objetivo de este proyecto es realizar un estudio y evaluación de diferentes métodos
de pronósticos, para que finalmente se seleccionen los métodos que menor error
presenten para cada referencia a estudiar y que sea de mayor utilidad para la
empresa.
 1. PLANTEAMIENTO DEL PROBLEMA

La empresa en estudio se encuentra ubicada en la ciudad de Cali, Valle del Cauca.

Hoy en día, con 66 años en el mercado, es empresa líder en productos de plásticos,
con exportación del 40% de sus productos a 30 países de América, Oceanía y
Europa. Actualmente, la empresa cuenta con 6 líneas de negocio y con más de 350
referencias.

Los inventarios dentro de la cadena de suministros de toda organización juegan un

papel muy importante, puesto que conllevan a la generación de costos excesivos
asociados a inventario de materia prima, inventario en proceso y producto
terminado, en caso que no se administren correctamente. Actualmente, la empresa
caso de estudio enfrenta dos situaciones: la primera, asociada a la capacidad de
almacenamiento de producto terminado, traducidos en altos costos de
almacenamientos externos, porque el almacenamiento interno supera los límites de
capacidad instalada.

Y, segundo, algunos clientes como los almacenes de cadena a nivel nacional han
presentado quejas en los últimos seis meses por incumplimiento en el nivel de
servicio, de acuerdo a información brindada por la compañía, el nivel de servicio de
2018 cerró para este tipo de clientes en 92,3% requiriendo como mínimo 95% en
este indicador, de acuerdo a las negociaciones establecidas para el 2019.

Aunque la empresa es líder en el sector de los productos de plásticos, no son

productos de primera necesidad, se podrían clasificar en la cuarta categoría de
necesidad. Además, las rotaciones de los productos varian mucho entre referencias,
si bien hay algunos de alta rotación hay otros en los cuales su rotación puede llegar
a cuatro años.

Dentro del proceso interno, cada uno de los departamentos realiza pronósticos por
separado de acuerdo a lo que han utilizado los últimos periodos, sin estructuras o
lineamientos generales por parte de un pronóstico de ventas para un periodo
determinado. El Departamento de Planeación toma el promedio de los últimos tres
meses para generar la solicitud de pedidos de materias primas y el Departamento
de Producción con esta información construye un presupuesto de personal
necesario para cumplir con dichas necesidades a futuro.

En la empresa no hay un proceso formal de pronóstico basado en ventas con

estacionalidades y tendencias de cada uno de los productos que ofrece la
compañía, lo cual está generando tener productos de baja rotación en mayor
cantidad con respecto a lo que el mercado está demandando, afectando el nivel de
servicio.

Esta situación se puede controlar mediante la implementación de pronósticos de

ventas, adecuados al mercado que atiendan las necesidades de los clientes y
optimicen los recursos de la empresa. Así, por ejemplo, dado que la compañía debe
solicitar ciertas materias primas importantes que el proveedor cubre con un tiempo
de entrega aproximado de tres meses, es indispensable generar pronósticos lo más
acertados posibles y no generar solicitudes excesivas o faltantes de productos que
no se requieran en gran medida, y así satisfacer el nivel de servicio de los clientes
sin generar costos de almacenamiento externo.

1.1. PREGUNTAS PROBLEMA

 ¿Cómo se maneja actualmente el estudio de la demanda en la empresa?

 ¿Cuáles son los productos con mayor variabilidad en la demanda?
 ¿Cuál es la capacidad de producción y almacenamiento que posee la
empresa?
 ¿Cuáles son los modelos de determinación de la demanda a través de
pronósticos que existen hoy en día?
 ¿Qué metodología de predicción de la demanda se debería de implementar
en la empresa para disminuir el error?
 2. OBJETIVOS

2.1. Objetivo general

 Proponer una metodología para la predicción de la demanda en una empresa

del sector de plásticos que permita disminuir el error.

2.2. Objetivos específicos

 Caracterizar el manejo actual del estudio de la demanda en la empresa y las

variables que pueden afectar los pronósticos en esta.

 Revisar modelos de pronóstico de demanda que sean aplicables a la

organización.

 Evaluar modelos de pronósticos y su efectividad en la solución del problema

en la organización.
 3. MARCO TEÓRICO

3.1. PRONOSTICOS

Como expresa Vidal (2010) en cualquier organización los pronósticos son un

elemento clave para el cumplimiento de los objetivos, en el caso de la empresa de
estudio es de gran importancia pronosticar la demanda que los clientes puedan
llegar a generar en cierto horizonte de tiempo.

Los pronósticos buscan traer a través de datos del pasado combinados de forma
determinada una estimación del futuro, este tipo de herramienta nos facilita la toma
de decisiones en la administración de los sistemas de inventario y la satisfacción de
la demanda de los clientes.

3.2. TECNICAS DE PRONÓSTICOS Y MODELOS COMUNES

Como explica Chase, Jacobs y Aquilano (2009), los sistemas de pronósticos pueden
ser divididos en cuatro modelos comunes:

- Cualitativos: Se caracterizan por ser subjetivos, son basados en estimaciones

y opiniones, algunas técnicas son los grupos de consenso, analogía histórica,
método de Delfos, entre otros.
- Análisis de series de tiempo: En este tipo de pronostico se busca a través de
datos históricos proyectar el futuro, asumiendo que la demanda tendrá un
comportamiento aproximado al que se venía presentando en el tiempo, entre
las técnicas que se destacan están promedio móvil simple, suavización
exponencial, análisis de regresión, técnica Box Jenkins, entre algunas otras.
- Causales: Se enfoca en entender el sistema subyacente y como afectan el
elemento que se va a pronosticar, algunos métodos utilizados son modelos
econométricos, indicadores macroeconómicos, crecimiento de la población,
etc.
 - Modelos de simulación: Esta clase de modelos integran análisis de series de
datos y con los pronósticos del comportamiento de los clientes. Esta clase de
proyecciones permiten hacer suposiciones de variable internas y externas.

3.3. CARACTERÍSTICAS DE LOS PRONÓSTICOS

Los pronósticos presentan ciertas características mencionadas por Nahmias (2007),

el autor hace énfasis en cinco principales características.

- Los pronósticos siempre están equivocados, esta característica en la más

ignorada de todas, una vez conocido el pronóstico otros requerimientos
pueden llegar a necesitar modificaciones de llegar a ser estos inexactos, por
tal razón el sistema de planificación debe der se lo suficientemente capaz de
reaccionar ante errores no anticipados.
- Los pronósticos son más que un simple número, se deben de tener en cuenta
la medición del error y la variación que podría presentar el pronóstico.
- Los pronósticos agregados son más exactos, es decir, se presenta menos
error generar un pronóstico de un artículo individual que de toda una línea de
completa de productos.
- A mayor horizonte de pronóstico, la exactitud del pronóstico disminuye. Es
una característica intuitiva, es mayor la exactitud para predecir qué valor
tendrá el dólar el día de mañana que si se hace para el próximo año.
- No se debe de excluir información conocida, es importante que toda la
información adicional que pueda modificar la demanda sea introducida en los
modelos de pronósticos, por ejemplo cualquier promoción que se vaya a
incluir a los artículos aumentara con mayor probabilidad la demanda.

3.4. IMPRESICIONES EN LOS PRONÓSTICOS E INVENTARIOS

Vidal (2010) expresa que las causas que pueden llegar afectar principalmente los
pronósticos y el control de los inventarios, para no obtener los resultados deseados.

- Datos poco confiables, desactualizados o insuficientes. La inexactitud de los

inventarios físicos puede llegar a ser complejo, para la administración de
 inventarios y así mismo puede afectar toma de decisiones a nivel táctico en
una organización.
- Datos de ventas en lugar de datos de demanda: identificar la demanda no
servida es uno de los componentes principales para lograr el éxito en la
generación de pronósticos. Obtener los datos de la demanda real permite
miniar la variabilidad o los errores que se puedan presentar durante las
predicciones de la demanda.
- Sesgos en los pronósticos: Este tipo de imprecisiones se presenta cuando
continuamente se presentan niveles muy superiores o muy inferiores en los
pronósticos de demanda, esto quieres decir que se está sobrestimando o
subestimando la demanda.
- Velocidad de respuesta al cambio: Debido a la aleatoriedad que existe en
cualquier sistema de pronósticos, pueden existir situaciones donde fluctué de
manera abrupta la demanda, si se toman decisiones de forma acelerada su
puede llegar a caer en sesgos en la demanda.
- Inclusión de datos atípicos de demanda en el pronóstico: Se presenta este
tipo de situaciones por fluctuaciones atípicas, debido a pedido especial de
algún cliente o por ofertas y promociones.
- Selección del periodo del pronóstico: Si se selecciona un intervalo demasiado
grande, el sesgo en la predicción de la demanda. Se sugiere en todos los
casos que el periodo de pronóstico decrezca para que exista una menor
variabilidad.
 4. ESTADO DEL ARTE

Durante los últimos años se han estudiado múltiples modelos de pronósticos con el
único objetivo de optimizar la predicción de la demanda, entre los cuales se pueden
encontrar diferentes formas de suavizado exponencial, modelos de media móvil
integrada autorregresiva (ARIMA), redes neuronales, entre muchas otras. Lo cual
lleva a los profesionales e investigadores preguntarse cuál elegir, que modelo es el
más apropiado para cada serie de tiempo y como mejorar la predicción.
(Petropoulos & Kourentzes, 2018)

En el estudio realizado por Petropoulos y Kourentzes (2018) se compararon los

modelos de suavización exponencial simple (SES), SES con estacionalidad,
Suavización exponencial amortiguado (DES) y finalmente DES con estacionalidad,
este experimento fue llevado a cabo por grupos estudiantes pregrado y
profesionales de 20 universidades diferentes, cuyo objetivo era el de generar un
modelo de selección para pronosticar de forma adecuada las series de tiempo
suministradas por el experimento. Como resultado se tuvo que bajo los modelos de
selección desarrollado por los participantes en el 86% de los caso, los equipos
seleccionaron modelos que producen los valores más bajos para la MAPE y MASE,
para 99% y el 90% de los casos, respectivamente. Finalmente, los autores
concluyen que, en la actualidad los profesionales tienden a seleccionar modelos de
previsión, ignorando las recomendaciones del propio sistema y usando juicios
subjetivos para la selección de los mismos.

Algunos autores no sugieren la selección de un modelo particular de pronóstico, si

no la combinación de los mismos, Wang y Xu expresan que la combinación de
pronósticos es un procedimiento bien establecido para mejorar la precisión del
pronóstico que aprovecha la disponibilidad de información múltiple y recursos
informáticos para el pronóstico. Algunos casos de métodos de combinación son los
bayesianos, los pronósticos compuestos de regresión múltiple con datos
macroeconómicos, entre muchos otros; Sin embargo, a lo largo de los años el
modelo de pronóstico de combinación Bayesiano se considera un enfoque de
pronóstico colaborativo adecuado en la coordinación de la cadena de suministro. El
método de pronóstico bayesiano de combinación, hace uso de la regla bayesiana
para decidir las combinaciones y los pesos óptimos de los métodos de pronóstico
individuales en el modelo de combinación, dando como resultado resultados de
pronóstico combinados en diferentes períodos de tiempo que pueden aproximarse a
los valores de demanda reales.

El estudio de Wang y Xu, Se analiza el caso de estudio de Carrefour, donde se

comparan 5 métodos individuales de pronósticos, entre los cuales se encuentran
promedios móviles simples (F1), suavizado exponencial (F2), extrapolación de
tendencias (F3), promedios móviles integrados auto regresivos (ARIMA) (F4) y
métodos de redes neuronales artificiales (F5). Los resultados que se destacan de
estos métodos son suavización exponencial en tercer lugar, ARIMA en segundo
lugar y Redes neuronales como el método con mejores resultados de pronóstico.
Sin embargo, el objeto de estudio de Wang y Xu es estudiar la combinación de
estos modelos individuales, para la cual hacen uso de la herramienta Matlab, a la
hora de realizar las combinaciones se encuentra que cualquier modelo que no sea
considerado “Bueno” sesgaría el pronóstico y por estas razones se descarta el
método de extrapolación de tendencias y se realiza la combinación de los otros
cuatro métodos individuales. El estudio tiene como conclusión que los resultados de
la simulación utilizando un ejemplo real indican que las discrepancias en el
pronóstico se reducen, y la precisión en colaboración mejora cuando el proceso se
integra a través del modelo de pronóstico de combinación Bayesiano óptimo.

Los pronósticos no solo pueden ser usados en cadenas de suministro, Lanteri

(2017) analiza el comportamiento de las exportaciones de Argentina, tomando como
partida ecuaciones lineales dinámicas y no relaciones estructurales (VAR), una
alternativa a la estimación de modelos estructurales destinados a la realización de
pronósticos. En este estudio se analiza el método VAR con enfoque bayesiano
(BVAR), el cual minimiza los problemas de sobreparametrización que poseen los
sistemas VAR simples. El segundo método que se analiza es el FAVAR (factor-
aumentado VAR), este modelo combina los VAR con el análisis de factores. Estos
últimos representan una fuente común de fluctuaciones de las series de tiempo y se
estiman por el método de componentes principales. Las estimaciones sugieren que
los modelos de BVAR y FAVAR representan una alternativa válida para la
realización de pronósticos de con agregados macroeconómicos, ya que mejoran las
proyecciones realizados a partir de modelos auto regresivos, o de los VAR sin
restricciones.

Como hemos visto en los estudios anteriores, los modelos de pronósticos han sido
ampliamente estudiados a lo largo de los años, con el objetivo de generar
predicciones de la demanda cada vez más exactas, tomando en cuenta las
fluctuaciones, las estacionalidades, las promociones y demás variables que puedan
afectar la misma. Hoy en día hay un especial énfasis en hacer uso del método que
mejor se ajuste a cada una de nuestras organizaciones, para esto hay que analizar
ampliamente los métodos de pronósticos más usados e incluso los más innovadores
y generar técnicas de selección que permitan minimizar los errores en las
predicciones.
 5. METODOLOGIA

Para el desarrollo de la presente propuesta de trabajo de grado se deben seguir una

serie de procesos, cuya única finalidad es cumplir con cada uno de los objetivos
específicos, para finalmente dar respuesta al objetivo de estudio general.

Primero para realizar este estudio se debe de analizar la situación actual de la

empresa, conocer el comportamiento de la demanda, como se hace actualmente el
pronóstico de la misma, realizar un análisis de cuáles son sus principales errores y
cuáles son los sesgos que afectan la misma.

Luego de tener una contextualización de la empresa, se debe de realizar una

clasificación ABC de las referencias que tiene la empresa, debido a la gran cantidad
de productos que se manejan se definen, para finalmente centrarnos en la
referencia tipo A, ya que, seria dispendioso generar métodos de pronósticos para
todos y cada una de las referencias. Además, se deberán solicitar los históricos de
demanda de los productos y analizar series de tiempo para categorizar los patrones
de comportamiento en demanda continua e intermitente, e identificar además los
patrones de comportamiento que categoriza la demanda de cada producto, con los
modelos de pronósticos que mejor se adapten.

Se debe de hacer un análisis de literatura, que nos permita conocer el desarrollo de

diferentes modelos de pronósticos y su aplicabilidad, posteriormente cada uno de
los modelos escogidos deberá ser probado con las series de tiempo suministrada
por la empresa, para finalmente evaluar el comportamiento de las predicciones y
cuáles métodos presentan menos error en la MAPE. Para que finalmente, se
presente un análisis detallado del método o métodos que mejor se adapten a la
empresa y/o referencias escogidas.
5.1. CRONOGRAMA
 ACTIVIDADES ABRIL MAYO JUNIO JULIO AGOSTO SEPTIEMBR

Caracterizar el manejo actual del estudio de la demanda en la

empresa y las variables que pueden afectar los pronósticos de
la demanda.
Estudiar como se maneja actualmente el proceso de
pronostico de la empresa
Analizar cuales son las variables que afectan las
predicciones en la organización
Realizar una analisis ABC de las referencias manejada
y hacer la selección de las referencias a trabajar
Revisar y comparar modelos de pronóstico de demanda que
sean aplicables a la organización.
Realizar un estudio profundo bibliografico de metodos
de pronosticos usados en la actualidad.
Escoger los metodos que seran evaluados para las
diferentes referencias.

Aplicar los metodos elegidos de predicción.

Evaluar el modelo de pronósticos seleccionado y su

efectividad en la solución del problema en la organización.
Comparar las medidas de error de cada uno de los
metodos.
Hacer el analisis de los metodos aplicados y su
eficiencia.
Elegir el metodo de predicción con mejores resultados
para cada referencia de ser necesario.
BIBLIOGRAFÍA

Chase, R., Jacobs, R., & Aquilano, N. (2009). Administración de operaciones producción y
cadena de suministro (Duodecima).

Everett E. Adam, J., & Ebert, R. J. (n.d.). Asministración de la producción y las operaciones.
Universidad de Missouri - Columbia.

Krajewski, lee j., Ritzman, L. P., & Maholtra, M. K. (2008). Administración de Operaciones.
In Formación universitaria (Octava, Vol. 11). https://doi.org/10.4067/s0718-
50062018000300001

Lanteri, L. N. (2010). Modelos de VAR alternativos para pronósticos ( VAR bayesianos y

FAVAR ): el caso de las. XXXIII, 42–64.

Marcel, E. (2017). ScienceDirect Supply Chains by using Artificial Intelligence ( AI ). IFAC-

PapersOnLine, 50(1), 15221–15226. https://doi.org/10.1016/j.ifacol.2017.08.2371

Misantla, I. tecnológico de. (2017). Congreso interdisciplinario de ingenierías. 1–166.

Petropoulos, F., Kourentzes, N., Nikolopoulos, K., & Siemsen, E. (2018). Judgmental
selection of forecasting models. Journal of Operations Management, 60(June), 34–46.
https://doi.org/10.1016/j.jom.2018.05.005

VIDAL H, Carlos J. (2005). Fundamentos de gestión de inventarios. 3 Ed. Colombia:

Universidad del Valle.
Wang, W. J., & Xu, Q. (n.d.). A Bayesian Combination Forecasting Model for Retail Supply
Chain Coordination. 315–324. https://doi.org/10.1016/S1665-6423(14)72347-8