Pronosticodelademanda

UNIDAD II
“PRONOSTICO
DE LA
DEMANDA”
ADELA MARISOL
SIERRA GUERRERO

2.1 IMPORTANCIA ESTRATÉGICA DEL PRONÓSTICO.
¿Qué es un pronóstico?
Un pronóstico es una predicción de eventos futuros que se utiliza con propósitos de
planificación.
Las cambiantes condiciones de los negocios como resultado de la competencia mundial,
el rápido cambio tecnológico y las crecientes preocupaciones por el medio ambiente han
ejercido presiones sobre la capacidad de una empresa para generar pronósticos precisos.
Tales pronósticos son necesarios como un elemento auxiliar para determinar que recursos
se necesitan, programar los recursos ya existentes y adquirir recursos adicionales. Los
pronósticos precisos permiten que los programadores utilicen de forma eficiente la
capacidad de las maquinas, reduzcan los tiempos de producción y recorten los
inventarios.
Ejemplo:
El gerente de un restaurante de comida rápida necesita pronosticar el número de clientes
que llegaran a diferentes horas del día, y los productos que solicitaran, pues solo así
podrá programar correctamente el número requerido de cocineros y empleados de
mostrador.
Los métodos de pronóstico suelen basarse en modelos matemáticos que utilizan los datos
históricos disponibles, en métodos cuantitativos extraídos de la experiencia
administrativa o en una combinación de ambos.
2.2 CARACTERISTICAS DE LA DEMANDA.
El reto de pronosticar la demanda del cliente es una tarea difícil por que la demanda de
bienes y servicios suele variar considerablemente.
Por ejemplo, es previsible que la demanda de fertilizante para el césped aumente en los
meses de primavera y verano; sin embargo, en los fines de semana específicos en los que
la demanda es mas intensa, esta depende de factores incontrolables, como el clima. Otros
patrones son más previsibles. Así pues la demanda semanal de cortes de cabello en una
barbería de la localidad, puede ser bastante estable de una a otra semana, aun cuando la
demanda diaria sea mas intensa los sábados por la mañana y mas floja los lunes y martes.
Para pronosticar la demanda en este tipo de situaciones es necesario descubrir los
patrones básicos a partir de la información disponible.

Patrones de demanda.
1. Horizontal, o sea, la fluctuación de los datos en torno de una media constante
2. de tendencia, es decir, el incremento o decremento sistemático de la media de la
serie a través del tiempo.
3. estacional, o sea, un patrón repetible de incrementos o decrementos de la
demanda, dependiendo de la hora del día, la semana, el mes o la temporada;
4. cíclico, o sea, una pauta de incrementos o decrementos graduales y menos
previsibles de la demanda, los cuales se presentan en el curso de periodos de
tiempo mas largos (años o decenios); y
5. aleatorio, es decir, una serie de variaciones imprevisibles de la demanda.
TIEMPO
1. Horizontal
C
A
N
T
I
D
A
D
TIEMPO
2. De tendencia
CANTIDAD
MESES
3. Estacional
CANTIDAD
E F M A M J J A S O N D
AÑO 1
AÑO 2
Años
4. Cíclico
CANTIDAD
1 2 3 4 5 6

Factores que afectan la demanda.
Factores externos. Son los factores que están fuera del alcance de la gerencia. Por
ejemplo reglamentaciones de gobierno que afectan las actividades económicas, leyes que
limiten la utilización de ciertas materias primas
Indicadores tempranos, causaran especulación y aumento de precio en materias primas
(Ej. Se anuncia escasez de acero y aumento en construcción)
Indicadores coincidentes. Como cifras de desempleo, etc.
Factores internos. Las decisiones internas sobre el diseño de los productos o servicios,
los precios y las promociones publicitarias, el diseño de envases, las cuotas o incentivos
para el personal de ventas, etc.
2.3 METODOS CUALITATIVOS
Cuando se carece de datos históricos adecuados, como en los casos que se presenta un
nuevo producto o se espera un cambio en la tecnología, las empresas confían en la
experiencia y buen juicio administrativo para generar pronósticos.
Son Utilizados para el desarrollo de pronósticos de ventas. Estos modelos generalmente
se basan en juicios respecto a los factores causales subyacentes a la venta de productos y
servicios en particular y en opiniones sobre la posibilidad relativa que otros factores
causales sigan presentes en el futuro y puedan involucrar diversos niveles de
complejidad, desde encuestas de opinión científicamente conducidas a estimaciones
intuitivas respecto a eventos futuros.
2.3.1 Consulta a la fuerza de venta
En ocasiones la mejor información sobre la demanda futura proviene de las personas que
están más cerca de los clientes. Estos pronósticos están elaborados periódicamente por
miembros de la fuerza de ventas de las compañías. Este enfoque tiene varias ventajas:
- La fuerza de ventas es el grupo que tiene mayores probabilidades de saber que
productos o servicios compraran los clientes en el futuro cercano, y en que
cantidades.
- Los territorios de ventas están divididos a menudo por distritos o regiones. Esta
información puede ser útil para propósitos de administración de inventarios,
distribución y formación de fuerza de ventas.
- Los pronósticos de la fuerza de venta pueden combinarse para obtener cifras
correspondientes a ventas regionales o nacionales
Desventajas:

- Los prejuicios individuales de los vendedores pueden introducir los sesgos en el
pronostico, además algunas personas son optimistas por naturaleza y otras son
mas cautelosas
- Es posible que el personal de ventas no siempre perciba la diferencia entre lo que
el cliente quiere y lo que el cliente necesita.
- Si la empresa utiliza las ventas individuales como medida del rendimiento, el
personal de ventas puede subestimar sus pronósticos para su propio rendimiento o
beneficio.
2.3.2 Jurado de opinión Ejecutiva.
Cuando se piensa lanzar un nuevo producto o servicio, la fuerza de ventas no siempre es
capaz de hacer estimaciones precisas de la demanda.
La opinión ejecutiva es un método de pronóstico en el cual se hace un resumen de las
opiniones, la experiencia y los conocimientos técnicos de uno o varios gerentes, para
llegar a un solo pronostico.
Estas opiniones también pueden modificar un pronóstico de ventas vigente cuando hay
que tomar en cuenta sucesos o eventos inesperados (como nuevas promociones, nuevos
productos en el mercado o eventos internacionales no esperados).
La opinión ejecutiva suele también utilizarse para elaborar pronósticos tecnológicos.
Desventajas:
- Este método puede ser costoso por que absorbe el valioso tiempo de los
ejecutivos.
- En algunas ocasiones los pronósticos son no acertados cuando estos sufren
modificaciones independientes.
(Por ejemplo, que el gerente de marketing examina las estimaciones de la fuerza de
ventas y, sintiéndose un poco mas optimista que los vendedores, incrementa las cifras del
pronostico para asegurarse de que podrá disponer de un volumen suficiente de producto.
Después de recibir los pronósticos del mercado el gerente de manufactura incrementa aun
mas las cifras para que nadie lo culpe de no atender la demanda de los clientes. Cuando
las ventas reales resultan ser mucho mas bajas que los pronósticos, todos culpan a los
demás por el excesivo inventario generado.)
2.3.3 Método Delphi (Delfos)
El método delphi es un proceso para obtener el consenso dentro de un grupo de expertos,
al tiempo que se respeta el anonimato de sus integrantes.
Esta forma de pronostico es útil cuando no existen datos históricos sobre los cuales
puedan desarrollarse modelos estadísticos y cuando los gerentes de la empresa no tienen
experiencia en la cual fundamentar proyecciones bien informadas.
Un coordinador envía preguntas a cada uno de los miembros del grupo de expertos
externos, quienes tal vez ignoran quien mas esta participando.

El anonimato es importante cuando alguno de los miembros del grupo tienden a dominar
las discusiones o gozan de un alto grado de respetabilidad en sus respectivas
especialidades.
En un grupo anónimo, los miembros tienden a responder y documentar sus preguntas
con mayor libertad.
El coordinador prepara un resumen estadístico de las respuestas además de un sumario de
los argumentos pertinentes para algunas de ellas. Este informe se envía al mismo grupo
para otra ronde de opiniones y los participantes pueden modificar sus respuestas
anteriores si así lo desean. Las rondas continúan hasta llegar a un consenso.
¿Para cuales casos se utiliza el método Delphi?
Se usa para elaborar pronósticos a largo plazo de la demanda de productos y
proyecciones de ventas para nuevos productos. También se emplee en pronósticos sobre
tecnología.
Este método se puede utilizar para obtener un consenso en un panel de expertos, ya sea
que estos dediquen su atención al desenvolvimiento de avances científicos, cambios en la
sociedad, reglamentos de gobierno y el ambiente competitivo. Los resultados sirven de
guía para el personal de investigación y desarrollo de una empresa.
Limitaciones del método Delphi:
- El proceso puede prolongarse por mucho tiempo (a veces un año o mas) En ese
lapso de tiempo, el panel de personas consideradas como expertas puede cambiar,
lo cual provoca confusión en los resultados, por lo menos, alarga todavía las este
proceso.
- Es probable que las respuestas sean menos significativas que si los expertos
tuvieran que asumir la responsabilidad que ellas implican.
- Hay pocas evidencias de que los pronósticos delphi tengan un alto grado de
precisión. Sin embargo se reconoce que su calidad es entre regular y buena para la
identificación de puntos de flexión en la demanda de nuevos productos.
- Los cuestionarios mal planeados conducen a conclusiones ambiguas o erróneas.
2.3.4 Investigación de mercado
La investigación de mercado consiste en un enfoque sistemático para determinar el grado
de interés del consumidor por un producto o servicio mediante la creación y puesta a
prueba de diversas hipótesis por medio de encuestas encaminadas a la recopilación de
datos. La realización de un estudio de mercado incluye:
1. El diseño de un cuestionario el cual solicite información económica y
demográfica a cada una de las personas entrevistadas, y se conozca el interés de
estas de recibir el producto o servicio.
2. La decisión de cómo aplicar la encuesta, ya sea mediante una charla telefónica,
por correo o en entrevistas personales.

3. La selección de una muestra representativa de familias para la encuesta, que debe
incluir una selección al azar dentro del área de mercado del producto o servicio
propuesto
4. El análisis de la información, aplicando el buen juicio y criterios estadísticos para
interpretar las respuestas, determinar si son adecuadas, asignar márgenes que
permitan incluir factores económicos o competitivos no mencionados en el
cuestionario y analizar si la encuesta representa una muestra aleatoria del mercado
potencial.
2.3.5 Analogía de ciclos de vida
Este método liga la estimación de las ventas futuras de un producto con el conocimiento
de las ventas de un producto similar.
A la estimación de un producto similar se aplica el conocimiento de las ventas de un
producto similar durante varias etapas de su ciclo de vida. Este método puede ser
particularmente útil en el pronóstico de ventas de productos nuevos.

2.4 MODELOS CUANTITATIVOS
Los modelos cuantitativos de pronósticos son modelos matemáticos que se basan en datos
históricos. Estos modelos suponen que los datos históricos son relevantes para el futuro.
Casi siempre puede obtenerse información pertinente al respecto.
2.4.1 Series de Tiempo
Para pronósticos a corto plazo, se usan mucho los métodos de series de tiempo. Una serie
de tiempo es simplemente una lista cronológica de datos históricos, para la que la
suposición esencial es que la historia predice el futuro de manera razonable. Existen
varios modelos y métodos de series entre los cuales elegir, y que incluyen el modelo
constante, de tendencia y estacional, dependiendo de los datos históricos y de la
comprensión del proceso fundamental.
2.4.1.1 Enfoque simple.
También llamado pronostico empírico. Uno de los métodos más sencillos es usar el
último dato como pronostico para el siguiente periodo. Es decir el pronóstico de la
demanda para el siguiente periodo es igual a la demanda observada en el periodo actual.
Por ejemplo si la demanda real para el miércoles ha sido 35 clientes, la demanda para el
jueves será 35 clientes. Si la demanda real del jueves es 42 clientes, la demanda
pronosticada para el viernes será de 42 clientes.
Este método puede tomar en cuenta una tendencia de la demanda. El incremento (o
decremento) observado en la demanda de los dos últimos periodos se usa para ajustar la
demanda actual con miras a elaborar un pronostico.
Por ejemplo:
Si la demanda fue de 120 unidades en la ultima semana y de 108 unidades la semana
anterior, el incremento de la demanda fue de 12 unidades en una semana por lo cual el
pronostico para la sig. Semana será de 120 + 12 = 132 unidades. Si la demanda real de la
semana siguiente resulta ser de 127 unidades, entonces el siguiente pronóstico será de
127 + 7 = 134 unidades.
Ejercicio:
Sacar el pronóstico con el enfoque simple para una fabrica de pastas dentales:
a) si la demanda del mes de mayo fue de 380 cajas saque el pronóstico del mes de
junio.
b) Si la demanda real del mes de junio fue de 398 cajas cual será el pronóstico para
el mes de julio tomando en cuenta la tendencia.
Respuestas
a) 380 cajas para el mes de junio
b) 416 cajas para el mes de julio

Estimacion del promedio
El patrón horizontal de una serie de tiempo se basa en la media de las demandas. Por lo
tanto el pronostico se obtendrá sacando el promedio de una serie de datos a través del
tiempo.
Por ejemplo:
Semana Cajas (con 10 piezas c/u)
1 62
2 50
3 65
4 48
5 60
6 66
7 58
8 61
9 55
10 60
Si deseáramos sacar un pronostico para la semana 11 por medio del promedio bastara
sumar el total de Cajas y dividirlos entre el numero de semanas dando como resultado
58.5 Cajas es decir 585 piezas.
Semana
C
A
J
A
S

2.4.1.2 Promedios móviles.
Promedio móvil simple. Se usa para estimar el promedio de una serie de tiempo de
demanda y para suprimir los efectos de las fluctuaciones al azar. Este método resulta mas
útil cuando la demanda no tiene tendencias pronunciadas ni fluctuaciones estaciónales.
Implica simplemente calcular la demanda promedio para los n periodos mas recientes con
el fin de utilizarla como pronostico del periodo siguiente. Para el pronostico siguiente una
vez conocida la demanda, la demanda mas antigua incluida en el promedio anterior se
sustituye por la demanda mas reciente y luego se vuelve a calcular el promedio.
Es decir :
Ft+1 = Suma de las n ultimas demandas / n = Dt + Dt -1 + Dt--2 + ………+ Dt - n + 1
Donde:
Dt = demanda real en el periodo t
n = numero total de periodos incluidos en el promedio
F t+1 = Pronostico para el periodo t+1
Ejercicio:
a) Tomando los datos de la fábrica de pasta dental elabore un pronóstico móvil de 5
semanas para estimar cuantas cajas de pasta dental se necesitaran para la semana 11.
Tenemos que F11 = (60 + 55 + 61 + 58 + 66)/ 5 = 60 cajas
b) Si la demanda real en la semana 11 fue 55 cajas obtener el pronóstico móvil de 5
semanas para la semana 12
M12 = (55 + 60 + 55 + 61 + 58 ) / 5 =
El pronóstico es de 57.8 cajas
Cual será el pronostico para la semana 13 en este momento?
Respuesta M13 = 57.8 cajas

Ejemplo
 Promedio móvil simple
CCC wishes to forecast the number of incoming calls it receives in a day
from the customers of one of its clients, BMI. CCC schedules the appropriate number of
telephone operators based on projected call volumes.
CCC believes that the most recent 12 days of call volumes (shown on the
next slide) are representative of the near future call volumes.
CCC desea pronosticar el número de llamadas entrantes que esto recibe en un día de los
clientes de uno de sus clientes, BMI. CCC programa el número apropiado de telefonistas
basados en volúmenes de llamada proyectados.
CCC cree que los 12 días más recientes de volúmenes de llamada
(mostrado sobre la siguiente diapositiva) son representativos de los volúmenes de
llamada de futuro próximo.
 Datos históricos
Día llamadas día llamadas
1 159 7 203
2 217 8 195
3 186 9 188
4 161 10 168
5 173 11 198
6 157 12 159

Use el promedio móvil simple con n=3 para pronosticar el número de
llamadas para el día 13.
F13 = (159 + 198 + 168)/3 = 175.0 llamadas
Promedio móvil ponderado
 Es una variación del promedio móvil en la que no todos los datos tienen el mismo
peso.
 Esto permite que los datos que tienen mayor importancia tengan mayor peso.
 Los pesos deben sumar 1
 La distribución de los pesos determina la velocidad de respuesta del pronóstico
Ejemplo
 Ejemplo:
Tal vez una tienda departamental se de cuenta de que en un periodo de cuatro
meses, el mejor pronóstico se deriva utilizando 40% de las ventas reales

durante el mes más reciente, 30% de dos meses antes, 20% de tres meses
antes y 10% de hace cuatro meses. Si las ventas reales fueron
Mes 1 Mes 2 Mes 3 Mes 4 Mes 5
100 90 105 95 ?
Formula Ft = W1 At-1 + W2 At-2 + W3 At-3 +……. Wn At-n +
W1 = ponderación dada a la ocurrencia real para el periodo t-1
W2 = ponderación dada a la ocurrencia real para el periodo t-2
Wn = ponderación dada a la ocurrencia real para el periodo t-n
n = número total de periodos en el pronósticos
por lo tanto el pronóstico para el mes 5 sería
F5 = 0.40 (95) + 0.30(105) +0.20 (90) +1.10 (100)
= 38 + 31.5 +18 + 10
= 97.5
Suponga que las ventas para el mes 5 resultaron ser de 110. Entonces, el
pronóstico para el mes 6 sería.
F6=
Promedio móvil ponderado
Use el promedio móvil ponderado con 3 datos, asignando pesos de 0.1,
0.3 y 0.6 a los datos (del más antiguo al más reciente) para pronosticar el número de
llamadas del día 13.
F13 = .1(168) + .3(198) + .6(159) = 171.6 llamadas

Suavizamiento exponencial
Es un método de promedio móvil ponderado muy refinado que permite calcular el
promedio de una serie de tiempo, asignando a las demandas mayor ponderación que a las
demandas anteriores. Es el método de pronostico formal que se usa mas a menudo, por su
simplicidad y por la reducida cantidad de datos que requiere. A diferencia del método de
promedio móvil ponderado, que requiere n periodos de demanda pasada y n
ponderaciones, la suavización exponencial requiere solamente tres tipos de datos: el
pronostico del ultimo periodo, la demanda de ese periodo y un parámetro suavizador, alfa
α, cuyo valor fluctúa entre 0 y 1.0. Para elaborar un pronostico con suavización
exponencial, será suficiente que calculemos un promedio ponderado de la demanda mas
reciente y el pronostico calculado para el ultimo periodo. La ecuación correspondiente a
este pronostico es:
Ft+1 = α(Demanda para este periodo) + (1 – α) (Pronostico calculado para el ultimo periodo)
= αDt + ( 1 – α) Ft
= Ft + α(Dt – Ft)
Por lo tanto el pronóstico para el periodo siguiente es igual al pronostico del periodo
actual mas una proporción del error del pronostico correspondiente al mismo periodo
actual.
La constante, , toma valores entre 0 y 1
Una  cercana a uno da una alta velocidad de respuesta
Una  cercana a cero da una baja velocidad de respuesta
Ejemplo:
Utilizando el ejemplo de CCC con promedio móvil de n=3 calcule el pronostico para la
semana 13 con suavizamiento exponencial y α= .10
El pronostico para el dia 13 era de 175 llamadas y la demanda real fue de 170 llamadas
Ft+1 = αDt + ( 1 – α) Ft
F13= .1(170) + (.9) 175= 174.5 llamadas

2.4.1.3 Tendencia lineal
Inclusión de una tendencia. (Suavizamiento exponencial con tendencia)
Consideremos ahora una serie de tiempo de la demanda con una demanda con una
tendencia.
En una serie de tiempo, una tendencia consiste en un incremento o decremento
sistemático de los promedios de la serie a través del tiempo
En este enfoque, las estimaciones para el promedio y la tendencia son suavizadas, para lo
cual se requieren solamente dos constantes de suavización. Calculamos el promedio y la
tendencia para cada periodo
At = α(Demanda en este periodo) + (1- α) (Promedio + Estimación de la tendencia en el
ultimo periodo)
= α Dt + (1- α ) (At – 1 + Tt -1)
Tt = β(promedio de este periodo-Promedio del ultimo periodo) + (1-β) (Estimación de la
tendencia en el ultimo periodo)
= β( At – At -1) + (1 – β) Tt -1
Ft +1= At + Tt
Donde: At= promedio exponencialmente suavizado de la serie en el periodo
Tt= Promedio exponencialmente suavizado de la tendencia en el periodo t
α = parámetro de suavización para el promedio, con un valor entre 0 y 1
β = parámetro de suavización para la tendencia, con un valor entre 0 y 1
Ft+1= pronostico para el periodo t + 1
Las estimaciones del promedio y la tendencia correspondientes al último periodo, que se
requieren en el primer pronóstico, pueden obtenerse a partir de datos del pasado o basarse
en una estimación aproximada si no existen datos históricos. Para encontrar los valores de
α y β, es frecuente que el analista ajuste sistemáticamente a α y β hasta que obtenga los
errores del pronóstico mas bajos posibles.

Ejemplo:
Ejemplo:
Medanalysis, Inc. Ofrece servicios de laboratorio clínico a los pacientes de Health
Providers, una agrupación de 10 médicos familiares asociados que brindan un nuevo
programa de mantenimiento de la salud. Los gerentes están interesados en pronosticar el
numero de pacientes que van a requerir análisis de sangre cada semana. Es preciso
comprar suministros y tomar una decisión acerca del número de muestras sanguíneas que
serian enviadas a otro laboratorio, para compensar las limitaciones de la capacidad del
laboratorio principal. Las informaciones recientes acerca de los efectos nocivos que
provoca el colesterol en el corazón han generado un incremento en las solicitudes de
análisis ordinarios de sangre en todo el país. En promedio, Medanalysis realizo 28
análisis de sangre cada semana durante las cuatro ultimas semanas. La tendencia en ese
periodo fue de tres pacientes adicionales por semana. La demanda en esta semana fue de
27 analisis de sangre . Usaremos α 0.20 y β = 0.20 para calcular el pronostico
correspondiente a la semana próxima.
Solucion
Ao= 28 pacientes y también To = 3 pacientes
El pronostico para la semana 2 ( la semana siguiente) es:
= α Dt + (1- α ) (At – 1 + Tt -1)
A1= 0.20(27) + 0.80(28+3) = 30.2
T1= 0.20(30.2-28) + 0.80 (3) = 2.8
F2 = 30.2 + 2.8 = 33 analisis de sangre
Si el numero real de analisis sanguineos requeridos en la semana2 resultara ser 44,
entonces el pronostico actualizado para la semana 3 seria el siguiente:
A2 = 0.20(44) + 0.80(30.2 +2.8) = 35.2 = β( At – At -1) + (1 – β) Tt -1
T2 = 0.2(35.2 – 30.2) + 0.80(2.8) = 3.2
F3 = 35.2 + 3.2 = 38.4, es decir 38 analisis de sangre.

2.4.2 Relaciones Causales.
- Se emplean cuando se tienen datos históricos y la relación entre el factor que
intenta pronosticar y otros factores externos o internos (ej. Actividades del
gobierno o promociones publicitarias).
- Las relaciones causales expresan se expresan en términos matemáticos y suelen
ser en ocasiones complejas
- Proveen instrumentos de pronostico refinados y son excelentes para prever los
puntos de flexión de la demanda y para la elaboración de pronósticos a largo
plazo.
2.4.2.1 Regresión Lineal Simple
 El análisis de regresión lineal establece una relación entre una variable
dependiente y una o más variables independientes.
 En la regresión lineal simple hay solamente una variable independiente.
 Si los datos están constituidos por una serie de tiempo, la variable independiente
es el tiempo.
 La variable dependiente es cualquier cosa que nosotros queramos pronosticar.
 Ecuación de regresión
Este modelo toma la forma:
Y = a + bX
Y = variable dependiente
X = variable independiente
a = intercepto con eje Y
b = pendiente de la línea
 Constantes a y b
Estas constantes se calculan:


22
)xn(-x
)x)(yn(-xy
=b
xb-y=a

 Una vez que se han calculado los valores de a y b, se puede sustituir cualquier
valor futuro de X para pronosticar el valor correspondiente de Y.
Ejemplo
 Regresión Lineal Simple
At a small regional college enrollments have grown steadily over the past
six years, as evidenced below. Use time series regression to forecast the student
enrollments for the next three years.
Students Students
Year Enrolled (1000s) Year Enrolled (1000s)
1 2.5 4 3.2
2 2.8 5 3.3
3 2.9 6 3.4
x y x2
xy
1 2.5 1 2.5
2 2.8 4 5.6
3 2.9 9 8.7
4 3.2 16 12.8
5 3.3 25 16.5
6 3.4 36 20.4
x=21 y=18.1 x2
=91 xy=66.5
Y = 2.387 + 0.180X
Y7 = 2.387 + 0.180(7) = 3.65 or 3,650 students
Y8 = 2.387 + 0.180(8) = 3.83 or 3,830 students
Y9 = 2.387 + 0.180(9) = 4.01 or 4,010 students
Note: Enrollment is expected to increase by 180 students per year.
Regresión Lineal Simple

 La regresión lineal también se puede usar cuando la variable independiente no es
el tiempo.
 En este caso en lugar de hablar de series de tiempo estamos manejado la regresión
lineal como un modelo de pronósticos causal.
Ejemplo: Railroad Products Co.
 Modelo Causal
The manager of RPC wants to project the firm’s sales for the next 3 years.
He knows that RPC’s long-range sales are tied very closely to national freight car
loadings. On the next slide are 7 years of relevant historical data.
Develop a simple linear regression model between RPC sales and national
freight car loadings. Forecast RPC sales for the next 3 years, given that the rail industry
estimates car loadings of 250, 270, and 300 million.
RPC Sales Car Loadings
Year ($millions) (millions)
1 9.5 120
2 11.0 135
3 12.0 130
4 12.5 150
5 14.0 170
6 16.0 190
7 18.0 220
x y x2
xy
120 9.5 14,400 1,140
135 11.0 18,225 1,485
130 12.0 16,900 1,560
150 12.5 22,500 1,875
170 14.0 28,900 2,380
190 16.0 36,100 3,040
220 18.0 48,400 3,960
1,115 93.0 185,425 15,440

 Y = 0.528 + 0.0801X
Y8 = 0.528 + 0.0801(250) = $20.55 million
Y9 = 0.528 + 0.0801(270) = $22.16 million
Y10 = 0.528 + 0.0801(300) = $24.56 million
Note: RPC sales are expected to increase by $80,100 for each additional million national
freight car loadings.
INVESTIGACION
Pronóstico de la Demanda
Introducción
 Estimados de la demanda para productos y servicios son el punto de partida para
toda la planeación en la administración de operaciones.
 Los equipos administrativos se basan parcialmente en los estimados de la
demanda para desarrollar sus pronósticos de ventas.
 Estos pronósticos forman parte de los datos que la empresa usa para determinar su
estrategia de negocios y el pronóstico de sus recursos de producción.
Pronósticos en el contexto del plan de negocios
¿Para qué?
 Planeación de instalación – Puede tomar 5 años diseñar y construir una instalación
o diseñar e implementar un nuevo sistema de producción.
 Planeación de Producción – Las demandas de productos cambian de mes a mes y
puede tomar varios meses cambiar la capacidad del proceso de producción.
 Programación de Mano de Obra – La demanda de servicios cambian de hora a
hora y se debe desarrollar programas de trabajos semanales por adelantado.
Administración de la demanda
El propósito de la administración de la demanda es coordinar y controlar todas las
fuentes de demanda, de forma que el sistema productivo se use eficientemente y los
productos se entreguen a tiempo
Demanda independiente
 Tomar un papel activo para influenciar la demanda

 Tomar un papel pasivo y simplemente responder a la demanda.
Leyes Fundamentales
 1a ley. Los pronósticos siempre están mal
 2a ley. Entre más grande sea el horizonte del pronóstico mayor será el error
 Entonces pronosticar ¿para qué?
 Mejor toma de decisiones
 Ayuda para la planeación
 No hay un “mejor” método
Métodos de pronósticos
 Métodos cualitativos
 Métodos cuantitativos
Métodos Cualitativos
 Generalmente se basan en juicios o en factores causales relacionados con un
producto o servicio en particular
 No requiere datos históricos, por lo que son útiles para nuevos productos o
servicios.
 Los enfoques varían en sofisticación desde encuestas conducidas científicamente
a pura intuición.
 El enfoque apropiado depende de la etapa del ciclo de vida en que el producto se
encuentre.
Métodos Cualitativos
 Juicio Ejecutivo intuición
 Panel consensus
 Método Delphi
 Grass Roots
 Entrevistas a clientes
 Analogía histórica
 Investigación de Mercado estudios
científicos
Métodos Cuantitativos
 Se basan en la suposición de que las fuerzas que generaron la demanda en el
pasado, generaran la demanda futura
 El análisis de los patrones de demanda en el pasado proveen una buena base para
pronosticar la demanda en el futuro.
 La mayor parte de los métodos cuantitativos pertenecen a esta categoría.
 Series de tiempo
 Serie de datos y periodo
 Patrón recurrente a través del tiempo
 Explicativos
 El valor de cierta variable es función de una o más variables.
 Mayor cantidad de datos

Análisis de Series de Tiempo
 Una Serie de Tiempo es un conjunto de números que siguen una secuencia u
orden determinados. Ejemplo la demanda histórica.
 El análisis de estas series de tiempo identifican patrones.
 Una vez que el patrón se identifica, se puede usar para desarrollar un pronóstico.
Componentes de una Serie de Tiempo
 Tendencia.
 Ciclo patrón de datos que puede cubrir varios años antes de que se repita.
 Estacionalidad patrón de datos que se repite cada año o en un período más corto.
 Fluctuaciones aleatorias (ruido) resultan de variaciones aleatorias o causas
desconocidas
Patrones estacionales
Length of Time Number of
Before Pattern Length of Seasons
Is Repeated Season in Pattern
Year Quarter 4
Year Month 12
Year Week 52
Month Day 28-31
Week Day 7
Métodos Cuantitativos
 Regresión Lineal
 Promedio móvil
 Simple
 Ponderado
 Suavizamiento exponencial
 Simple
 Suavizamiento exponencial con tendencia o suavizamiento exponencial doble
 Suavizamiento exponencial con tendencia y estacionalidad.
Pronósticos a Largo Plazo
 Horizonte de planeación mayor a un año.
 Necesario para apoyar decisiones estratégicas sobre planeación de productos,
proceso e instalaciones.
Coeficiente de Correlación (r)
 El coeficiente de correlación, r, explica la importancia relativa de la relación entre
x y y.

 El signo de r muestra la dirección de la relación.
 el valor absoluto de r muestra la fuerza de la relación
 El signo de r es siempre el mismo signo de b
 r puede tomar cualquier valor entre -1 y +1.
 Interpretación de algunos valores de r:
-1 relación negativa perfecta (cuando uno sube el otro baja)
+1 relación positiva perfecta (cuando uno sube el otro sube)
0 no hay relación entre x y y.
+0.3 relación positiva débil.
-0.8 relación negativa fuerte.
 r se calcula como:
Coeficiente de Determinación (r2
)
 El coeficiente de determinación, r2
, es el cuadrado del coeficiente de correlación.
 La modificación de r a r2
nos permite movernos de una medida subjetiva de
relación a una medida más específica.
 r2
ilustra cuánto de la variación total de y se debe a x o a la tendencia de la línea.
Ejemplo
 Coeficiente de correlación
x y x2
xy y2
120 9.5 14,400 1,140 90.25
135 11.0 18,225 1,485 121.00
130 12.0 16,900 1,560 144.00
150 12.5 22,500 1,875 156.25
170 14.0 28,900 2,380 196.00
190 16.0 36,100 3,040 256.00
220 18.0 48,400 3,960 324.00
1,115 93.0 185,425 15,440 1,287.50
r = .9829
Ejemplo
 Coeficiente de determinación
r2
= (.9829)2
= .966
96.6% of the variation in RPC sales is explained by national freight car loadings.
2 2 2 2
( ) ( )
n xy x y
r
n x x n y y


       
  
   
2 2 2 2
( ) ( )
n xy x y
r
n x x n y y


       
  
   

Pronósticos de rango
 Los pronósticos para periodos futuros son solo estimados y están sujetos a errores.
 Una manera de manejar la incertidumbre es desarrollar el mejor pronóstico
posible y los rangos dentro de los cuales es probable que caigan los datos reales.
 Los rangos de un pronóstico están definidos por los límites de un intervalo de
confianza.
 Los límites del pronóstico se estiman como:
Límite superior = Y + t(syx)
Límite inferior = Y - t(syx)
donde:
Y = pronóstico
t = número de desviaciones estándar
syx = desviación estándar del pronóstico
 La desviación estándar se calcula como:
Ejemplo
 Ranging Forecasts
Recall that linear regression analysis provided a forecast of annual sales
for RPC in year 8 equal to $20.55 million.
Set the limits (ranges) of the forecast so that there is only a 5 percent
probability of exceeding the limits by chance.
 Ranging Forecasts
 Step 1: Compute the standard error of the forecasts, syx.
 Step 2: Determine the appropriate value for t.
n = 7, so degrees of freedom = n – 2 = 5.
Area in upper tail = .05/2 = .025
Appendix B, Table 2 shows t = 2.571.
 Step 3: Compute upper and lower limits.
Upper limit = 20.55 + 2.571(.5748)
= 20.55 + 1.478
= 22.028
Lower limit = 20.55 - 2.571(.5748)
2
yx
y - a y - b xy
s =
n - 2
  2
yx
y - a y - b xy
s =
n - 2
  
1287.5 .528(93) .0801(15,440)
.5748
7 2
yxs
 
 


= 20.55 - 1.478
= 19.072
We are 95% confident the actual sales for year 8 will be between $19.072 and
$22.028 million.
Métodos de descomposición
 Xt = f(St,Tt,Ct,Rt)
 Donde :
 Xt = valor real en periodo t
 St= Componente estacional en t
 Tt= Componente tendencial en t
 Ct= Componente cíclico en t
 Rt= Componente aleatorio en t
Métodos aditivo y multiplicativo
 Forma aditiva
Xt = St+Tt+Ct+Rt
 Forma multiplicativa
Xt = St*Tt*Ct*Rt
Series de tiempo con estacionalidad
 Seleccionar un conjunto de datos representativo.
 Desarrollar un índice para cada estación.
 Usar el índice para desestacionalizar los datos.
 Usar análisis de regresión para calcular pronóstico.
 Usar los índices para estacionalizar el pronóstico.
Ejemplo.
An analyst at CPC wants to develop next year’s quarterly forecasts of sales
revenue for CPC’s line of Epsilon Computers. She believes that the most recent 8
quarters of sales (shown on the next slide) are representative of next year’s sales.
 Datos históricos
Year Qtr. ($mil.) Year Qtr. ($mil.)
1 1 7.4 2 1 8.3
1 2 6.5 2 2 7.4
1 3 4.9 2 3 5.4
1 4 16.1 2 4 18.0
 Cálculo de los índices estacionales
Ventas trimestrales
Año Q1 Q2 Q3 Q4 Total
1 7.4 6.5 4.9 16.1 34.9
2 8.3 7.4 5.4 18.0 39.1
Totales 15.7 13.9 10.3 34.1 74.0

Prom Trim. 7.85 6.95 5.15 17.05 9.25
Ind estac. .849 .751 .557 1.843 4.000
 Datos sin estacionalidad
Ventas trimestrales
año Q1 Q2 Q3 Q4
1 8.72 8.66 8.80 8.74
2 9.78 9.85 9.69 9.77
 Análisis de regresión
Año. Trim. x y x2
xy
1 1 1 8.72 1 8.72
1 2 2 8.66 4 17.32
1 3 3 8.80 9 26.40
1 4 4 8.74 16 34.96
2 1 5 9.78 25 48.90
2 2 6 9.85 36 59.10
2 3 7 9.69 49 67.83
2 4 8 9.77 64 78.16
Totales 36 74.01 204 341.39
Y = 8.357 + 0.199X
 Cálculo de pronósticos sin estacionalidad
Y9 = 8.357 + 0.199(9) = 10.148
Y10 = 8.357 + 0.199(10) = 10.347
Y11 = 8.357 + 0.199(11) = 10.546
Y12 = 8.357 + 0.199(12) = 10.745
 Estacionalizar los datos
est. Pron. Pron.
Año. Trim. Ind sin est. Con est.
3 1 .849 10.148 8.62
3 2 .751 10.347 7.77
3 3 .557 10.546 5.87
3 4 1.843 10.745 19.80
Método Multiplicativo
Al hacer promedios móviles por un año eliminamos la estacionalidad y la aleatoriedad

Trimestre Observación Promedio Móvil
1 3017.60
2 3043.54
3 2094.35 2741.334
4 2809.84 2805.632
5 3274.80 2835.569
6 3163.28 2840.558
7 2114.31 2894.240
8 3024.57 2907.411
9 3327.48 2989.961
10 3493.48 3071.367
Observación
T*C*S*R
Promedio móvil
T*C
Trim Obser Promedio
Móvil
Razón
1 3017.60  
2 3043.54  
3 2094.35 2741.334 76.399
4 2809.84 2805.632 100.150
5 3274.80 2835.569 115.490
6 3163.28 2840.558 111.361
7 2114.31 2894.240 73.052
8 3024.57 2907.411 104.030
9 3327.48 2989.961 111.288
10 3493.48 3071.367 113.744

Razón
T*C*S*R
T*C

= S*R
Estacionalidad
El promedio por trimestre elimina la aleatoriedad
1o. 112.72
2o. 109.88
3o. 76.28
4o. 103.86
Razones por trimestre
Año 1o. 2o. 3o. 4o.
1977 76.40 100.15
1978 115.49 111.36 73.05 104.03
1979 111.29 113.74 76.54 106.51
1980 111.02 110.82 72.16 103.67
1981 115.01 108.44 76.71 102.39
1982 114.78 108.61 75.70 107.94
1983 112.75 107.10 75.32 106.15
1984 111.34 105.16 76.03 105.69
1985 111.53 109.50 78.73 102.72
1986 111.81 110.78 77.26 104.16
1987 110.89 111.45 77.17 99.03
1988 114.84 111.78 80.26
Estacionalidad
Ajustando para que sume 400
400/402.74=0.9932
1o. 111.95
2o. 109.13
3o. 75.76
4o. 103.16
Tendencia
 En la columna de promedios móviles tenemos la tendencia multiplicada por el
ciclo.
 Si la tendencia es lineal podemos separarla ajustándola a una línea recta por
medio de una regresión lineal.
 Para los datos que estamos manejando y usando t como variable independiente y
T*C como la independiente obtenemos:
 T(t) = a + bt = 2735.85 + 38.96t
Ciclo

 Una vez calculada la tendencia, el ciclo lo podemos obtener al dividir T*C/T
 Por ejemplo:
 Periodo  T*C  T  C
 10  3071.367  3125.45  98.2
 20  3501.936  3515.05  99.63
 30  3801.414  3904.65  97.36
 40  4394.982  4294.25  102.35

Pronóstico
 Para obtener el pronóstico del periodo 49 calculamos:
 T(49) = 4644.694
 49 corresponde al primer trimestre, por lo que su índice estacional es 111.95
 El factor cíclico para el periodo 48 es de 98, como no tenemos más información
podemos usar este dato como estimación para el periodo 49.
 Por lo tanto
 X(49) = 4644.649*98/100*111.95/100 = 5095.69
Pronósticos a corto plazo
 Horizonte de planeación de unos días a unas semanas
 Ciclos, estacionalidad y tendencia pueden tener poco efecto.
 Las fluctuaciones aleatorias son el principal componente de los datos.
Evaluación de métodos de pronósticos
Se usan tres características para evaluar un modelo de pronósticos de corto plazo:
 Reducción de ruido.
 Velocidad de respuesta.
 Exactitud
Error en el pronóstico
Monitoreo y control del pronóstico

 Tracking Signal (TS)
 El TS mide el error acumulado del pronóstico en n periodos en términos del
MAD
 Si el pronóstico es adecuado TS debe ser cercano a cero
 Si TS es positivo debemos incrementar el pronóstico
 Si TS en negativo debemos disminuir el pronóstico
Métodos de pronóstico a corto plazo
 Promedio móvil simple
 Promedio móvil ponderado
 Suavizamiento exponencial simple
 Suavizamiento exponencial con tendencia
 Suavizamiento exponencial con tendencia y estacionalidad.
Criterios para seleccionar un método de pronósticos
 Costo
 Exactitud
 Datos disponibles
 Horizonte de planeación
 Naturaleza de los productos y servicios
 Velocidad de respuesta y reducción de ruido.
Costo y exactitud
 Generalmente mayor exactitud implica mayor costo.
 Los métodos con mayor exactitud tienen algunas desventajas:
Usan más datos
Los datos son difíciles de obtener
Los modelos son más caros de desarrollar, implementar y operar.
Toman mayor tiempo para usarse
Software de Pronósticos
 Algunos ejemplos son:
 Forecast Pro
 Autobox
 SmartForecasts for Windows
 SAS
 SPSS
 SAP
 POM Software Libary
Algunos datos útiles
 Consumer Confidence Index
 Consumer Price Index (CPI)
 Gross Domestic Product (GDP)

 Housing Starts
 Index of Leading Economic Indicators
 Personal Income and Consumption
 Producer Price Index (PPI)
 Purchasing Manager’s Index
 Retail Sales

Pronosticodelademanda

More Related Content

What's hot

Similar to Pronosticodelademanda

Pronosticodelademanda