ADMINISTRACIN

DE LA DEMANDA

DR. RAL ALFREDO MNDEZ

PRONSTICOS TRADICIONALES
Un componente principal de la
administracin de la demanda
es el pronstico de la cantidad
de producto que se comprar y
cundo y dnde lo adquirirn
los clientes.
Aunque
hay varias tcnicas
estadsticas para pronosticar la
demanda, todos los resultados
tienen algo en comn: al final
estarn equivocados.

La clave para su xito es minimizar el error entre

la demanda real y la pronosticada.
Aunque esto parezca sencillo,
pueden surgir en el mercado
diversos
factores
que
cambiarn la demanda de
manera contraria a lo que se
espera.
No obstante, los pronsticos
son necesarios: sirven como
un plan para fijar metas y

Estas metas y estrategias se crean por medio de

los procesos de planificacin de ventas y
operaciones (S&OP).
Este concepto se analiza en una seccin posterior
de este capitulo.
El resto de esta seccin se centra en los
diferentes tipos de tcnicas de pronstico que se
emplean en toda la industria.

PROMEDIO MVIL
promedio mvil simple
quiz sea el
SIMPLE

El
mtodo ms
fcil de desarrollar en el pronstico bsico de series
Genera
pronsticos a partir
de
tiempo.
de la historia reciente de la
demanda y permite que se
eliminen
los
efectos
aleatorios:
no
acepta
influencias estacionales, de
tendencias o del ciclo del
negocio; slo promedia un
nmero predeterminado de

Cada vez que se calcula el promedio, se descarta

la demanda ms antigua y se incluye la ms
reciente.
Uno de sus puntos dbiles radica en que olvida el
pasado con rapidez; una de sus fortalezas es que
es rpido y de fcil uso.

Ejemplo de cmo utilizar la tcnica del promedio

mvil simple para la demanda del dulce que
LuAnns Chocolates (LC) produce.
La demanda promedio mensual de cajas del
chocolate ms popular de LC se muestra en la
columna 2; este ejemplo utilizar un promedio
mvil de tres periodos.
En la determinacin del pronstico para la
demanda de abril se encuentra el promedio de la
demanda de enero, febrero y marzo.

Este clculo se muestra en la siguiente frmula:

Donde:
Dt = demanda real en el periodo t
n = nmero total de periodos en el promedio
At = promedio del periodo t

(1)
t
PERIODO

PRONSTICO DE PROMEDIO MVIL SIMPLE

(2)
Dt
DEMANDA

Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Total
Total

560
1,300
750
1,465
725
675
575
815
1,275
1,385
950
1,425
11,900
11,900
991.7
991.7

(3)
At
PROMEDIO MVIL
DE TRES PERIODOS

(4)
Ft
PRONSTICO DE
TRES PERIODOS

(5)
Et
Dt Ft
ERROR

870.0
1,171.7
980.0
955.0
658.3
688.3
888.3
1,158.3
1,203.3
1,253.3

870.0
1,171.7
980.0
955.0
658.3
688.3
888.3
1,158.3
1,203.3

+595.0
-446.7
-305.0
-380.0
+156.7
+586.7
+496.7
-208.3
+221.7

Sesgo
Sesgo

+716.8
+716.8

Sesgo

+79.6
+79.6

Desviacin absoluta

Desviacin absoluta

3,396.8
3,396.8
377.4
377.4

Fuente Robert A. Novack, Ph. D. Reproducido con autorizacin.

Fuente Robert A. Novack, Ph. D. Reproducido con autorizacin.

Esto dara el siguiente clculo:

(560 + 1,300 + 750)/3 = 870 cajas
A partir de este clculo, la demanda de mayo
genera un a disminucin de la demanda de enero,
pero un aumento en la de abril. El clculo es el
siguiente:
(1,300 + 750 + 1,465)/3 = 1,171.7
cajas

Este proceso se repite

hasta que se formulan
todos los pronsticos.
El promedio mvil de tres
periodos se muestra en la
columna 3, y el pronstico
en la columna 4.
El trmino error es slo la
diferencia
entre
el
pronstico y la demanda
real, y puede observarse en

Si se suman los trminos de error de los

pronsticos se generar lo que llamamos sesgo:
una medicin de la exactitud del pronstico en
comparacin
con lasignifica
demanda
real.
Un
sesgo positivo
que
la demanda fue ms alta que el
pronstico durante el periodo
seleccionado, lo que genera
agotamiento de existencias; un
sesgo negativo significa que la
demanda fue ms baja que la
pronosticada, lo que genera un

Cuanto ms cercano est el sesgo de cero, mejor

ser el pronstico.
En este ejemplo, el sesgo es de +716.8 unidades
o
+76.6 unidades por periodo pronosticado
(+716.8/9 periodos).
Esto significa que el pronstico fue ms bajo que
la demanda real por 716.8 cajas en total, y ms
bajo que la demanda real por mes por 79.6 cajas.

La desviacin absoluta elimina los signos

positivos y negativos de los trminos de error y
mide la exactitud del pronstico general: cuanto
ms cercano es de cero, mayor precisin tendr
Esta
medicin
se utilizar ms
para estimar
la demanda.
adelante cuando se analice el
concepto de desviacin absoluta
media.
Recuerde que la tcnica de
promedio mvil simple no incluye
las influencias estacionales; como

Por tanto, quiz no sea adecuado para este tipo

de datos sobre la demanda.
La siguiente tcnica intentar mejorar la precisin
de este pronstico.

PROMEDIO MVIL
PONDERADO
En el promedio mvil
simple cada periodo previo
de la demanda tena un peso equitativo.
El mtodo del promedio mvil ponderado asigna
un peso a cada periodo previo y confiere los pesos
ms altos a la demanda ms reciente.
Los pesos deben ser iguales a
1.
Este mtodo permite dar ms
importancia a la demanda
ms
reciente
como
pronosticador de la futura.

Por ejemplo, la tabla siguiente muestra la

demanda mensual de la barra de chocolate de
LuAnns.
Suponga que los pesos que se utilizan son de 0.60
para el periodo ms reciente; 0.25 para el
segundo ms reciente, y 0.15 para el tercero.
El promedio para el siguiente periodo se calcular
con la frmula:
A = 0.60D + 0.25D +
t

0.15Dt-2

t-1

La columna 3 de la siguiente
tabla, muestra los resultados
de esta frmula.
El promedio mvil ponderado
para el periodo 3 se calcula
como sigue:
(0.60 x 750) + (0.25 x 1,300) + (0.15 x
560) = 859.0 cajas

Esto se convierte en el pronstico del periodo 4,

que puede verse en la columna 4.
Una vez ms el error se calcula como se muestra
en la columna 5.
El sesgo para este mtodo es de +658.75 cajas,
con un sesgo promedio por periodo de +73.2
cajas.
Los
resultados
que
se
muestran para este mtodo
son mejores que los que se
generan con el promedio
mvil simple.

Esto se debe principalmente a que el mtodo del

promedio mvil ponderado no considera en el
clculo pesos iguales para cada periodo.
No obstante, estos resultados an no son
pronsticos precisos de la demanda debido a tres
posibles causas: primero, es factible que los pesos
asignados a los tres periodos no reflejen con
exactitud los patrones de la demanda.

Segundo, es posible que tres periodos no sea el

nmero adecuado para desarrollar el pronstico.
Por ltimo, la tcnica del promedio mvil
ponderado no se adapta con facilidad a los
patrones
de
demanda
con
influencias
estacionales. En un intento por mejorar este
pronstico, se aplicar otra tcnica a los datos de
la demanda de LuAnns.

SUAVIZACIN
La suavizacin
exponencial es una de las tcnicas
EXPONENCIAL
que ms se utilizan debido a su sencillez y su
limitado requerimiento de datos de los cuales
necesita de tres tipos:
1)Un promedio de la demanda previa.
2)La demanda ms reciente.
3)Una constante de suavizacin.

La constante de suavizacin debe tener un valor

de entre 0 y 1; si se utiliza una ms alta se asume
que la demanda ms reciente es un mejor
indicador de la demanda futura.
En la siguiente frmula se utiliza para calcular el
pronstico.
At = (demanda de este periodo) + (1 ) (ltimo periodo calculado del pronstico) = D t + (1 )At 1

Con los datos de la tabla Pronstico de promedio

mvil simple, se genera el pronstico que usa la
suavizacin exponencial y que puede observarse
en la tabla Pronstico de suavizacin exponencial.
Suponga que el promedio del periodo anterior
(por comodidad se utiliz el de los 12 periodos) es
de 992 cajas.

La tabla Pronstico de suavizacin exponencial,

muestra los pronsticos y los sesgos para los dos
escenarios: uno con una constante de 0.1 y el
otro con una de 0.3.
El pronstico para enero es slo el promedio del
periodo previo (992 cajas), para febrero se calcula
de la siguiente manera:
Pronstico = (0.1 x 1,300) + (0.9 x 992) = 1,022.8 cajas

PRONSTICO DEL PROMEDIO MVIL PONDERADO

(1)
t
PERIODO

(2)
Dt
DEMANDA

(3)
At
PROMEDIO MVIL DE
TRES PERIODOS

(4)
Ft
PRONSTICO DE
TRES PERIODOS

(5)
Et
Dt Ft
ERROR

560
1,300
750
1,465
725
675
675
575
575
815
815
1,275
1,275
1,385
1,385
950
950
1,425
1,425
11,900
11,900

991.7
991.7

Sesgo
Sesgo

+658.75
+658.75

Sesgo

+73.2
+73.2

Enero
Febrero
Marzo
Abril
Mayo
Junio
Junio
Julio
Julio
Agosto
Agosto
Septiembre
Septiembre
Octubre
Octubre
Noviembre
Noviembre
Diciembre
Diciembre
Total
Total

859.0
1,261.5
913.75
806.0
806.0
622.5
622.5
734.0
734.0
1,055.0
1,055.0
1,272.0
1,272.0
1,107.5
1,107.5
1,300.25
1,300.25

859.0
1,261.5
913.75
913.75
806.0
806.0
622.5
622.5
734.0
734.0
1,055.0
1,055.0
1,272.0
1,272.0
1,107.5
1,107.5

+606.0
-536.5
-238.75
-238.75
-231.0
-231.0
+192.5
+192.5
+541.0
+541.0
+330.0
+330.0
-322.0
-322.0
+317.5
+317.5

Desviacin absoluta

3,315.3
3,315.3

Desviacin absoluta

368.4
368.4

Dt = 0.60, Dt-1 = 0.25, Dt-2 = 0.15

Fuente Robert A. Novack, Ph. D. Reproducido con autorizacin.

PRONSTICO DE SUAVIZACIN EXPONENCIAL

(1)
t
PERIODO
Enero
Febrero
Febrero
Marzo
Marzo
Abril
Abril
Mayo
Mayo
Junio
Junio
Julio
Agosto
Julio
Septiembre
Agosto
Octubre
Septiembre
Noviembre
Octubre
Diciembre
Noviembre
Total
Diciembre
Total
Sesgo
Sesgo

(2)
Dt
DEMANDA

(3)
Ft
= 0.1
PRONSTICO

(4)
Et

560
1,300
1,300
750
750
1,465
1,465
725
725
675
675
575
815
575
1,275
815
1,385
1,275
950
1,385
1,425
950
11,900
1,425
991.7
11,900

992.0
1,022.8
1,022.8
995.5
995.5
1,042.5
1,042.5
1,010.75
1,010.75
977.2
977.2
936.98
924.8
936.98
959.8
924.8
1,002.3
959.8
997.1
1,002.3
1,039.9
997.1

1,039.9

Dt Ft
ERROR
-432.0
+277.2
+277.2
-245.5
-245.5
+422.5
+422.5
-285.75
-285.75
-302.2
-302.2
-361.98
-109.8
-361.98
+315.2
-109.8
+382.7
+315.2
-47.1
+382.7
+385.1
-47.1
+385.1

991.7

-1.63

-49.03

-0.1358
-1.63

-4.09
-49.03
-4.09
2,961.37

Sesgo

-0.1358
3,567.03

Desviacin absoluta

3,567.03

*
Asuma que
F1 =992

Desviacin
absoluta

Fuente Robert A. Novack, Ph. D. Reproducido con autorizacin.

* Asuma que F1 =992
Fuente Robert A. Novack, Ph. D. Reproducido con autorizacin.

(5)
Ft
= 0.3
PRONSTICO
992.0
1,084.4
1,084.4
984.1
984.1
1,128.4
1,128.4
1,007.4
1,007.4
907.7
907.7
807.9
810.03
807.9
949.5
810.03
1,080.2
949.5
1,041.1
1,080.2
1,156.3
1,041.1
1,156.3

(6)
Et
D t Ft
ERROR
-432.0
+215.6
+215.6
-234.1
-234.1
+336.6
+336.6
-282.4
-282.4
-232.7
-232.7
-232.9
+4.97
-232.9
+325.5
+4.97
+304.8
+325.5
-91.1
+304.8
+268.7
-91.1
+268.7

277.25

247.8
2,961.37

277.25

247.8

El pronstico para marzo sigue el mismo clculo:

Pronstico = (0.1 x 750) + ( 0.9 x 1,022.8) = 995.5 cajas

La misma metodologa se emplea para calcular

pronsticos que usan 0.3 como constante, salvo
que ste se utilice en la frmula en lugar de 0.1.
El trmino de sesgo resultante muestra que 0.1
genera un mejor pronstico que 0.3 como
constante de suavizacin.

El sesgo promedio resultante por periodo (aqu se

utilizaron 12) evidencia que utilizar la suavizacin
exponencial con una constante de 0.1 ha
generado hasta ahora el mejor pronstico.
No obstante, los pronsticos de suavizacin
exponencial darn como resultado un pronstico
de precisin relativa.

Sin embargo, los patrones de alta estacionalidad,

o con tendencias, pueden dar lugar a pronsticos
imprecisos cuando se usa la suavizacin
exponencial.
El mtodo que se presenta a continuacin
intentar introducir el concepto de la tendencia al
pronstico.

AJUSTAR LA SUAVIZACIN
EXPONENCIAL A LA TENDENCIA

Como se mencion antes, la suavizacin exponencial

causar severos desfases en los pronsticos de los
patrones de la demanda que contienen tendencias;
por tanto, puede ajustarse para adaptarlas, lo que es
posible
estima
su magnitud.
Esto sesi se
logra
calculando
el
promedio de la serie del
periodo anterior con el que se
calcul para el ltimo periodo.
Para ajustar el pronstico a la
tendencia, las estimaciones del
promedio y la tendencia se

La frmula de la tabla de Pronstico de suavizacin

exponencial ajustado a las tendencias, calcula la
demanda promedio para un periodo.
At = (demanda de este periodo) + (1 )(promedio + ltimo periodo estimado de la
tendencia) = Dt + (1 )(At-1 + Tt-1)

Con la frmula de la tabla Pronstico influido por

temporadas: paso 1, se calcula la tendencia promedio
para un periodo.
Tt = (promedio de este periodo promedio del
ltimo periodo) + (1 )(estimacin de la tendencia

Donde:
At = Promedio exponencialmente suavizado de la
serie en el periodo t
Tt = Promedio exponencialmente suavizado de la
tendencia en el periodo t
= Parmetros de suavizacin para el promedio
= Parmetro de suavizacin para la tendencia

Los parmetros de suavizacin tanto para le

demanda promedio como para la tendencia
promedio deben oscilar entre 0 y 1.
Las estimaciones de la demandada promedio y la
tendencia pueden formularse por medio de los
datos histricos.
La tabla Pronstico de suavizacin exponencial
ajustado a las tendencias, presenta la aplicacin
de este mtodo a los datos de LuAnns
Chocolates.

PRONSTICO DE SUAVIZACIN EXPONENCIAL AJUSTADO A LAS

(1)
(2)
(3)
(5)
TENDENCIAS(4)

t
PERIODO
Enero
Febrero
Febrero
Marzo
Marzo
Abril
Abril
Mayo
Mayo
Junio
Junio
Julio
Julio
Agosto
Septiembre
Agosto
Octubre
Septiembre
Noviembre
Octubre
Diciembre
Noviembre
Total
Diciembre
Total
Sesgo
Sesgo

Ft

(6)
Et

At + T t
PRONSTICO
0
825.6
825.6
885.1
885.1
1,098.9
1,098.9
1,106.9
1,106.9
1,087.5
1,087.5
1,031.5
1,031.5
1,026.0
1,123.6
1,026.0
1,234.2
1,123.6
1,224.3
1,234.2
1,319.3
1,224.3
1,319.3

D t Ft
ERROR
0
+474.4
+474.4
-135.1
-135.1
+366.1
+366.1
-381.9
-381.9
-412.5
-412.5
-456.5
-456.5
-211.0
+151.4
-211.0
+150.8
+151.4
-274.3
+150.8
+105.7
-274.3
+105.7

Dt
DEMANDA

At
PRONSTICO
SUAVIZADO

Tt
TENDENCIA
ESTIMADA

560
1,300
1,300
750
750
1,465
1,465
725
725
675
675
575
575
815
1,275
815
1,385
1,275
950
1,385
1,425
950
11,900
1,425
991.7
11,900

560.0
748.0
748.0
810.5
810.5
1,001.1
1,001.1
1,024.1
1,024.1
1,020.5
1,020.5
985.0
985.0
988.2
1,075.8
988.2
1,175.9
1,075.8
1,177.4
1,175.9
1,264.4
1,177.4

1,264.4

50.0
77.6
77.6
74.6
74.6
97.8
97.8
82.8
82.8
67.0
67.0
46.5
46.5
37.8
47.8
37.8
58.3
47.8
46.9
58.3
54.9
46.9
54.9

991.7

-622.9

-56.6
-622.9
-56.6
3,119.7

Sesgo

Desviacin absoluta

= 0.20 absoluta = 0.20

Desviacin

Fuente Robert A. Novack, Ph. D. Reproducido con autorizacin.

= 0.20
= 0.20
Fuente Robert A. Novack, Ph. D. Reproducido con autorizacin.

283.6
3,119.7
283.6

La columna 1 muestra el mes y la 2, la demanda.

Este ejemplo comienza con el promedio suavizado
igualado a la demanda para el periodo 1.
Se emplea una estimacin de la tendencia de 50
cajas.
Tambin se usa un parmetro de suavizacin de
0.2 tanto para el promedio como para la
tendencia.
Para obtener el promedio suavizado de febrero se
utiliza el siguiente clculo (vase la frmula
anterior):

La estimacin de la tendencia tambin se calcula

con la frmula anterior como sigue:
Tendencia suavizada = (0.2)(748 560) + 0.8 (50) = 77.6
Con estos clculos y otros similares para los
periodos restantes es posible estimar las
columnas 3 y 4.
El pronstico se calcula sumando el promedio y la
tendencia suavizados.

Los resultados se observan en la columna 5.

La columna 6 contiene la cifra de error, que es la
diferencia entre el pronstico y la demanda real.
Los resultados de la aplicacin de esta tcnica a
los datos de LuAnns Chocolates muestran un
sesgo total de -622.9 cajas o -56.6 cajas para el
periodo pronosticado.
Si bien las tcnicas previas generan cifras de
sesgo positivas, el mtodo de suavizacin
exponencial adaptado a las tendencias result en
una cifra negativa.

Por lo general, la constante de suavizacin puede

ajustarse en varias pruebas para reducir el sesgo
del pronstico.
Con un sesgo positivo habr agotamientos de
existencias.
La administracin debe decidir si esto es
aceptable en funcin del costo del agotamiento.
A continuacin se estudia otra tcnica que
incorpora el concepto de estacionalidad al
pronstico.

INFLUENCIAS ESTACONALES EN LOS

PRONSTICOS
Muchas organizaciones pasan por temporadas
que se repiten durante un periodo determinado.
Estas se establecen por una hora del da (por
ejemplo, la demanda de hamburguesas en un
restaurante de comida rpida), un da de la
semana (digamos, la demanda de gasolina); una
semana; un mes, o alguna combinacin de lo
anterior.

Para ajustar un pronstico a las estaciones se usa

una combinacin de factores estacionales y de
demanda promedio que permiten obtener un
pronstico ajustado.
Suponga que LuAnns Chocolates pasa por cinco
temporadas distintas cada ao: los das de San
Valetn, Pascua, Halloween, Navidad y el verano.

La tabla de Pronstico influido por temporadas:

paso 1, ilustra cmo cada temporada est
definida por varios meses:
1) El da de San Valentn en enero y febrero
2) Pascua abarca marzo y abril
3) Verano incluye mayo, junio, julio y agosto
4) Halloween se considera en septiembre y
octubre
5) Navidad incluye noviembre y diciembre.
Se retomarn los datos de tres aos para calcular
el pronstico con esta tcnica, con base en un

El primer paso consiste en calcular la demanda

promedio para cada temporada de cada ao.
Por ejemplo, la columna 2 en la tabla de
Pronstico influido por temporadas: paso 1,
muestra la demanda para el ao 1, que es de
11,900 cajas.
Como hay cinco temporadas, se divide la
demanda total anual (11,900) entre ese nmero
de temporadas (5) para llegar a la demanda
promedio por temporada para ese ao.
En el ao 1 la demanda promedio por temporada

La tabla de Pronstico influido por temporadas:

paso 1, ilustra los resultados del paso 1 para tres
aos.
El segundo paso requiere que la demanda total
para una temporada se divida entre la demanda
promedio por temporada para ese ao: para el
ao 1, la demanda real del Da de San Valentn es
de 1,860 cajas.
Esto se divide entre la demanda promedio por
temporada para el ao 1 (2,380 cajas) y el
resultado es un ndice de 0.7815 para la

Los resultados del paso 2 para los datos de tres

aos se presentan en la tabla de Pronstico
influido por temporadas: pasos 2 y 3.
El tercer paso requiere calcular un ndice
estacional promedio para todos los datos de los
aos.
Para la temporada 1 (Da de San Valentn), el
ndice estacional promedio de tres aos es de
0.7836.

Esto se calcula sumando los tres ndices para esta

temporada (0.7815, 0.7869 y 0.7824)
y
dividindolo entre 3 (el nmero de aos de
datos).
El ndice estacional para el da de San Valentn es
0.7836.
Los resultados de este paso se ven en la tabla de
Pronstico influido por temporadas: pasos 2 y 3.
El paso final estima la demanda promedio por
temporada para el siguiente periodo (ao 4) al
multiplicar cada estacional pr su ndice estacional.

PRONSTICO INFLUIDO POR TEMPORADAS: PASO 1

Paso 1
(1)
t
PERIODO

(2)
D1
DEMANDA DEL
AO 1
560

(3)
D2
DEMANDA DEL
AO 2
588

(4)
D3
DEMANDA DEL AO 3

(5)
DEMANDA
TOTAL

600

1,748

Febrero

1,300

1,365

1,392

4,057

Total

1,860

1,953

1,992

5,805

750

795

819

2,364

Abril

1,465

1,553

1,600

4,618

Total

2,215

2,348

2,419

6,982

Mayo

725

740

733

2,198

Junio

675

689

682

2,046

Julio

575

587

581

1,743

Agosto

815

831

823

2,469

Total

2,790

2,847

2,819

8,456

Septiembre

1,275

1,326

1,392

3,993

Octubre

1,385

1,440

1,512

4,337

Total

2,660

2,766

2,904

8,330

Noviembre

950

998

1,038

2,986

Diciembre

1,425

1,496

1,556

4,477

Total

2,375

2,494

2,594

7,463

11,900

12,408

12,728

37,036

2,380

2,482

2,546

7,407

Enero

Marzo

Demanda total
Demanda por temporada

Fuente Robert A. Novack, Ph. D. Reproducido con autorizacin.

Los resultados de este paso se observan en la

tabla de Pronstico influido por temporadas: paso
4, por ejemplo, se estima que la demanda total
para el ao 4 es de 13,237 cajas.
La demanda promedio por temporada es de
13,237 cajas dividida entre cinco temporadas,
con lo que se obtiene una demanda promedio por
temporada de 2,647.4 cajas.
Al multiplicar este promedio estacional entre el
ndice estacional para la temporada 1 (Da de
San Valentn) de 0.7836 resulta un pronstico de

La demanda real para esta temporada es de

2,012 cajas (columna 4), lo que genera un error
de -63.0 cajas.
De manera evidente, este mtodo genera un
valor de sesgo de -398.0 para el ao y un sesgo
promedio por temporada de -79.6.
Esto significa que, con esta tcnica de pronstico,
cada temporada tendr un exceso de inventario.
Una vez ms la administracin debe decidir si
esta poltica de inventarios es aceptable en
funcin del costo del agotamiento de existencias

PRONSTICO INFLUIDO POR TEMPORADAS: PASOS 2 y 3

Paso 2
t
TEMPORADA
1

(2)
AO 1
1,860/2,380 = 0.7815

2,215/2,380 = 0.9307

2,790/2,380 = 1.1723

2,660/2,380 = 1.176

2,375/2,380 = 0.9979

Paso 3
Temporada
1
2
3
4
5

ndice estacional
promedio
(0.7815 + 0.7869 + 0.7824)/3
= 0.7836
(0.9307 + 0.9460 + 0.9501)/3
= 0.9423
(1.1723 + 1.1471 + 1.1072)/3
= 1.1422
(1.1176 + 1.1144 + 1.1406)/3
= 1.1242
(0.9979 + 1.0048 + 1.0189)/3

(3)
AO 2
1,953/2,482
0.7869
2,348/2,482
0.9460
2,847/2,482
1.1471
2,766/2,482
1.1144
2,494/2,482
1.0048

(4)
AO 3
1,992/2,546 = 0.7824

2,419/2,546 = 0.9501

2,819/2,546 = 1.1072

2,904/2,546 = 1.1406

2,594/2,546 = 1.0189

PRONSTICO INFLUIDO POR TEMPORADAS: PASO 4

Paso 4
(1)
TEMPORADAS

1
2
2
3
3
4
4
5
Demanda
Total
5
Sesgo
Demanda Total

(2)
(3)
DEMAND
NDICE
A
ESTACIONA
PROMEDI
L
O DEL
AO 4
2,647.4
0.7836
2,647.4
0.9423
2,647.4
0.9423
2,647.4
1.1422
2,647.4
1.1422
2,647.4
1.1242
2,647.4
1.1242
2,647.4
1.0072
13,237
2,647.4
1.0072

(4)
(5)
Dt
Ft
DEMANDA PRONSTI
REAL
CO
2,012
2,420
2,420
2,931
2,931
2,888
2,888
2,587
2,587

13,237

Sesgo

2,075
2,495
2,495
3,024
3,024
2,976
2,976
2,666
2,666

(6)
Et
Dt - Ft
ERROR
-63.0
-75.0
-75.0
-93.0
-93.0
-88.0
-88.0
-79.0
-79.0
-398.0
-398.0
-79.6

Sesgo

/n

Desviacin absoluta

Fuente
Robert
A. Novack,
Ph. D. Reproducido con autorizacin.
Desviacin
absoluta
/n
Fuente Robert A. Novack, Ph. D. Reproducido con autorizacin.

398.0
-79.6
79.6
398.0
79.6

ERROR DE PRONSTICO
(1)
t
PERIODO

Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Agosto
Septiembre
Septiembre
Octubre
Octubre
Noviembre
Noviembre
Diciembre
Diciembre
Total
Total

(2)
Dt
DEMANDA

(3)
Ft
PRONSTICO

(4)
Et
ERROR

(5)
Et2
ERROR2

(6)
Et
ERROR
ABSOLUTO

(7)
(Et /Dt) 100
ERROR
PORCENTUAL
ABSOLUTO

560
1,300
750
1,465
725
675
575
815
815
1,275
1,275
1,385
1,385
950
950
1,425
1,425
11,900
11,900

992
1022.8
995.5
1,042.5
1,010.75
977.2
936.98
924.8
924.8
959.8
959.8
1,002.3
1,002.3
997.1
997.1
1,039.9
1,039.9

-432.0
+277.2
-245.5
+422.5
-285.75
-302.2
-361.98
-109.8
-109.8
+315.2
+315.2
+382.7
+382.7
-47.1
-47.1
+385.1
+385.1

186,624
76,839.8
60,270.25
178,506.25
81,653.06
91,324.84
131,029.52
12,056.04
12,056.04
99,351.04
99,351.04
146,459.29
146,459.29
2,218.41
2,218.41
148,302.01
148,302.01
1,214,634.6
1,214,634.6

432.0
277.2
245.5
422.5
285.75
302.2
361.98
109.8
109.8
315.2
315.2
382.7
382.7
47.1
47.1
385.1
385.1
3,567.03
3,567.03

77.1
21.3
32.7
28.84
39.4
44.8
62.9
13.6
13.6
24.7
24.7
27.6
27.6
4.9
4.9
27.0
27.0
404.8
404.8 %
%

991.7
991.7

CFE
CFE
CFE
CFEXX

-1.63
-1.63
-0.1358
-0.1358

Error medio cuadrtico: MSE =

Desviacin estndar:
Desviacin media absoluta:
Error porcentual absoluto medio:

* Utiliza pronstico de suavizacin exponencial ( = 0.1) de la tabla de Pronstico de suavizacin exponencial

Fuente Robert A. Novack, Ph. D. Reproducido con autorizacin.

RESUMEN
Los sistemas logsticos de salida hacia el cliente
han recibido mucha atencin de numerosas
empresas, incluso en el entorno actual del
servicio al cliente es necesario coordinar los
sistemas logsticos de entrada y salida.
La administracin de la demanda puede
definirse como el conjunto de esfuerzos
centrados en estimar y administrar la demanda
de los clientes a fin de utilizar esta informacin
para dar forma a las decisiones de operacin.

 Aunque s realizan muchos pronsticos a lo largo

de la cadena de suministro, el de la demanda
primaria del usuario final o consumidor es el
ms importante. Resulta esencial que los socios
comerciales compartan esta informacin a lo
largo de la cadena de suministro y que
constituya la base para la toma de decisiones
colaborativas.
Existen numerosos mtodos de pronstico, cada
uno con un propsito diferente. El proceso de
S&OP ha recibido mucha atencin en la industria

 El proceso S&OP representa un ciclo continuo

que involucra la participacin de las reas de
ventas, operaciones y finanzas para llegar a un
pronstico interno consensuado.
El mtodo de la CPFR permite a los socios
comerciales participar en la cadena de
suministro, desarrollar y acordar de forma
colaborativa un pronstico de ventas. Esto
permite eliminar mantenimiento de inventarios
debido a la incertidumbre en la cadena de
suministro.

 En la actualidad las empresas cuentan con

diversas alternativas de canales de distribucin.
La administracin eficaz de las distintas
opciones requiere la coordinacin e integracin
de las reas de mercadotecnia, logstica y
finanzas, as como la coordinacin de las
actividades generales de todo el canal a travs
de las organizaciones participantes.