2023

Diseño de Sistemas
Productivos

Programa de
Ingeniería Industrial

PhD (c) Germán Herrera Vidal

 Capitulo

Necesidades de
los Sistemas
Productivos

Gestión de la
Demanda
Pronósticos
 Usos de Pronósticos

Pronósticos de la
Economía
• Dirigidas al ciclo
empresarial, tasas
de inflación, masa
monetaria, etc.

Pronósticos de Pronósticos de
Demanda Tecnología
• Ritmo de progreso
• Proyecciones de las tecnológico
ventas de los
productos existentes • Provoca el
de la empresa nacimiento de
nuevos productos
Métodos de Pronósticos
PRONÓSTICOS CUALITATIVOS
 Enfoques Cualitativos para Pronosticar
la Demanda

• Las técnicas cualitativas de predicción

dependen de conjetura adquiridas con base en
la institución las técnicas cualitativas mas
comunes son:
– Jurado de opinión ejecutiva
– Método Delphi.
– Fuerza de ventas
– Encuestas a los clientes.
 Jurado de Opinión Ejecutiva

• Permite la fusión de las opiniones de una sección de

expertos interfuncionales.
– Involucra pequeño grupo de alto nivel los
administradores.
• Grupo estimaciones de la demanda de trabajo conjunto.
• Esta técnica es relativamente económica y mas utilizada
a mediano y largo plazo.
• Relativamente rápida

10
 Método Delphi
• Este método involucra a un grupo de expertos que comparten
información y eventualmente llegan a un consenso en una
predicción a largo plazo con respecto a las tecnología del futuro o a
las ventas futuras de un nuevo producto. Decision
• Esta conformado por tres tipos de personas: Makers

(Sales?)
• Los decisores (Decision Makers). Staff (Sales will be 50!)
• Facilitadores (Staff). (What will
• Los encuestados (Respondents). sales be?
survey)

Respondents
(Sales will be 45, 50, 55)
 Fuerza de Ventas
• En muchas compañías la fuerza de ventas entra en
contacto directo con los clientes lo cual constituye una
buena fuente de información que considera las
intenciones de los clientes a corto y a mediano plazos:
– Cada vendedor proyecta sus ventas.
– La fuerza de ventas conoce a los clientes.
– Tienden a ser demasiado optimistas

12
 Encuesta a los Clientes

• Una empresa también puede basar sus predicciones en los

planes establecidos de compras futuras de sus clientes actuales
y potenciales mediante una encuesta a sus clientes.
• Esta información puede obtenerse directamente por medio de
encuestas personales, por teléfono, correo o fax.
• Se pregunta a los clientes sobre planes de adquisiciones.
• ¿Qué dicen los consumidores?
PRONÓSTICOS CUANTITATIVOS
Productos Funcionales Vs. Productos
Innovadores
 Componentes de la Demanda

Seasonal
Influencia peaks
Estacional Trend component
Componente de Tendencia
service
o servicio
product or

Actual
Línea de
for producto

Demanda Actual
demand line
Demand del

Average Promedio
Demanda demand
Elementos
over fourde
Horizonte years
Tiempo
Demanda

Cíclicos
Random
Variación
variation
Aleatoria

Year
Año Year
Año Year
Año Year
Año
1 2 3 4
1 2 3 4
 Componentes de la Demanda
Tendencia
• Persistencia gradual de ascenso o
descenso de los datos
• Datos de población, tecnología, etc.
• Duración varios periodos

Variable
Respuesta

© 1984-1994 T/Maker Co.

 Componentes de la Demanda
Estacionalidad
• Modelo regular de fluctuaciones de
subida y bajada de los datos
• Épocas del año, costumbres, etc.
• Ocurre dentro de 1 año

Verano
Variable
Respuesta © 1984-1994 T/Maker Co.
 Componentes de la Demanda
Ciclocidad
• Repetidos movimientos de subida y
bajada de los datos
• Debido a las interacciones de factores
que influyen en la economía
• Usualmente 2-10 años de duración
Ciclo
Variable
Respuesta
 Componentes de la Demanda
Variaciones Aleatorias
• Errático, no sistemático, fluctuaciones
residuales
• Debido a variación aleatoria o eventos
imprevistos
• Duración corta y no repetitiva
 Descomposición de una Serie de Tiempos

• Tendencia (T) es el movimiento gradual, ascendente

o descendente, de los datos a través del tiempo.
• Estacionalidad (S) es el patron de datos que se
repite a si mismo después de un periodo de dias,
semanas, meses, trimestres, estaciones, etc. pero
dentro del año.
• Ciclos (C) son patrones que ocurren en los datos
cada varios años.
• Variación al azar (R) son variaciones aleatorias que
no obedecen a ningun comportamiento. 22
 Método General de Pronóstico

Determinar
Determinar Seleccionar el Seleccionar Recoger Validar e
el uso de los artículos horizonte el(los) los datos Realizar el implementar
los a de tiempo modelo(s) de para el pronóstico los
pronósticos pronosticar para pronóstico pronóstico resultados
pronosticar
Métodos Comunes en Serie de Tiempos
 Promedio Móvil Simple

Promedio Móvil = Demanda en los n periodos anteriores

At −1 + At − 2  + At − n
Ft = n
Ft = Pronóstico de Demanda para el Periodo
At-1 = Demanda Actuales en el Periodo t-1
n = Número de Periodos en el Promedio Móvil Simple
 Ejemplo: Las ventas de cobertizos de una empresa X, se muestran en la
columna central de la siguiente tabla. A la derecha se da el promedio móvil
de tres meses.
Ventas Reales de Promedio Móvil de 3 meses
Mes Cobertizos

Enero 10
Febrero 12
Marzo 13
Abril 16 (10+12+13)/3 = 112/3
Mayo 19 (12+13+16)/3 = 13 2/3
Junio 23 (13+16+19)/3 = 16
Julio 26 (16+19+23)/3=19 1/3
Agosto 30 (19+23+26)/3 = 22 2/3
Septiembre 28 (23+26+30)/3= 26 1/3
Octubre 18 (26+30+28)/3= 28
Noviembre 16 (30+28+18)/3 = 25 1/3
Diciembre 14 (28+18+16)/3 = 20 2/3

Vemos que el pronóstico para diciembre es de 20 2/3 . Para proyectar la demanda de

cobertizos en enero próximo, sumamos las ventas de octubre, noviembre y diciembre entre
3: pronóstico para enero = (18+16+14)/3 = 16
 Moving Average
Forecast
30 –
28 –
Actual Sales
26 –
24 –
22 –
20 –
Shed Sales

18 –
16 –
14 –
12 –
10 –

| | | | | | | | | | | |
J F M A M J J A S O N D
 Promedio Móvil Ponderado
• Usado cuando la tendencia es detectable
– Periodos más recientes se ponderan con mayor
peso
• Pesos basados sobre la intuición
– Usualmente toma valores entre 0 y 1, y su suma da
1.0
• Ecuación:

Promedio Móvil Ponderado = (ponderación para periodo n) (demanda en periodo n)

ponderaciones
 + wt −2 At −2 +  + wt −n At −n
Ft =w A t −1 t −1

w t −1
+ wt −2 +  + wt −n

Ft = Pronóstico de Demanda para el Periodo

At-1 = Demanda Actual en el Periodo t-1
wt-1 = Peso asignado para el Periodo t-1
n = Número de Periodos en el Promedio Móvil Ponderado
Siguiendo con el ejemplo anterior. Esta empresa decidió pronosticar las ventas de
cobertizos ponderando los últimos tres meses como sigue:
Ponderación Aplicada Periodo
3 Último mes o más reciente
2 Hace dos meses
1 Hace tres meses
6 Suma de ponderaciones

Ventas Reales de Promedio Móvil Ponderado de

Mes Cobertizos 3 meses

Enero 10
Febrero 12
Marzo 13
Abril 16 [(3x13)+(2x12)+(10)]/6 = 12 1/6
Mayo 19 [(3x16)+(2x13)+(12)] /6 = 14 1/3

Junio 23 [(3x19)+(2x16)+(13)] /6 = 17
Julio 26 [(3x23)+(2x19)+(16)]/6 = 201/2

Agosto 30 [(3x26)+(2x23)+(19)]/6 = 235/6

Septiembre 28 [(3x30)+(2x26)+(23)]/6 = 271/2

Octubre 18 [(3x28)+(2x30)+(26)]/6 = 281/3

Noviembre 16 [(3x18)+(2x28)+(30)]/6 = 231/3
Diciembre 14 [(3x16)+(2x18)+(28)]/6 = 18 2/3
 Weighted
30 – moving average

25 –

20 – Actual
sales
Sales demand

15 –
Moving average
10 –

5 –

| | | | | | | | | | | |
J F M A M J J A S O N D
 Suavizamiento Exponencial
Nuevo pronóstico = pronóstico del periodo anterior + (demanda real en
periodo anterior – pronóstico del periodo anterior)

matemáticamente, se puede escribir así:

Ft = Ft-1 +  (At-1 - Ft-1 )

Ft = nuevo pronóstico
F t-1 = pronóstico anterior
 = es la ponderación, o constante de suavizado, elegida por
quien pronostica, que tiene un valor entre 0 y 1. (0 ≤  ≤ 1 )
A t-1 = demanda real en el periodo anterior
Suavizamiento Exponencial
Durante los últimos 8 trimestres, el Puerto de Valparaíso ha descargado de los
barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere
probar el uso de suavizamiento exponencial para ver que tan bien funciona la
técnica para predecir el tonelaje descargado. Supone que el pronóstico de grano
descargado durante el primer trimestre fue 175 toneladas. Se examinan dos
valores de α .
α = 0,10 y α = 0,50.
La siguiente tabla muestra los cálculos detallados sólo para α = 0,10 y 0,50
Durante los últimos 8 trimestres, el Puerto de Valparaíso ha descargado de los
barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere
probar el uso de suavizamiento exponencial para ver que tan bien funciona la
técnica para predecir el tonelaje descargado. Supone que el pronóstico de grano
descargado durante el primer trimestre fue 175 toneladas. Se examinan dos
valores de α .
α = 0,10 y α = 0,50.
La siguiente tabla muestra los cálculos detallados sólo para α = 0,10 y 0,50
Durante los últimos 8 trimestres, el Puerto de Valparaíso ha descargado de los
barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere
probar el uso de suavizamiento exponencial para ver que tan bien funciona la
técnica para predecir el tonelaje descargado. Supone que el pronóstico de grano
descargado durante el primer trimestre fue 175 toneladas. Se examinan dos
valores de α .
α = 0,10 y α = 0,50.
La siguiente tabla muestra los cálculos detallados sólo para α = 0,10 y 0,50
Durante los últimos 8 trimestres, el Puerto de Valparaíso ha descargado de los
barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere
probar el uso de suavizamiento exponencial para ver que tan bien funciona la
técnica para predecir el tonelaje descargado. Supone que el pronóstico de grano
descargado durante el primer trimestre fue 175 toneladas. Se examinan dos
valores de α .
α = 0,10 y α = 0,50.
La siguiente tabla muestra los cálculos detallados sólo para α = 0,10 y 0,50
Durante los últimos 8 trimestres, el Puerto de Valparaíso ha descargado de los
barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere
probar el uso de suavizamiento exponencial para ver que tan bien funciona la
técnica para predecir el tonelaje descargado. Supone que el pronóstico de grano
descargado durante el primer trimestre fue 175 toneladas. Se examinan dos
valores de α .
α = 0,10 y α = 0,50.
La siguiente tabla muestra los cálculos detallados sólo para α = 0,10 y 0,50
Durante los últimos 8 trimestres, el Puerto de Valparaíso ha descargado de los
barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere
probar el uso de suavizamiento exponencial para ver que tan bien funciona la
técnica para predecir el tonelaje descargado. Supone que el pronóstico de grano
descargado durante el primer trimestre fue 175 toneladas. Se examinan dos
valores de α .
α = 0,10 y α = 0,50.
La siguiente tabla muestra los cálculos detallados para α = 0,10 y 0,50
 Error del Pronóstico
Mide la precisión del modelo de pronóstico que se ha usado,
comparando los valores pronosticados con los valores reales u
observados.

Si Ft denota el pronóstico en el periodo t, y At denota la

demanda real del periodo t, el error de pronóstico (o
desviación) se define como:

Error del Pronóstico = demanda real – valor pronosticado

= At - Ft
Medidas para calcular el Error Global del pronóstico

• Desviación Absoluta Media (MAD): Su valor se calcula sumando

los valores absolutos de los errores individuales del pronóstico y
dividiendo entre el número de periodos de datos (n)

MAD = real - pronóstico

n

Veamos un ejemplo
Para evaluar la precisión de ambas constantes de suavizado, calculamos
los errores de pronóstico en términos de desviaciones absolutas y MAD

MAD = desviaciones
11,28
n
Para evaluar la precisión de ambas constantes de suavizado, calculamos
los errores de pronóstico en términos de desviaciones absolutas y MAD

MAD = desviaciones
11,28 13,42
n
Para evaluar la precisión de ambas constantes de suavizado, calculamos
los errores de pronóstico en términos de desviaciones absolutas y MAD

MAD = desviaciones
11,28 13,42 10,85
n

Con base en este análisis, una constante de suavizado de α=0,22 es preferible por que su MAD es más pequeña.
Se debe encontrar la constante de suavizado con el menor error de pronóstico.
• Error cuadrático Medio (MSE): Es una segunda forma de medir el
error global del pronóstico. El MSE es el promedio de los
cuadrados de las diferencias entre los valores pronosticados y
observados. Su fórmula es:

2
MSE = (errores de pronóstico)
n

Sigamos con el ejemplo del Puerto

de Valparaíso para determinar el
MSE
 2
MSE = (errores de pronóstico)

n
 2
MSE = (errores de pronóstico)

n
 2
MSE = (errores de pronóstico)

Usando un α= 0,2 se obtendría un MSE de 210,6. Por lo tanto el α= 0,2 es una mejor elección
por que se minimiza el MSE.
• Error porcentual absoluto medio (MAPE): Este se calcula como el
promedio de las diferencias absolutas entre los valores pronosticados
y los reales y se expresa como porcentaje de los valores reales. Es
decir, si hemos pronosticado n periodos y los valores reales
corresponden a n periodos, MAPE, se calcula como:

n
100
MAPE = real i - pronóstico i / real i
i=1

Sigamos con el ejemplo del Puerto

de Valparaíso para determinar el
MAPE
MAPE = errores porcentuales absolutos = 41,2% = 5,9 %
n 7
Optimización del Error de Pronóstico