Pronósticos de

SCM

Logística
Empresarial
NATURALEZA DE LOS
PRONÓSTICOS
• El pronóstico de los niveles de demanda es vital para la firma
como un todo, ya que proporciona los datos de entrada para
la planeación y control de todas las áreas funcionales,
incluyendo logística, marketing, producción y finanzas.

• Los pronósticos en logística se relacionan con la naturaleza

espacial así como temporal de la demanda, el grado de
variabilidad y su aleatoriedad.
TIPOS DE PRONÓSTICOS

• Económicos: Predice, a mediano y largo plazo, tasas de inflación,

suministros de dinero y demás indicadores de planeación.

• Tecnológicos: Se refiere al progreso tecnológico, como nacimiento

de nuevos productos, por lo general se realiza a largo plazo.

• De demanda: Proyecciones de venta de productos o servicios, es

una guía para la producción, capacidad y programación desde corto
a largo plazo; contribuye con la planeación financiera, de marketing y
de personal.
DEMANDA
• La variación de la demanda en el tiempo es resultado del
crecimiento o declinación de los índices de venta, variación
estacional de patrón de demanda, así como de las fluctuaciones
generales ocasionadas por múltiples factores.

• La logística tiene tanto dimensiones de espacio como de tiempo,

por lo cual siempre existirá una demanda en el tiempo y en el
espacio.

• ¿Dónde tendrá lugar el volumen de demanda y cuándo lo hará?

Demanda regular
• La demanda es regular cuando los patrones podrán
descomponerse en componentes de tendencia, estacionales
y aleatorios.
• En tanto las variaciones aleatorias sean una pequeña porción
de la variación restante de la serie de tiempo, se obtendrá en
general un adecuado pronóstico a partir de los
procedimientos de pronósticos tradicionales.
Conceptos básicos de la
demanda regular
• Tendencia: representa el movimiento a largo plazo de las ventas
ocasionado por factores como cambios de la población, cambio
en el desempeño de marketing de la empresa y cambios
fundamentales en la aceptación del mercado de los productos y
servicios de la empresa.

• Variación estacional: se refiere a las cimas y valles regulares en la

serie de tiempo 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.
Conceptos básicos de la
demanda regular

• Variación cíclica: son las ondulaciones de largo plazo (más

de un año) en el patrón de demanda.

• Variación residual o aleatoria: es la parte de las ventas

totales que no es explicada por componentes de tendencia,
estacionalidad o cíclicos.
Demanda irregular
• Cuando la demanda para los artículos es intermitente, debido
a un bajo volumen general y a un alto grado de incertidumbre
en cuanto al momento y la cantidad en que se presentará el
nivel de demanda, se dice que la serie de tiempo es
desproporcionada o irregular.
• Los productos que se están introduciendo o retirándose de la
línea de productos.
Demanda derivada (dependiente)
vs demanda independiente
• La naturaleza de la demanda puede diferir en gran medida,
dependiendo de la operación de la empresa.

• La demanda independiente es generada por parte de muchos clientes,

la mayoría de los cuales adquiere en forma individual una fracción del
volumen total distribuido por la empresa.

• La demanda dependiente es derivada a partir de los requerimientos

especificados en un programa de producción. (explosión de materiales)

• El pronóstico de los requerimientos mediante el procedimiento de

demanda derivada da por resultado pronósticos perfectos en la medida
en que la demanda de producto final se conozca con certeza.
MÉTODOS DE PRONÓSTICO

De todos los métodos de pronósticos, cada uno va a diferir en

términos de la precisión relativa en el pronóstico sobre el largo
plazo y el corto plazo, en el nivel de sofisticación cuantitativa
utilizada y en la base lógica (información histórica, opinión
experta o encuestas) de la que se deriva el pronóstico.
MÉTODOS DE PRONÓSTICO
Métodos cualitativos
• Los métodos cualitativos utilizan el juicio, la intuición, las encuestas o
técnicas comparativas para general estimados cuantitativos acerca del
futuro.

• La información histórica tal vez esté disponible o quizá no sea muy

relevante para el pronóstico.

• Estos métodos pueden ser los únicos disponibles cuando se intenta

predecir el éxito de nuevos productos, cambios en la política
gubernamental o el impacto de una nueva tecnología. Son métodos
más bien adecuados para pronósticos de mediano a largo plazo.
MÉTODOS DE PRONÓSTICO
Métodos causales
• El nivel de la variable pronosticada se deriva del nivel de otras variables
relacionadas.

• En la medida que puedan describirse adecuadas relaciones de causa y

efecto, los modelos causales pueden ser bastante buenos para anticipar
cambios mayores en las series de tiempo y para pronosticar de manera
precisa sobre un periodo de mediano a largo.

• Un problema principal con esta categoría de modelos de pronóstico es

que con frecuencia resulta difícil encontrar verdaderas variables
causales. El tiempo para adquirir la información para las variables
conducentes consume todo el tiempo o la mayor parte del periodo.
MÉTODOS DE PRONÓSTICO
Métodos de proyección histórica
• Se dispone de una cantidad razonable de información histórica y
las variaciones de tendencia y estacionales en las series de tiempo
son estables y bien identificadas,

• Muy efectivo para el pronóstico para el corto plazo.

• La premisa básica es que el patrón del tiempo futuro será una

réplica del pasado, al menos en gran parte.
MÉTODOS DE PRONÓSTICO
Métodos de proyección histórica
• La precisión que puede lograrse para periodos de pronósticos
menores a seis meses por lo general es buena.

• Son de naturaleza reactivas los modelos que rastrean cambios al

ser actualizados a medida que se dispone de nueva información,
característica que les permite adaptarse a los cambios en los
patrones de tendencia y estacionales.

• Si el cambio es rápido, los modelos no emiten una señal del

cambio, sino hasta que éste ha ocurrido.
TÉCNICAS ÚTILES
• Los pronósticos para periodos mediano y largo por lo regular se le
proporcionan al responsable de logística.

• Los pronósticos de corto plazo que ayudan en el control de

inventarios, programación de envíos, planeación de la carga de
almacén y similares.

• Los modelos de series de tiempo pueden ser superiores a los

modelos causales.

• La complejidad de los modelos de pronóstico no incrementa la

precisión predictiva.
Nivelación o
ajuste
exponencial
Nivelación o ajuste exponencial
• Una de la técnica más útil para el pronóstico de corto plazo

• Se trata de 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.
Nivelación o ajuste exponencial
Por conveniencia podemos escribir este modelo de “sólo de nivel”
como

• Ft+1 = α At + (1-α)Ft

Donde
t = periodo de tiempo presente
α = constante de ajuste exponencial entre 0 y 1
At = demanda en el periodo t
Ft = pronóstico para el periodo t
Ft+1 = pronóstico para el periodo siguiente a t, o el siguiente periodo
Nivelación o ajuste exponencial

• La constante de suavizamiento, α, se encuentra generalmente

en un intervalo de .05 a .50 para aplicaciones de negocios.
Puede cambiarse para dar más peso a datos recientes (cuando
α es alta) o más peso a datos anteriores (si α es baja).

• Se eligen valores altos de α cuando el promedio subyacente

tiene probabilidades de cambiar. Se emplean valores bajos de
α cuando el promedio en que se basa es bastante estable.
Nivelación o ajuste exponencial
• Cuando más alto sea el valor de α, mayor será la ponderación que se otorgue
sobre los niveles más recientes de la demanda.

• Esto permite que el modelo responda más rápido a los cambios en la serie de
tiempo.

• Un valor de α demasiado alto puede volver “nervioso” al pronóstico y rastrear

variaciones aleatorias en la serie de tiempo en vez de los cambios
fundamentales.

• Cuando más pequeño sea el valor de α, mayor será el peso otorgado a la

historia de la demanda para el pronóstico de la demanda futura y mayor serpa
el retraso de tiempo para responder a los cambios fundamentales en el nivel
de la demanda.
Nivelación o ajuste exponencial
• Los valores acordados para α típicamente can de 0.01 a 0.3,
aunque es posible utilizar valores más altos para periodos
cortos cuando se presenten cambios anticipados.

• 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.
Nivelación o ajuste exponencial
Ejemplo 1
Suponga que 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. Calcule el
valor esperado para la demanda del siguiente mes.

Pronóstico nuevo = 0.3(950) + 0.7(1,000)

= 985 unidades

(Este pronóstico se vuelve el pronóstico anterior cuando el

procedimiento se repita el próximo mes. Y así sucesivamente.)
Nivelación o ajuste exponencial

Ejemplo 2
La siguiente información trimestral representa una serie de tiempo de
la demanda para un producto:
Trimestre
1 2 3 4
Año pasado 1,200 700 900 1,100
Este año 1,400 1,000 F3=?

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 año pasado.

Por ello, F0 = (1,200+700+900+1,100)/4 = 975.

Nivelación o ajuste exponencial

El pronóstico para el primer trimestre del este año es

F1 = 0.2A0 + (1-0.2) F0
= 0.2(1,100) + 0.8(975)
=1,000
El pronóstico para el segundo trimestre del este año es
F2 = 0.2A1 + (1-0.2) F1
= 0.2(1,400) + 0.8(1,000)
=1,080
El pronóstico para el tercer trimestre del este año es
F3 = 0.2A2 + (1-0.2) F2 Trimestre
= 0.2(1,000) + 0.8(1,080) 1 2 3 4
Año pasado 1,200 700 900 1,100
=1,064
Este año 1,400 1,000
Pronóstico 1,000 1,080 1,064
 Nivelación o
ajuste exponencial
con corrección de
tendencia
Corrección por tendencia

• El modelo básico de ajuste exponencial da buenos resultados

cuando se aplica a un patrón de series de tiempo o cuando
los cambios en los componentes de tendencia y
estacionalidad no son tan grandes.

• 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 que deben ser corregidos.
Corrección por tendencia

• La versión de tendencia corregida del modelo es un conjunto de

ecuaciones que pueden expresarse como:
St+1 =α At + (1-α)(St+Tt)
Tt+1 = β(St+1 –St) +(1-β)Tt
Ft+1 = St+1 + Tt+1
donde:
Ft+1 = pronóstico con tendencia corregida para el período t+1
St = pronóstico inicial para el periodo t
Tt = tendencia para el periodo t
β =constante de ajuste de tendencia entre 0 y 1
Corrección por tendencia
Ejemplo 3:
• Con los datos del ejemplo anterior, seguiremos buscando
tener un pronóstico para el tercer periodo de este año, pero
con una corrección por tendencia. Utilizaremos un valore
arbitrario de inicio de St= 975 (el promedio de la demanda
del último año) y Tt=0 (sin tendencia). La constante de ajuste β
se supone 0.3 y α permanece en el valor previo de 0.2.
Trimestre
1 2 3 4
Año pasado 1,200 700 900 1,100
Este año 1,400 1,000 F3=?
 Corrección por tendencia
El pronóstico para el primer trimestre de este año es:
S1 =0.2(1,100) + 0.8(975 + 0) = 1,000 Trimestre
1 2 3 4
T1 = 0.3(1,000 - 975) + 0.7(0) = 7.5 Año pasado 1,200 700 900 1,100
F1 = 1,000 + 7.5 = 1,007.5 Este año 1,400 1,000
Pronóstico 1,008

Utilizando los resultados del primer trimestre, el pronóstico para el

segundo trimestre de este año es
S2 =0.2(1,400) + 0.8(1,000 + 7.5) = 1,086 Trimestre
1 2 3 4
T2 = 0.3(1,086 – 1,000) + 0.7(7.5) = 31.05 Año pasado 1,200 700 900 1,100
F2 = 1,086 + 31.05 = 1,117.05 Este año 1,400 1,000
Pronóstico 1,008 1,117
Corrección por tendencia
Utilizando los resultados del segundo trimestre, el pronóstico
para el tercer trimestre de este año es
S3 =0.2(1,000) + 0.8(1,086 + 31.05) = 1,093.64
T3 = 0.3(1,093.64 – 1,086) + 0.7(31.05) = 24.03
F3 = 1,093.64 + 24.03 = 1,117.67 ó 1,118

Trimestre
1 2 3 4
Año pasado 1,200 700 900 1,100
Este año 1,400 1,000
Pronóstico 1,008 1,117 1,118
Descomposición
clásica de series de
tiempo y modelo de
regresión
Resolución por
medio de Excel
Descomposición clásica de series
de tiempo y modelo de regresión
Ejemplo:
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 de
producto. La información de ventas trimestrales para los últimos
tres años se muestra a continuación:

a) Determine la mejor tendencia de línea recta utilizando análisis

de regresión simple (Excel).
b) Mediante la descomposición clásica de series de tiempo,
pronostique las ventas para los siguientes cuatro trimestres
Descomposición clásica de series
de tiempo y modelo de regresión
Paso 1:
Ordenar los datos del más antiguo al más reciente.
Hace tres años Hace dos años Hace un año
Trimestre Unidades Trimestre Unidades Trimestre Unidades
1 27,000 1 30,000 1 34,000
2 70,000 2 73,000 2 82,000
3 41,000 3 48,000 3 51,000
4 13,000 4 15,000 4 16,000
Descomposición clásica de series
de tiempo y modelo de regresión
Paso 2:
Separar los periodos a evaluar (acá lo pueden realizar por
estaciones o ciclos que se repiten período tras período), para el
ejemplo será en trimestres:

Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4

Año Unidades Año Unidades Año Unidades Año Unidades
1 27,000 1 70,000 1 41,000 1 13,000
2 30,000 2 73,000 2 48,000 2 15,000
3 34,000 3 82,000 3 51,000 3 16,000
4 ??? 4 ??? 4 ??? 4 ???
Descomposición clásica de series
de tiempo y modelo de regresión
Paso 3:
Graficar cada uno de los periodos seleccionados, acá
graficaremos únicamente un trimestre para fines didácticos, el
ejemplo resuelto lo podrá encontrar en el portal. Para graficar
utilice los siguientes pasos:
Insertar -› Insertar gráfico de dispersión -› Dispersión Unidades
40,000

Trimestre 1 35,000

Año Unidades 30,000

1 27,000 25,000

20,000
2 30,000
15,000
3 34,000
10,000
4 ???
5,000

0
0 0.5 1 1.5 2 2.5 3 3.5
Descomposición clásica de series
de tiempo y modelo de regresión
Paso 3:
Agregue la línea de tendencia, para esto da clic derecho sobre
cualquier dato y selecciona la opción: Agregar línea de
tendencia
Descomposición clásica de series
de tiempo y modelo de regresión
Paso 4:
Se desplegará el menú de
Formato de línea de tendencia
(sin no se desplega puede dar
clic derecho sobre los datos y
seleccionar el formato de línea de
tendencia), acá selecciona la
opción que considere que se
ajuste mejor a los datos y
selecciona también: Presentar
ecuación del gráfico
 Descomposición clásica de series
de tiempo y modelo de regresión
Paso 5:
Copiar la ecuación del gráfico y sustituir valores, cada período
representa un valor de X y los valores de Y representan los
pronósticos encontrados con ese modelo
Unidades
40,000

35,000
y = 3500x + 23333 Trimestre 1
30,000
Año Unidades Fórmula Pronóstico
25,000
1 27,000 y = 3500 * 1 + 23333 26,833
20,000
2 30,000 y = 3500 * 2 + 23333 30,333
15,000

10,000
3 34,000 y = 3500 * 3 + 23333 33,833
5,000
4 ??? y = 3500 * 4 + 23333 37,333
0
0 0.5 1 1.5 2 2.5 3 3.5
 Error del
pronóstico
Definición del error de pronóstico

• En la medida que el futuro no es reflejado perfectamente por el

pasado, el pronóstico de la demanda futura por lo general tendrá
cierto grado de error.

• 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, aunque la más
ampliamente utilizada es la desviación estándar.
Definición del error de pronóstico
• El error del pronóstico se puede calcular obteniendo el valor
absoluto de la resta del pronóstico de un periodo menos la
demanda real, se utilizar el valor absoluto para evitar variación

Opción 1: Error = ABS(Pronóstico – Demanda real)

Opción 2: Error = ABS(Demanda real - Pronóstico)

Trimestre 1 Trimestre 1
Año Unidades Pronóstico Error Relativo Año Unidades Pronóstico Error Absoluto
1 27,000 26,833 -167 1 27,000 26,833 167
2 30,000 30,333 333 2 30,000 30,333 333
3 34,000 33,833 -167 3 34,000 33,833 167
4 ??? 37,333 4 ??? 37,333
Error total -1 Error total 667
Desviación absoluta media (MAD)

• Es la medida del error global de pronósticos para un modelo.

• Se calcula sumando los valores absolutos de errores

individuales y dividiendo el resultado en el número de
periodos con datos:

MAD = Σ |Real – Pronóstico|

n
Desviación absoluta media (MAD)

MAD = Σ |Real – Pronóstico|

n

Trimestre 1
Año Unidades Pronóstico Error Absoluto
1 27,000 26,833 167
2 30,000 30,333 333
3 34,000 33,833 167
4 ??? 37,333
Error total 667
Fórmula MAD 667/3
MAD 222.33
Monitoreo del error de
pronóstico
• Una de las ventajas más notables del uso del ajuste exponencial para el
pronóstico de corto plazo es su capacidad de adaptarse a los patrones
cambiantes en la serie de tiempo.

• Lo bien que el modelo mantenga su precisión se relaciona directamente

con el valor de la constante de ajuste en cualquier punto en el tiempo.

• El monitoreo del error de pronóstico consiste en realizar ajustes en los

valores de las constantes de ajuste cada cierto período de tiempo.

• La señal de seguimiento es una comparación, por lo general una

proporción, del error de pronóstico actual para un promedio de los errores
de pronóstico pasados.
Monitoreo del error de
pronóstico
• Las constantes de nivelación exponencial pueden ser recalculadas
o especificadas de nuevo si la proporción excede un límite de
control específico.

• Los mejores valores de constantes de nivelación son los que

minimizan el error de pronóstico en el tiempo para una serie de
tiempo estable.

• Los modelos de adaptación que permiten que las constantes de

ajuste se revisen en forma continua se desempeñan bien cuando la
serie de tiempo de la demanda está cambiando muy rápido, pero
no parece desempeñarse bien durante periodos estables.
Problemas
especiales de
predicción para
los responsables
de logística
Problemas especiales de predicción
para los responsables de logística
Arranque
• El responsable de logística con frecuencia enfrenta el problema de
predecir los niveles de requerimientos para los productos y
servicios para los que no existe historia.

• Primero, ponga la estimación inicial en manos del personal de

marketing hasta que se comience a desarrollar un historial de
ventas. Segundo, se podría hacer un estimado a partir del patrón
de demanda de productos similares dentro de la línea. Tercero, si
el modelo de nivelación exponencial se utiliza para pronosticar, la
constante de ajuste exponencial se puede fijar en un nivel alto (0.5
o mayor) durante el periodo inicial de pronóstico.
Problemas especiales de predicción
para los responsables de logística
Demanda irregular

• Representa la condición donde existe tanta variación aleatoria en el

patrón de demanda que puede opacar para los patrones de tendencia y
estacionalidad.

• Dos o tres veces la desviación estándar de la información histórica

excede el pronóstico.

• El patrón de demanda está dominado por grandes y esporádicos

pedidos del cliente; la demanda puede derivarse de la demanda de
otros productos o servicios; el pico estacional no se ha tomado en
cuenta; o el patrón de demanda pudiera ser resultado de información
excepcional, personas externas o condiciones poco comunes.
Problemas especiales de predicción
para los responsables de logística
Demanda irregular
• Para tratarlos, primero busque motivos evidentes para la irregularidad y utilícelos para
generar el pronóstico.

• Separe el pronóstico de los productos con demanda irregular de los que muestran un
patrón regular y utilice métodos de pronóstico adecuados para cada uno.

• No reaccione en forma rápida a los cambios en el patrón de demanda para tales

productos o servicios si no se han podido encontrar causas atribuibles para los
desplazamientos de demanda.

• Tercero, debido a que la demanda irregular con frecuencia se presenta en artículos de

baja demanda, la exactitud del pronóstico puede no ser un asunto demasiado
relevante y se puede controlar al manejar un poco más de inventario.
Problemas especiales de predicción
para los responsables de logística
Pronóstico regional

• Facilita en sobremanera los pronósticos para el área

comercial, pero complica a la parte de operaciones y logística.

• Pronosticar todas las demandas en forma simultánea con

frecuencia será más exacto que la suma de los pronósticos
regionales individuales.
Pronósticos de colaboración
El pronóstico de colaboración se refiere al desarrollo de pronósticos
utilizando las entradas de múltiples participantes, ya sea que ellos
provengan de distintas áreas funcionales dentro de una misma
empresa (marketing, operaciones, logística, finanzas, compras, etc.)
o de distintos miembros de un canal de suministros.

Las bases para un adecuado pronóstico de colaboración son:

• Alguien debe ser líder del proceso y proporcionar la comunicación
necesaria y los calendarios de juntas de grupo.

• Deberán identificarse los tipos de información necesaria para el

pronóstico, así como los procesos para obtenerla, incluyendo el
momento, las cantidades y la(s) persona(s) responsables.
Pronósticos de colaboración
• Se requieren métodos para traducir el pronóstico final en la
forma que la necesita cada parte, como ventas, envíos y SKUs
en total, y por cliente, cuenta, territorio de servicio, etc.

• Deberá disponerse de un proceso para revisar y actualizar el

pronóstico sobre una base de tiempo real.

• Deberán establecerse medidas para evaluar el pronóstico y

para determinar si el pronóstico de colaboración representa
una mejora por encima de los métodos tradicionales.
Pronósticos de colaboración

• Los beneficios para cada parte del pronóstico de

colaboración deberán ser obvios y reales.

• La colaboración eficaz requiere coparticipación, coordinación,

compromiso y entendimiento de que no es fácil de lograr.
Flexibilidad y rápida respuesta:
una alternativa para el pronóstico
• Al reconocer que no existe un mejor pronóstico sino que esperar
hasta que la demanda del cliente se materialice, es una base para
responder en forma precisa a la demanda.

• Si los procesos de la cadena de suministros pueden hacerse

flexibles y que respondan rápidamente a los requerimientos de
demanda, tendremos poca necesidad de pronósticos.

• Modificar la naturaleza de la cadena de suministros para que los

procesos puedan responder en forma flexible y eficiente a los
requerimientos específicos de cada solicitud del cliente, y que esto
se haga de manera casi instantánea, hace que los pronósticos sean
innecesarios.
 ¿Dudas o
consultas?