UNIVERSIDAD CATÓLICA DE SANTA MARÍA

PRÁCTICA

5
LOGÍSTICA INTEGRADA Y CADENA DE
ABASTECIMIENTOS
Ingeniería Industrial - VIII SEMESTRE

PRONÓSTICOS

OBJETIVOS

• Comprender la importancia de un pronóstico para la toma de decisiones en una empresa.

RECURSOS

• Guía de Prácticas
• Computadora

DURACIÓN DE LA PRÁCTICA

• Una sesión (2 horas)

MARCO TEÓRICO

1. PRONÓSTICO

➢ Es una predicción de acontecimientos futuros que se utiliza con propósitos de planificación.

➢ Consiste en la estimación y el análisis de la demanda futura para un producto en particular,
componente o servicio, utilizando inputs como ratios históricos de venta, estimaciones de
marketing e información provisional, a través de diferentes técnicas de previsión, con el
propósito de planificar.
2. TÉCNICAS PARA EL RESPONSABLE DE LOGÍSTICA
Varios segmentos de la organización requieren información pronosticada, en especial el pronóstico
de ventas, la actividad de pronosticar por lo general se centraliza en las áreas de marketing,
planeación o análisis económico de la empresa. Los pronósticos para periodos mediano y largo por
lo regular se le proporcionan al responsable de la logística. A menos que exista la necesidad de
desarrollar pronósticos específicos de largo plazo, la labor del responsable de la logística estará
limitada a los pronósticos de corto plazo que ayudan en el control de inventarios, programación de
envíos, planeación de la carga de almacén y similares.

En numerosos estudios se ha demostrado que los modelos "simples" de la variedad de series de

tiempo con frecuencia predicen tan bien o mejor que las versiones más sofisticadas y complejas.

Se detallan tres metodologías básicas de pronóstico de series de tiempo:

1. NIVELACIÓN DE AJUSTE EXPONENCIAL

a) Nivelación o ajuste exponencial

Tal vez, la técnica más útil para el pronóstico de corto plazo sea el ajuste exponencial.

Es un tipo de promedio móvil, donde las observaciones pasadas no reciben la misma

ponderación. En vez de ello, las observaciones que son más recientes reciben mayor
ponderación que las anteriores.
Puede reducirse a una simple expresión que incluye sólo al pronóstico del periodo más
reciente y a la demanda real para el periodo actual.

donde α es un factor de ponderación, comúnmente denominado como la constante de ajuste

exponencial, con valores entre 0 y 1. Obsérvese que el efecto de toda la historia está incluido
en el pronóstico anterior, de manera que sólo se requiere conservar un número en todo
momento para representar la historia de la demanda.

La elección del valor adecuado para la constante de ajuste exponencial requiere un grado de
discernimiento.

Los valores acordados para α típicamente van de 0.01 a 0.3, aunque es posible utilizar valores
más altos para periodos cortos cuando se presenten cambios anticipados, como una recesión,
una campaña promocional agresiva pero temporal, la suspensión de algunos productos en la
línea, o el inicio del procedimiento de pronóstico cuando no se dispone de ventas históricas o
éstas son muy pocas. Una buena regla cuando se busca un valor para α es seleccionar uno que
permita al modelo de pronóstico identificar los cambios principales que ocurren en las series
de tiempo y promediar las fluctuaciones aleatorias.
Esta será una α para minimizar el error de pronóstico.
b) Corrección por tendencia

Cuando existe una tendencia importante o un patrón estacional significativo en la

información, el retraso inherente de pronóstico en este tipo de modelo puede arrojar errores
inaceptables de pronóstico. Por fortuna, el modelo puede extenderse para proporcionar un
mejor seguimiento cuando los elementos de tendencia y de estacionalidad son
significativos a partir de la aleatoriedad de la información.

La corrección del modelo básico para pronosticar retrasos de tiempo debidos a la tendencia es
una simple modificación de forma al modelo de "sólo nivel" en la ecuación

c) Corrección por tendencia y estacionalidad

Además de la tendencia, también pueden considerarse los efectos de las fluctuaciones

estacionales. Deben cumplirse dos condiciones.

1. Debe existir una razón conocida para los picos y valles periódicos en el patrón de la
demanda, y estos picos y valles deben presentarse en el mismo tiempo cada año.
2. La variación estacional debe ser mayor que las variaciones aleatorias, o "ruido".

Si la demanda estacional no es estable, significativa ni discernible con respecto de las

variaciones aleatorias, entonces se vuelve extremadamente difícil el desarrollo de un modelo
que prediga en forma precisa la dirección de la demanda del siguiente periodo. Si éste es el
caso, una forma básica del modelo de nivelación exponencial, con un alto valor para la
constante de ajuste para reducir los efectos del retraso, podrá generar un menor error de
pronóstico que con el modelo más complicado. Se requiere cautela en la selección del modelo.

El modelo de ajuste de tendencia-estacionalidad se construye alrededor del concepto de

pronosticar el índice de la demanda real a la tendencia, y luego se desestacionaliza para
generar el pronóstico.
d) Definición del error de pronóstico

En la medida en que el futuro no es reflejado perfectamente por el pasado, el pronóstico

de la demanda futura por lo general tendrá cierto grado de error. Dado que el ajuste
exponencial es una predicción de la demanda promedio, se busca proyectar un rango dentro
del cual caerá la demanda real. Esto requiere un pronóstico estadístico.
El error en el pronóstico se refiere a lo cerca que se halla el pronóstico del nivel de demanda
real. Se expresa adecuadamente· en forma estadística como desviación estándar,
varianza o desviación absoluta media

El error de pronóstico se define como

Error de pronóstico = Demanda real - Demanda pronosticada (8-10)

La expresión para esta desviación estándar es

2. DESCOMPOSICÓN CLÁSICA DE SERIES DE TIEMPO

El pronóstico clásico por descomposición de series de tiempo está construido sobre la filosofía
de que un patrón de ventas históricas puede descomponerse en cuatro categorías: tendencia,
variación estacional, variación cíclica y variación residual o aleatoria. La tendencia representa
el movimiento a largo plazo de las ventas ocasionado por factores como cambios en la
población, cambios en el desempeño de marketing de la empresa y cambios fundamentales en
la aceptación del mercado de los productos y servicios de la empresa. La variación estacional
se refiere a las cimas y valles regulares en la serie de tiempo que por lo general se repiten
cada 12 meses. Las fuerzas que causan esta variación regular incluyen cambios climáticos,
patrones de compra controlados por fechas del calendario y por la disponibilidad de los bienes.

3. ANÁLISIS DE REGRESIÓN MÚLIPLE

El análisis de regresión múltiple es una técnica estadística que ayuda a determinar el grado de
asociación entre un número de variables seleccionadas y la demanda. A partir de este análisis,
se desarrolla un modelo que puede utilizar más de una variable para predecir la demanda
futura.
La información sobre las variables de predicción (independientes) luego se convierte mediante
la ecuación de regresión para proporcionar un pronóstico de demanda.
 ACTIVIDADES EN CLASE

1. Se pronosticó un nivel de demanda de 1,000 unidades para el presente mes. La demanda real
para el mes presente son 950 unidades. El valor de la constante de ajuste es = 0.3. Calcular el
valor esperado para la demanda del siguiente mes.

2. La siguiente información trimestral representa una serie de tiempo de la demanda para un

producto:

Trimestre
1 2 3 4
Año pasado 1200 700 900 11000
Este año 1400 1000

Quisiéramos pronosticar la demanda para el tercer trimestre de este año. Asumiremos

que α = 0.2 y que el pronóstico anterior se construye a partir del promedio de los cuatro
trimestres del último año. Calcular el pronóstico del tercer trimestre.

3. Seguimos buscando tener un pronóstico para el tercer periodo de este año, pero con una
corrección por tendencia. Asumiremos que α = 0.2 y que el pronóstico anterior se construye a
partir del promedio de los cuatro trimestres del último año y Tt=0 (sin tendencia). La constante
de ajuste β, se supone 0.3

Trimestre
1 2 3 4
Año pasado 1200 700 900 11000
Este año 1400 1000

4. Recuerde el pronóstico de "sólo nivel" que tenía la siguiente información y resultados:

Trimestre
1 2 3 4
Año pasado 1200 700 900 11000
Este año 1400 1000 Pronóstico=1064

Ahora estimemos el error estándar del pronóstico (Sf) para los dos periodos (N =2) para los
cuales se realizó el pronóstico y los valores de demanda real se encuentran disponibles.
Suponiendo que la demanda se distribuye en forma normal sobre el pronóstico, podemos
desarrollar un intervalo de confianza de 95% alrededor del pronóstico del tercer trimestre
(1064). Estimar el nivel de demanda Y, el rango de confianza para pronóstico de la demanda
actual Y.
 ACTIVIDADES DE LA PRÁCTICA

1. La compañía ACE Trucking debe determinar el número de conductores y camiones que tiene
disponibles sobre una base semanal. El programa estándar es enviar a los conductores sobre la
ruta de recolección y entrega el lunes y regresarlos al punto original el viernes. Los
requerimientos de camiones pueden determinarse a partir del volumen total que se desplazara
para la semana; sin embargo, ellos deben conocerse con una semana de anticipación para
propósitos de planeación. El volumen para las últimas 10 semanas se da a continuación:

Semana Volumen Semana Volumen

10 semanas atrás 2 056 000 5 semanas atrás 2 268 000
9 2 349 000 4 2 653 000
8 1 895 000 3 2 039 000
7 1 514 000 2 2 399 000
6 1 194 000 1 (esta semana) 2 508 000

a) Utilizando el modelo de nivelación exponencial más simple, haga una predicción sobre el
volumen esperado para la siguiente semana. [Nota: Necesitará estimar una constante de
ajuste exponencial (ex) que minimizará el error de pronóstico. Utilice las cuatro semanas
más antiguas de información para iniciar el proceso de pronóstico, es decir, encuentre Fo, y
busque ex en incrementos de 0.1.]
b) Estime el error de pronóstico (Sf). Utilice los últimos seis periodos semanales
c) Encuentre el rango sobre el cual es más probable que el volumen real varié. (Sugerencia:
Aquí deberá calcular un intervalo de confianza estadística. Suponga un intervalo de
confianza de 95 por ciento y una distribución normal de los requerimientos).

2. Suponga que la información del problema anterior fuera:

Semana Volumen Semana Volumen

10 semanas atrás 1 567 000 5 semanas atrás 2 056 000
9 1 709 000 4 2 088 000
8 1 651 000 3 1 970 000
7 1 778 000 2 1 925 000
6 1 897 000 1 (esta semana) 2 003 000

Utilizando el modelo de nivelación exponencial más simple:

a. Pronostique el volumen de la siguiente semana con un α = 0.2.
b. Estime el error en el pronóstico anterior (Sf). Utilice los últimos seis periodos semanales.
c. Construya un intervalo de confianza de 95% sobre el pronóstico suponiendo una distribución
normal en los requerimientos.

Utilizando la versión de tendencia corregida del modelo de nivelación exponencial

d. Pronostique el volumen de la siguiente semana.
En este caso con un α = β = 0.2
e. Estime el error en el pronóstico anterior (Sf). Utilice los últimos seis periodos semanales.
f. Construya un intervalo de confianza de 95% sobre el pronóstico suponiendo una distribución
normal de los requerimientos.
 EJERCICIOS PROPUESTOS

1. La compañía High-Volt Electric tiene dificultades para predecir las ventas trimestrales para su
línea de aire acondicionado para habitaciones, debido a la sustancial estacionalidad en la venta
del producto. La información de ventas trimestrales para los últimos tres años se muestra a
continuación:
HACE UN AÑO HACE DOS AÑOS HACE TRES AÑOS
Trimestre Unidades Trimestre Unidades Trimestre Unidades
1 34000 1 30000 1 27000
2 82000 2 73000 2 70000
3 51000 3 48000 3 41000
4 16000 4 15000 4 13000

a. Determine la mejor tendencia de línea recta utilizando análisis de regresión simple.

b. Determine los índices estacionales para cada trimestre utilizando los valores de línea de
tendencia en sus cálculos de índices estacionales.
c. Mediante la descomposición clásica de series de tiempo, pronostique las ventas para los
siguientes cuatro trimestres.

2. La agente de compras de un hospital ha reunido información de los últimos cinco años sobre los
precios unitarios mensuales promedio para un artículo Quirúrgico de frecuente uso.
Año pasado Hace 2 años Hace 3 años Hace 4 años Hace 5 años
Ene. 210 215 211 187 201
Feb. 223 225 210 196 205
Mar. 204 230 214 195 235
Abr. 244 214 208 246 243
May. 274 276 276 266 250
Jun. 246 261 269 228 234
Jul 237 250 265 257 256
Ago. 267 248 253 233 231
Sep 212 229 244 227 229
Oct. 211 221 202 188 185
Nov. 188 209 221 195 187
Dic. 188 214 210 191 189
Total 2 704 2 792 2 783 2 609 2 645

Ella cree que un pronóstico preciso del precio le ayudaría a mejorar la oportunidad de sus
compras. Utilizando el más antiguo de los 4 años de información como dato base, y guardando
la información más reciente (último año) para verificar la precisión del pronóstico, realice los
siguiente:
a. Grafique la información ¿Qué observaciones importantes puede hacer acerca de la
información que serían útiles para el pronóstico?
b. Construya un modelo de pronóstico de descomposición clásica de series de tiempo y
calcule el error de pronóstico (Sf).
c. Construya un modelo de ajuste exponencial (α = 0.14, β = 0.01, γ = 0.7) con componentes
de tendencia, nivel y estacionalidad, y calcule Sf para el último año.
d. Desarrolle un modelo ponderado promedio que combine ambos tipos de modelos.
 BIBLIOGRAFÍA
▪ Ronald H. Ballou, Logística. Administración de la Cadena de Suministros, Pearson Educación, -
Quinta Edición.