Beruflich Dokumente
Kultur Dokumente
OBJETIVO: Al término de la presente unidad el alumno aplicará los diversos tipos de pronósticos
existentes.
Los pronósticos son estimaciones basadas en datos históricos que usan las empresas para determinar
anticipadamente cuanto personal, maquinaria, materiales, etc. se requerirá para que la empresa pueda cumplir
con sus estimaciones de ventas.
1. No son números exactos, son estimaciones de aproximación a la realidad y deben incluir un margen
de variación permitida. Esta es la característica más importante y la que menos se considera de los métodos
de pronóstico. Una vez determinados, los pronósticos se consideran casi siempre como información ya
conocida. Los requisitos de recursos y los calendarios de producción pueden requerir modificaciones si el
pronóstico de la demanda es inexacto. El sistema de planeación debe ser suficientemente robusto para poder
reaccionar ante los posibles errores de pronóstico.
2. Los pronósticos agregados son más exactos. En base porcentual, el error en que se incurre al pronosticar
las ventas de toda una línea de productos es, por lo general, menor que el que resulta al pronosticar las ventas
de un solo articulo.
3. Cuanto más alejado este el horizonte de pronóstico, menos exacto será el pronóstico. Esta propiedad
es intuitiva. Se puede predecir con más exactitud el valor del Índice de Precios y Cotizaciones de la Bolsa
Mexicana de Valores para mañana que para dentro de un año.
4. Los pronósticos no se deben de usar para excluir la información conocida. Determinada técnica podrá
dar como resultado pronósticos con precisión razonable en la mayoría de los casos. Sin embargo, puede haber
información disponible acerca de la demanda en le futuro que no se presenta en la historia de la serie. Por
ejemplo, la empresa puede estar planeando una venta especial de promoción para determinado artículo, y por
eso la demanda será, probablemente, mayor que la normal. Esta información debe incluirse manualmente en el
pronóstico.
La estimación confiable de los pronósticos de demanda (ventas esperadas) de los productos es vital para:
Poder planear la cantidad de personal requerido, contratarlo y capacitarlo antes de los picos de
demanda del producto.
Determinar la política óptima de adquisición de materiales (MRP ó JIT).
1
¿Por qué es tan importante la estimación de pronósticos de demanda?
Sirve para definir los recursos financieros, técnicos y humanos necesarios para la fabricación de un producto.
Alguien pudiera decir, hay que fabricar muchos artículos. Pero aquí cabe decir ¿qué significa muchos artículos?
La respuesta puede ser muy variable para cada persona. Para Pedro quizás sean 1,000 piezas. Para María
pueden ser 10,000 piezas. Para Francisco pueden ser 100,000 piezas y para Rosa quizás sean 1,000,000
piezas.
Por ejemplo: Se dice que un pronóstico de demanda de un artículo es de 500,000 piezas anuales con un 20 %
de margen de error.
Esto significa que la demanda anual de dicho artículo puede fluctuar entre los valores siguientes:
500,000 - 100,000 = 400, 000 piezas 500, 000 + 100,000 = 600,000 piezas
Es decir, que lo más probable que suceda, es que el valor real de la demanda del artículo puede estar en el
rango de 400,000 a 600,000 piezas: Aunque pudiera ser exactamente 500,000 piezas (esto sería un caso raro).
Una característica importante de los pronósticos, es que el grado de exactitud es muy alto en el corto tiempo y
disminuye en el largo tiempo.
Por ejemplo: Es más fácil pronosticar con exactitud el clima del día de mañana, que los climas de la semana
entrante, del mes entrante, del año próximo etc.
Los métodos de pronóstico como subjetivos u objetivos. Un método subjetivo de pronóstico se basa en el
juicio humano. Un método objetivo de pronóstico se deriva de un análisis de datos (usualmente
estadístico).
Algunos de los métodos subjetivos de pronóstico son: 1) agregados de la fuerza de ventas, 2) encuestas entre
consumidores, 3) opinión de un jurado de ejecutivos y 4) Método Delphi (basado en el oráculo de Delfos).
Al pronosticar la demanda de un producto, una buena fuente de información subjetiva es la fuerza de ventas de
la compañía. Ésta tiene contacto directo con los consumidores y, en consecuencia, está en buena posición para
ver los cambios de preferencias. Para desarrollar un pronóstico compuesto por la fuerza de ventas, los
miembros de ésta presentan estimados de ventas de los productos que manejarán en el año siguiente. Esos
estimados podrían ser uno o varios números, como por ejemplo, estimado pesimista, más probable y optimista.
2
2. Encuestas entre consumidores.
Con estas encuestas se pueden conocer las tendencias en el futuro y los patrones de cambio de preferencias.
Sin embargo, para ser efectivas, las encuestas y los planes de muestreo deben diseñarse con cuidado para
garantizar que los datos resultantes sean estadísticamente insesgados y representativos de la base de clientes.
Los cuestionarios mal diseñados o un esquema inválido de muestreo pueden dar lugar a conclusiones
equivocadas.
Cuando no hay historia, como en los productos nuevos, la opinión experta puede ser la única fuente de
información para preparar los pronósticos. En este caso el método es combinar en forma sistemática las
opiniones de los expertos para deducir un pronóstico. Para planear nuevos productos se deben solicitar las
opiniones del personal en las áreas funcionales de mercadeo, finanzas y producción. La combinación de los
pronósticos individuales puede realizarse en varias formas. Una de ellas es pedir a los ejecutivos que se reúnan
como un grupo para llegar a un consenso.
Estos tipos de métodos de pronósticos pueden ser: 1) modelos causales, 2) métodos de serie de tiempo, 3)
métodos de promedios móviles simples, 4) métodos de promedios móviles ponderados, 5) método de
suavizamiento exponencial y 6) análisis de regresión. Los modelos 1 y 2 serán tratados brevemente aquí y los
métodos de los puntos 3 al 6 serán tratados en otros apartados de la unidad.
1. Modelos causales.
Los modelos casuales son aquellos que usan datos de otras fuentes que la serie que se predice; esto es, puede
haber otras variables cuyos valores, se enlazan de cierta manera a lo que pronostica.
Sean Y que representa el fenómeno que se trata de pronosticar, y X 1, X2, Xn las n variables que se cree se
relacionan con Y. Entonces, un modelo causal es aquél en el que el pronóstico para Y es alguna función de
esas variables, digamos.
Los modelos econométricos (usados para predecir situaciones sobre la economía) son modelos causales
especiales en los que la relación entre Y y (X1,X2,...,Xn) es lineal, esto es
3
Y = α0 + α1 X1 + α2 X2 + ... +αn Xn
Para ciertas constantes (α1, ..., αn). El método de los mínimos cuadrados es el que se usa con más frecuencia
para determinar estimadores para las constantes.
Consideramos un ejemplo sencillo de un modelo casual de pronóstico. Un agente de bienes raíces trata de
estimar sus ingresos para el año siguiente. Ha determinado en el pasado que sus ingresos se aproximan a ser
proporcionales a la cantidad total de ventas de vivienda en su territorio. También ha observado que
normalmente hay una relación estrecha en las ventas de viviendas y las tasas de interés para hipotecas de
casas.
Y1 = α0 + α1 Xt-1,
es la que Yt es el número total de ventas y X t-1, es la tasa de interés en el año t-1. con base en datos anteriores
podría determinar los estimadores de cuadrados mínimos para las constantes α 0 y α1. Supongamos que los
valores actuales de estos estimadores son α 0 = 385.7 y α1 = 1.878. por consiguiente, la relación estimada entre
las ventas de viviendas y los intereses hipotecarios es
siendo Xt-1 la tasa de interés del año anterior, expresada en tanto por uno. Entonces, si la tasa actual de interés
es de 10%, el modelo predeciría que el número de ventas durante el año siguiente, en su territorio, sería 385.7
– 187.8 = 197.9, aproximadamente 198 casas vendidas.
Los modelos causales de este tipo son comunes para predecir fenómenos económicos, como el PIB (producto
interno bruto). Instituciones como el Instituto Tecnológico de Massachussets y la Escuela Wharton de
Administración, en la Universidad de Pennsylvania, han desarrollado modelos econométricos de predicción para
pronosticar valores de las variables macroeconómicas.
Este tipo de métodos sólo usa valores del fenómeno que se predice. A estos métodos se les llama con
frecuencia métodos ingenuos, porque no requieren información adicional a los valores, en el pasado, de la
variable que se va a predecir. El término serie de tiempo, o serie temporal, tan sólo es un término rebuscado
para indicar un grupo de observaciones de cierto fenómeno económico o físico evaluado en puntos discretos en
el tiempo, casi siempre igualmente espaciados. La idea es que se puede inferir la información a partir del
comportamiento de las observaciones pasadas, y se puede usar para pronosticar valores futuros de la serie.
Los métodos de series de tiempo se usan con más frecuencia en aplicaciones de planeación de operaciones.
En análisis de series de tiempo se trata de aislar los patrones que se presentan con más frecuencia. Entre ellos
mencionaremos los siguientes:
1.- Tendencia. Es la tendencia de una serie de tiempo a presentar un patrón estable de crecimiento o
declinación. Se distinguen la tendencia lineal (el comportamiento que describe una línea recta) y la tendencia no
lineal (el que representa una función no lineal, cono una curva cuadrática o una exponencial). Cuando no se
especifica el patrón de la tendencia, por lo general se sobreentiende que es lineal.
2.- Estacionalidad. Un patrón estacional es aquel que se repite a intervalos fijos. En las series temporales se
imagina uno, por lo general, el patrón que se repite cada año, aunque también son comunes patrones diarios,
semanales y mensuales de estacionalidad. Las modas en la ropa, el consumo de helados y el de combustible
para calefacción presentan comportamiento estacional anual. El consumo de electricidad muestra un fuerte
patrón estacional diario.
4
3.- Ciclos. La variación cíclica se parece a la estacionalidad, excepto que la longitud del ciclo puede variar. Se
asocian los ciclos con variaciones económicas a largo plazo (esto es, los ciclos de negocios) que pueden
presentarse, además de las fluctuaciones estacionales.
5
4.- Aleatoriedad. Una serie puramente aleatoria es aquella en que no hay un patrón reconocible en los datos.
Se pueden generar patrones al azar, que con frecuencia parecen tener alguna estructura. Un ejemplo es la
metodología de los corredores del mercado de la bolsa de valores, que imponen formas sobre patrones
aleatorios de datos de precio de acciones en el mercado.
El método de promedios móviles simples surge como un intento de eliminar la falta de objetividad de los
métodos subjetivos (los cuales pueden estar influenciados por la decisión de las personas influyentes del grupo
de expertos).
Se usan promedios móviles, es decir, se determina el pronóstico del período "t", usando un promedio aritmético
de los últimos "N" datos (es decir, una cantidad fija de datos, sin incluir al período que se analiza) de la
demanda del producto. Como la demanda del producto puede estar fluctuando período a período (semana a
semana, mes a mes, etc.) el promedio se va actualizando constantemente.
Por ejemplo: Si se desea calcular un promedio móvil simple de 3 meses para los datos de demanda de un
producto de los meses de Abril a Diciembre, la interpretación del cálculo de los promedios móviles simples sería
la siguiente:
Pronóstico del mes de Abril = (Demanda de Marzo + Demanda de Febrero + Demanda de Enero) / 3.
Pronóstico del mes de Mayo = (Demanda de Abril + Demanda de Marzo + Demanda de Febrero) / 3.
Pronóstico del mes de Junio = (Demanda de Mayo + Demanda de Abril + Demanda de Marzo) / 3.
6
Y así se continúa hasta que para el mes de Diciembre se tiene lo siguiente:
7
Pronóstico del mes de Diciembre = (Demanda de Noviembre + Demanda de Octubre + Demanda de
Septiembre) / 3.
Con este ejemplo se observa claramente que el pronóstico de cada mes se usa con una cantidad fija de datos
de demanda del producto (3), pero los datos usados van cambiando mes a mes (esta es la razón de que se
llaman promedios móviles simples).
Para determinar el % de error del pronóstico, se calcula el valor absoluto del error individual con la fórmula: ei
= Ft - Dt y se calcula la Desviación Absoluta Media (DAM) con la formula siguiente: DAM = ei / n
Para ejemplificar lo expresado anteriormente en palabras, se interpreta con fórmulas de la manera siguiente:
Una compañía fabrica podadoras de pasto y las ventas (demanda del producto) del año anterior fueron las
siguientes:
Determinar los pronósticos de los meses de Abril a Diciembre (3 meses) y de los meses de Junio a Diciembre (5
meses), incluyendo su % de error.
8
Para determinar los pronósticos se codifican los meses de la forma siguiente:
De la misma forma:
F7 = 323 (redondeado)
F8 = 332 (redondeado)
F9 = 290 (redondeado)
9
1.4. Método de promedios móviles ponderados.
El método de promedios móviles ponderados, surge como un intento de refinamiento del método de promedios
móviles simples. Aunque no se especifica claramente en el método de promedios móviles simples, el usar un
promedio aritmético, equivale a darle la misma ponderación o importancia a los datos de demandas usadas
para calcular los pronósticos de cada período.
Por ejemplo: Al usar los promedios móviles simples de 3 meses, esto significa que los datos de demanda de
cada mes tienen la misma ponderación (33.33 % para cada mes que sumados equivalen al 100 %).
Esto significa que: D3 contribuye con 33.33 %, D2 contribuye con 33.33 % y D1 contribuye con 33.33 % para la
estimación de pronóstico del mes de abril. En la realidad, asumir que todos los datos tienen la misma
ponderación puede conducir a graves errores en el cálculo de los pronósticos.
El Método de promedios móviles ponderados maneja diferentes ponderaciones para cada mes. Usualmente la
mayor ponderación se agrega al "último mes", una menor ponderación al "penúltimo mes" y una más baja
ponderación al "antepenúltimo mes".
Por ejemplo: Si se desea calcular un promedio móvil ponderado (50%, 30% y 20%) para los datos de demanda
de un producto de los meses de Abril a Diciembre, la interpretación del cálculo de los promedios móviles
simples sería la siguiente:
Pronóstico de Abril = (Demanda de Marzo * 0.5 + Demanda de Febrero * 0.3 + Demanda de Enero * 0.2) / 3.
Pronóstico de Mayo = (Demanda de Abril * 0.5+ Demanda de Marzo *0.3 + Demanda de Febrero * 0.2) / 3.
Pronóstico de Junio = (Demanda de Mayo * 0.5 + Demanda de Abril * 0.3 + Demanda de Marzo * 0.2) / 3.
Con este ejemplo se observa claramente que el pronóstico de cada mes se usa con una cantidad fija de datos
de demanda del producto (3), pero los datos usados van cambiando mes a mes, y al último mes se le da la más
alta ponderación, después al penúltimo mes y finalmente la más baja ponderación al antepenúltimo mes (esta
es la razón de que se llaman promedios móviles ponderados).
10
Para determinar el % de error del pronóstico, se calcula el valor absoluto del error individual con la fórmula: ei
= Ft - Dt y se calcula la Desviación Absoluta Media (DAM) con la formula siguiente: DAM = ei / n
Una compañía fabrica podadoras de pasto y las ventas (demanda del producto) del año anterior fueron las
siguientes:
F4 = (D3 x 0.50 + D2 x 0.30 + D3 x 0.20) F4 = (195 x 0.50 + 220 x 0.30 + 238 x 0.20)
F4 = 211 (redondeado)
De la misma forma:
Los porcentajes dados pueden variar no solo 50, 30 y 20….pueden darse otros % diferentes para
conseguir una DAM que se ajuste mejor…….en este caso es mejor la de 76.67
11
1.5. Método de suavización exponencial
El método de suavizamiento exponencial es un método objetivo de pronóstico, que trata de evitar que un dato
de demanda del producto anormalmente alto o anormalmente bajo (es decir, que el valor de demanda extraño,
no se puede considerar representativo de los consumos históricos de demanda de un producto), afecte la
estimación de pronósticos de demandas futuras de varios períodos. Al usar los datos de la demanda real y el
pronóstico del mes inmediato anterior, la posible afectación que los datos anormales pudieran causar, incide en
el pronóstico de un solo mes.
Cuando se tiene un dato extraño y se usa dicho valor para calcular pronósticos por promedios móviles simples
y/o ponderados, dicho valor afecta todos los valores de pronósticos futuros donde aparezca este valor.
Ejemplo. Suponer que se tienen los siguientes datos de demanda de agua de un hogar:
Enero (5 m3), Febrero (8 m3), Marzo (12 m3), Abril (10 m3), Mayo (15 m3), Junio (23 m3), Julio (4 m3) y Agosto (19
m3).
El comportamiento de la demanda de agua a partir del Mes de Mayo se puede interpretar a la alza, debido al
uso de aires lavados, enfriadores, etc. (comportamiento normal). Al revisar el dato de consumo del mes de Julio
(4 m3), este valor es atípico (extraño), es decir que no es un consumo que se pueda considerar normal
(necesita ser investigado para determinar la causa que lo originó).
Si uso el valor de demanda de agua del mes de Julio, para calcular los pronósticos de demanda futuras de los
meses de Agosto hacia adelante usando promedios móviles simples y ponderados me afecta grandemente en
los pronósticos de los meses siguientes.
Si uso el valor de demanda del mes de Julio mediante suavizamiento exponencial, dicho valor sólo incide
fuertemente en el pronóstico del mes de Agosto.
Un método muy difundido para pronosticar series de tiempo es el suavizamiento exponencial. El pronóstico
actual es el promedio ponderado del último promedio y el valor real de la demanda. Esto es,
Nuevo pronóstico (Ft) = Dt-1 + (1 – ) Ft-1 (.1) (245) + (1-.1) (195) = 24.5 + 175.5 = 200
donde: Ft = Pronóstico del mes.
donde 0 < < es la constante de suavizamiento que determina el peso relativo, o factor de ponderación, que
se asigna a la observación actual de la demanda. La expresión (1-α) se interpreta como el peso que se asigna a
las observaciones pasadas de la demanda.
Para calcular el % de error del pronóstico se calcula el valor absoluto del error individual con la fórmula
siguiente: ei = Ft - Dt y se calcula la Desviación Absoluta Media (DAM) con la formula siguiente: DAM = ei
/ n donde Ft = Pronóstico del mes en cuestión y Dt = Demanda del mes en cuestión.
Escrita en esta forma vemos que la suavización exponencial se puede interpretar como sigue: el pronóstico en
cualquier periodo t es el pronóstico en el periodo t - 1, menos cierta fracción del error observado de pronóstico
en el periodo t – 1. Nótese que si el pronóstico en el periodo t – 1 fue alto, el error et-1 es positivo, y el ajuste
tiene por objeto disminuir el pronóstico. En forma parecida, si el pronóstico bajo en el periodo t-1, el error es
negativo y la finalidad del ajuste es aumentar el pronóstico actual.
12
Como antes, Ft es el pronóstico a un paso adelante para el periodo t hecho en el periodo t-1.
De hecho, se podría ajustar la curva exponencial continua g(i) = αexp(-α i) a esos factores de ponderación, y a
esto se debe que el método se llame suavizamiento exponencial. La constante de suavizamiento α desempeña
esencialmente el mismo papel en este caso que el valor de N en los promedios móviles. Si α es grande, se
asigna más peso a la observación actual de la demanda y menos a las observaciones pasadas; así se obtienen
pronósticos que reaccionan con rapidez a cambios en la conducta de la demanda, pero que pueden tener
mucho más variación de un periodo a otro. Si α es pequeña, se asigna más peso a los datos pasados, y los
pronósticos son más estables.
Cuando se usa una técnica automática de pronóstico para predecir la demanda en una aplicación de
producción, se prefiere tener pronósticos estables, es decir, pronósticos que no varíen mucho de un periodo al
siguiente. Los pronósticos de la demanda son el punto de partida para la planeación y programación de la
producción. Si se modifican mucho esos pronósticos pueden crear confusión en los programas de trabajo de los
empleados, en las listas de materiales y en los pedidos de abastecimiento externo. Por esa razón se
recomienda que el valor de α sea generalmente entre .1 y .2 en las aplicaciones a la producción.
Una compañía fabrica podadoras de pasto. Suponer F3 = 195 y las ventas (demanda del producto) del año
anterior fueron las siguientes:
13
1.6. Método de regresión lineal
El análisis de regresión puede ser usado para estimar pronósticos usando una gran cantidad de datos históricos
de demanda.
El análisis de regresión muestra una tendencia en los datos. Es un método que ajusta una recta a un conjunto
de datos, mediante la estimación estadística de los mejores parámetros (pendiente y punto de intersección) que
caracterizan o representen a un evento.
Sean (x1, y1), (x2, y2), ..., (xn, yn) "n" datos apareados para las dos variables X y Y. Supongamos que y i sea el
valor observado de Y cuando x i es el valor observado de X. Llamaremos variable dependiente a Y y variable
independiente a X. Creemos que existe una relación entre X y Y que se puede representar con una recta.
Ŷ=a+bX
Interpretaremos a Ŷ como el valor predicho de Y. El objetivo es determinar los valores de a y b tales que la recta
Ŷ = a + b X represente el mejor ajuste con los datos. Los valores de a y b se eligen de tal forma que se minimice
la suma de las distancias de los puntos ala recta de regresión elevadas al cuadrado. Cuando se aplica el
análisis de regresión a un problema de pronóstico, con frecuencia la variable independiente, es el tiempo y la
variable dependiente la serie que se pronostica. Supongamos que D 1, D2, ..., Dn son los valores de la demanda
en los tiempos 1, 2 ..., n. Los valores óptimos de a y b se definen como sigue:
Para calcular el % de error del pronóstico se calcula el valor absoluto del error individual con la fórmula
siguiente: ei = Ft - Dt y se calcula la Desviación Absoluta Media (DAM) con la formula siguiente: DAM = ei
/ n donde Ft = Pronóstico del mes en cuestión y Dt = Demanda del mes en cuestión.
14
a) Ejemplo de aplicación del método de análisis de regresión.
Una compañía fabrica podadoras de pasto y las ventas (demanda del producto) del año anterior fueron las
siguientes:
A continuación se vera una tabla comparativa de los resultados obtenidos con los 4 métodos de pronósticos
vistos en el tema anterior y en este tema.
El “Método de promedio móvil ponderado de 3 meses con 60%, 25% y 15 %” es el mejor método con el valor de
DAM más bajo 76.67, mientras que el “Método de Regresión lineal” dio el peor ajuste (207.27).
15