Tipos de métodos de pronósticos de
demanda
Curso:
Estrategias para la estimación de demanda
Profesores
Juan Carlos Ferrer y Ricardo Giesen
Contenido
1 Resultados de aprendizaje de esta clase 3
2 Introducción 3
3 Métodos cualitativos 3
3.1 Investigación de Mercado 4
3.2 Opinión de ejecutivos 5
3.3 Método Delphi 5
4 Métodos cuantitativos 6
4.1 Modelos de series de tiempo 6
4.2 Modelos causales 8
5 Precisión y Sesgo de un Pronóstico 9
5.1 Precisión o Error de una Predicción 9
5.1.1 Desviación Absoluta Media (MAD o MAE) 10
5.1.2 Promedio de Error Porcentual Absoluto (MAPE) 10
5.1.3 Error Cuadrático Medio (MSE) 11
5.2 Identificación de sesgos 12
6 Selección del método correcto de pronóstico 12
7 Reflexión final 13
8 Bibliografía 13
© Juan Carlos Ferrer y Ricardo Giesen
2
Resultados de aprendizaje de esta clase
Al finalizar esta clase, el/la estudiante será capaz de:
● Comprender las ventajas y desventajas de los métodos cualitativos.
● Comprender las ventajas y desventajas de los métodos cuantitativos.
● Entender cómo medir la precisión de los pronósticos.
● Identificar sesgos que pueda tener un determinado método de pronósticos.
● Conocer los aspectos a tener en consideración al escoger un método de pronóstico.
Introducción
En esta clase comentaremos acerca de las ventajas y desventajas de los diferentes tipos de métodos
para realizar pronósticos de demanda, tanto cualitativos como cuantitativos. Hablaremos sobre
algunas métricas para evaluar la precisión de los pronósticos, así como métricas para detectar la
presencia de sesgos en ellos. Finalmente revisaremos aspectos que son importantes a considerar a
la hora de evaluar y elegir un determinado método de pronóstico.
1 Métodos cualitativos
Los métodos cualitativos de pronósticos de demanda también son llamados métodos de juicio,
debido a que están basados en intuición, en el conocimiento, y en la experiencia, y por lo tanto los
pronósticos son generados subjetivamente por la persona o grupo que los realiza.
Entre las fortalezas de este tipo de métodos se encuentran:
● La capacidad de incorporar los últimos cambios en el mercado y en la situación económica y
política del país.
● Son particularmente útiles cuando se espera que el futuro sea muy diferente al pasado, o
bien, cuando no hay historia de la demanda por tratarse de algún producto o fenómeno
desconocido.
Entre las debilidades principales se encuentra que quienes realicen el pronóstico tengan algún sesgo
y que esto pueda causar falta de precisión en el pronóstico. Esos sesgos podrían darse por algún
conflicto de interés como, por ejemplo, “ellos fijarán mi presupuesto basado en mi pronóstico, por
lo que entregaré una predicción más alta”.
A continuación, presentamos tres métodos cualitativos que se resumen en la siguiente tabla.
© Juan Carlos Ferrer y Ricardo Giesen
3
Tipo Características Fortalezas Debilidades
Investigación de Uso de encuestas y Buen determinante de Podría ser muy difícil
Mercado entrevistas para identificar las preferencias de desarrollar un buen
las preferencias de los consumidores cuestionario
consumidores
Opinión de Ejecutivos Un grupo de gerentes se Bueno para pronósticos La opinión de una
reúne y genera un de nuevos productos o persona puede dominar
pronóstico estratégicos en el pronóstico
Método Delphi Busca un consenso entre Bueno para pronosticar Consume mucho tiempo
un grupo de expertos demanda de productos ya que el consenso puede
en el largo plazo requerir varias iteraciones
1.1 Investigación de Mercado
La investigación de mercado ayuda a identificar preferencias, tendencias e intención de compra de
los consumidores a través de aplicación de encuestas y entrevistas.
Las entrevistas son preguntas abiertas que permiten recopilar mucha información bien detallada de
manera cualitativa. Al ser cara a cara (entre entrevistador y entrevistado) es posible explicar y
aclarar bien la pregunta para que el entrevistado entienda perfectamente lo que se le está
preguntando, y así no haya sesgos en su respuesta. Una clara dificultad de las entrevistas es que son
difíciles de masificar. Procesar las respuestas para sacar las conclusiones también es un desafío,
debido a que no es información estructurada y a que se está sujeto al criterio de quien realiza el
análisis.
Por otra parte, las encuestas permiten una recolección de datos bastante más estructurada lo que
facilita el manejo de los datos, y su aplicación puede ser masiva lo que permite tener un análisis
posterior bastante más representativo. El gran desafío está en la confección de la encuesta misma,
tarea que comúnmente es subestimada. Las personas creemos que podemos escribir un listado de
preguntas en poco tiempo y aplicar dicha encuesta inmediatamente a un grupo de personas. ¡Gran
error!
Las preguntas de la encuesta deben:
© Juan Carlos Ferrer y Ricardo Giesen
4
• ser auto explicativas (no hay un entrevistador para aclarar dudas);
• estar redactadas de forma tal que todas las personas entiendan perfecto lo que se está
preguntando;
• ser neutrales para que no induzcan al entrevistado a alguna respuesta en particular y de esta
forma evitar sesgos; y
• utilizar la escala apropiada para recoger respuestas que permitan responder de buena forma
la pregunta.
Es importante confeccionar la encuesta con expertos, para contar con un instrumento válido para
recolectar los datos e incluir una etapa de validación de la encuesta con una muestra pequeña para
verificar que los entrevistados entienden correctamente las preguntas. De lo contrario, cualquier
conclusión que se obtenga podría estar sesgada o simplemente errada.
1.2 Opinión de ejecutivos
Esta metodología busca recoger información a partir de una reunión donde se registran las
opiniones de un grupo de personas, y comúnmente es conocida con el nombre de “focus group”.
Dicho grupo de personas está compuesto por individuos que tienen diferentes miradas y
experiencias respecto al tema de fondo que se está investigando, lo cual enriquece mucho la
discusión para poder llegar a algún consenso que permita generar un buen pronóstico de algún
producto o servicio del cual no se tenga mucha información previa, porque se trata de un
producto/servicio nuevo, o porque ha habido muchos cambios en el mercado o en la economía.
El gran problema de los focus groups podría ser las personalidades de las personas que lo componen,
ya que aquellas con personalidades más fuertes podrían opacar las opiniones de aquellas que hablan
más tímidamente, y con eso inducir a un sesgo en las conclusiones. Por esta razón, es muy
importante que el moderador cumpla un buen rol dando la palabra equitativamente a todos, y
haciendo las preguntas neutralmente sin dar su opinión, la que podría influir en los entrevistados.
1.3 Método Delphi
El método Delphi es similar a los focus groups en el sentido de buscar consenso dentro de un grupo
de personas expertas en el tema, pero en este caso se realiza de forma descentralizada, sin reunir a
las personas. La idea es evitar el sesgo mencionado de que personas con personalidades fuertes
influyan más en las conclusiones. Por esta razón se prepara un cuestionario que se envía a cada
miembro del grupo para que responda por escrito dentro de un plazo determinado. Una vez
recibidas todas las respuestas, se procesan. En caso de no haber un consenso total, se recogen
aquellos aspectos que aún hay que consensuar, para luego generar otro cuestionario con un
© Juan Carlos Ferrer y Ricardo Giesen
5
resumen de los temas consensuados y nuevas preguntas sobre los temas que aún hay que discutir,
el cual se vuelve a enviar a todos los miembros. Y esto se repite tantas veces como sea necesario.
La gran debilidad de este método es que toma mucho tiempo por todas las iteraciones que podrían
generarse con los integrantes expertos, y por el procesamiento de las respuestas cualitativas. En
este método el moderador también podría introducir sesgos en las conclusiones si no interpreta de
buena forma las respuestas de los participantes.
2 Métodos cuantitativos
Los métodos cuantitativos son aquellos que se materializan con expresiones matemáticas. Tienen
la gran fortaleza de ser objetivos y consistentes en el tiempo, y pueden además considerar muchos
datos en forma simultánea (a diferencia de los métodos cualitativos que son procesados por un ser
humano que no puede manejar muchas variables al mismo tiempo; de todas formas, ya han ido
apareciendo algunos métodos de inteligencia artificial para procesar información no estructurada).
Estos métodos dependen de los datos que los alimentan, los cuales no siempre se encontrarán
disponibles con el detalle y frecuencia que se necesitan, por lo que habrá que destinar los esfuerzos
necesarios para comenzar su recolección antes de poder implementar el método de pronóstico.
Otro aspecto fundamental es que la calidad del pronóstico depende de la calidad de los datos. Si los
datos fueron mal tomados, y fueron mal digitados, el pronóstico naturalmente estará errado. Es
muy importante revisar los datos en forma previa para detectar anomalías o puntos fuera de rango
(conocidos como outliers), que se pueden sacar de los datos para no distorsionar el pronóstico.
Dentro de los modelos cuantitativos estudiaremos dos tipos: i) modelos de series de tiempo; y ii)
modelos causales.
2.1 Modelos de series de tiempo
Los modelos de series de tiempo asumen principalmente que el fenómeno estudiado (por ejemplo,
las ventas) seguirá en el futuro el mismo patrón que ha tenido en el pasado. De esta forma, es
posible descomponer los datos observados en dos componentes: una que implica identificar un
patrón histórico que se observa (que se puede modelar), y la otra que sería el complemento
correspondiente a una variación aleatoria que no es posible modelar.
Datos = patrón histórico + variación aleatoria
© Juan Carlos Ferrer y Ricardo Giesen
6
El patrón histórico es lo único que puede ser modelado y pronosticado, e incluye:
• Nivel: los datos siguen un patrón horizontal alrededor del promedio de la serie de datos.
• Tendencia: algún aumento o disminución progresiva en los datos.
• Estacionalidad: claras y marcadas variaciones en los datos que tienen relación con estaciones
en el tiempo (meses, trimestres, semestres, etc.).
• Ciclo: patrones que se repiten en el tiempo, pero en ciclos de más largo plazo que
estacionalidades anuales, por ejemplo, ciclos económicos.
En la siguiente Figura se pueden observar gráficamente estos cuatro patrones clásicos.
© Juan Carlos Ferrer y Ricardo Giesen
7
2.2 Modelos causales
A menudo existen ciertos indicadores claves que pueden ayudar a predecir la demanda, porque son
parte de la causa para que ocurra un cierto fenómeno. Ahí nacen los modelos causales, los cuales
están construidos sobre relaciones de causa-efecto.
Un modelo causal común que es de mucha utilidad para explicar y pronosticar muchos fenómenos
que nos rodean es el de “regresión lineal”, el cual veremos en detalle más adelante en este curso.
Básicamente, el modelo de regresión lineal es un procedimiento estadístico que busca determinar
la recta que mejor represente la relación “lineal” entre una o más variables “explicativas” o
independientes con la variable dependiente que representa el fenómeno en cuestión.
La recta sería 𝑦̂ = 𝑎 + 𝑏𝑥, donde los parámetros a (nivel) y b (pendiente) determinan la posición de
la recta. El objetivo es buscar los valores de esos parámetros que determinen la mejor recta para
los valores observados que se utilizarán para construir el modelo de pronóstico.
Lo primero que hay que definir es la variable dependiente (por ejemplo, ventas), para la cual
queremos identificar las causas que provocan sus variaciones. Luego, hay que buscar cuáles son los
factores que contribuyen a estas variaciones, identificando las variables independientes. En nuestro
ejemplo, las variaciones observadas de las ventas podrían estar influenciadas por el precio, la
publicidad, las estacionalidades, el clima, y otros varios factores que uno pudiera considerar. Es muy
importante que los factores escogidos no estén correlacionados entre sí (es decir, que no se afecten
mutuamente). De haber un par de variables correlacionadas, es mejor escoger solo una de ellas para
que explique parte de las variaciones del fenómeno, porque de lo contrario se produciría un
problema llamado “multicolinearidad” que distorsiona la calibración de los parámetros del modelo
de regresión lineal.
En el modelo de regresión lineal hay una serie de supuestos que deben verificarse:
- Las variaciones (desviaciones) alrededor de la recta (modelo) deben ser aleatorias, es decir,
ningún patrón debiese estar presente.
- Las variaciones deben tener una distribución de probabilidades Normal, es decir, muchas
variaciones concentradas alrededor del cero, y menos variaciones en ambos extremos.
- Las predicciones deben hacerse solo dentro del rango de los valores observados con los
cuales se calibraron los parámetros de la regresión.
Entre algunas de debilidades del modelo de regresión lineal se encuentran:
- Naturalmente, solo aplica a relaciones lineales.
- Se necesitan muchos datos para poder establecer una buena relación.
- Todas las observaciones “pesan” lo mismo, es decir, tienen la misma importancia para el
pronóstico.
© Juan Carlos Ferrer y Ricardo Giesen
8
3 Precisión y Sesgo de un Pronóstico
Para evaluar la calidad de un pronóstico es importante mirar el nivel de precisión o error, donde
medimos qué tan cerca están nuestros pronósticos de los valores reales. Pero esto no es lo único
importante, sino que además nos gustaría saber si existe algún sesgo, es decir, si estamos
subestimando o sobreestimando en forma sistemática al realizar nuestras predicciones, en cuyo
caso hay que tomar una acción correctiva.
A continuación, revisaremos cómo evaluar nuestros pronósticos en ambos aspectos.
3.1 Precisión o Error de una Predicción
Por definición los pronósticos no son exactos ni perfectos, porque para eso necesitaríamos una bola
de cristal que adivinara el futuro. Por esta razón debemos medir cuánto se alejan de la realidad, y
usar esa medición como la precisión (o el error) de la predicción. Esta medición es necesaria para
saber cuánto podemos confiar en el método de pronóstico seleccionado.
La precisión de un método de pronóstico se obtiene al analizar los errores que ha cometido el
modelo en sus estimaciones. A partir de este análisis se podría concluir que hay que adaptar el
modelo usado actualmente con el objetivo de minimizar el error cometido, o bien seleccionar otro
método diferente con mayor precisión. En general, se define el error o residuo, et, de una predicción
para el período t, como la diferencia entre el valor observado (real) y la misma predicción:
𝑒𝑡 = 𝑦𝑡 − 𝑦̂𝑡 1
Donde 𝑦𝑡 es el valor real de la variable en el periodo t, por ejemplo, la demanda observada en t, e
𝑦̂𝑡 es la predicción realizada para esa variable en el periodo t. Si el error es positivo es porque el
pronóstico fue más bajo, es decir, subestima el valor real ocurrido, y si el error es negativo, entonces
el pronóstico sobreestima, es decir, anduvo por sobre el valor real.
A partir de los errores observados en distintos periodos se pueden calcular distintas métricas según
cómo se ponderen los valores obtenidos. A continuación, se definen algunas de las métricas
comúnmente utilizadas para analizar la precisión de los pronósticos según las características de la
demanda y el costo que conllevan los errores del modelo.
El símbolo del “sombrero” ( 𝑦̂𝑡 ) se usa para los valores que son estimaciones, mientras que los valores reales
no llevan este símbolo.
1 El símbolo del “sombrero” (𝑦̂𝑡 ) se usa para los valores que son estimaciones, mientras que los valores reales
no llevan este símbolo.
© Juan Carlos Ferrer y Ricardo Giesen
9
3.1.1 Desviación Absoluta Media (MAD o MAE)
La desviación absoluta media (en inglés, MAD: mean absolute deviation o MAE: mean absolute
error) corresponde al promedio de las desviaciones absolutas (sin importar el signo) entre todas las
observaciones:
𝑇
1
𝑀𝐴𝐷 = ∑|𝑒𝑡 |
𝑇
𝑡=1
Este indicador mide el error promedio sin importar si el error es positivo o negativo. Justamente se
suman los valores absolutos de los errores porque de lo contrario errores positivos se anularían con
errores negativos pudiendo llegar a situaciones de error total igual a cero, estando en presencia de
grandes errores en los pronósticos individuales.
El MAD es útil para comparar métodos de pronósticos cuando el costo del error es proporcional a
su magnitud.
3.1.2 Promedio de Error Porcentual Absoluto (MAPE)
El promedio de error porcentual absoluto (en inglés, mean absolute percentage error, MAPE)
corresponde a medir los errores individuales en términos relativos al valor del cual nos desviamos.
Por ejemplo, si el valor real es 100 y el pronóstico es 120, existe un error absoluto de 20, y un error
porcentual de 20%. Pero si el valor real fuese 1.000 y el pronóstico 1.200, el error absoluto sería de
200, pero el error porcentual sería de 20% al igual que en el primer caso. Por lo tanto, el MAPE se
calcula de la siguiente forma:
𝑇
1 𝑒𝑡
𝑀𝐴𝑃𝐸 = ∑ | | ∙ 100
𝑇 𝑦𝑡
𝑡=1
Este indicador puede utilizarse cuando la demanda tiene una componente estacional marcada y
presenta una variación relativamente alta entre un periodo y otro, y nos interesa seleccionar
métodos que no se desvíen demasiado en ningún periodo. El MAPE, a diferencia de otros
indicadores, es independiente de la escala y unidades en las que se mida la demanda y dará igual
ponderación a los errores porcentuales de los periodos de baja demanda como a los de alta
demanda. Es importante notar que el MAPE solo tiene sentido si 𝑦𝑡 es diferente de cero, por lo que
no será útil si analizamos datos donde la demanda sea nula en algunos periodos. Es más, el MAPE
no es buena métrica cuando las magnitudes son pequeñas, porque las desviaciones porcentuales
que calculara serán gigantes y carecerán de sentido.
Una virtud del MAPE es que permite comparar la precisión de diferentes modelos para diferentes
fenómenos, porque todo está en términos porcentuales.
© Juan Carlos Ferrer y Ricardo Giesen
10
3.1.3 Error Cuadrático Medio (MSE)
El error cuadrático medio (MSE por sus siglas en inglés: mean squared error) se calcula como el
promedio de los errores elevados al cuadrado, y se define de la siguiente forma:
𝑇
1
𝑀𝑆𝐸 = ∑ 𝑒𝑡2
𝑇
𝑡=1
Dado que los errores están elevados al cuadrado, se puede apreciar que se penaliza en mayor
medida los períodos con errores más grandes, es decir, se penalizan los errores extremos bastante
más que los errores pequeños.
Esta es una de las métricas más utilizadas para ajustar modelos estadísticos, donde se busca escoger
parámetros de los modelos de forma de minimizar el MSE. De hecho, es la métrica que utiliza el
modelo de Regresión Lineal al intentar encontrar la “mejor recta” que minimiza el MSE.
Veamos ahora un ejemplo para comparar dos modelos de pronósticos con esas tres métricas
presentadas. La siguiente Tabla muestra los errores cometidos mediante los métodos de pronóstico
A y B para un mismo producto que tiene estacionalidad de cuatro periodos con un peak de demanda
en el tercer periodo.
Método A B
Período Demanda Error Error
1 500 210 120
2 750 200 200
3 3600 350 600
4 1000 200 110
MSE 61,65 106,62
MAD 240 257,5
MAPE 25% 20%
Tabla: Comparación de métodos
Si bien el método A tiene menor MSE y MAD que el método B, este presenta mayor MAPE, ya que
los errores del método B son menores si los miramos en términos relativos a la demanda. Se puede
observar que el MSE penaliza mucho el error grande del método B en el periodo 3 (por ejemplo,
demanda de sangre en un banco de sangre, donde un error podría ser muy dañino).
© Juan Carlos Ferrer y Ricardo Giesen
11
3.2 Identificación de sesgos
Cuando un método de pronóstico comienza a reportar un error sistemático (no aleatorio) a un lado
de la media, es decir, cuando el método no continúa reflejando la forma funcional de la demanda,
se necesita alguna métrica para identificar la presencia de un sesgo y así poder tomar una acción
correctiva y modificar/cambiar el método de pronóstico. El tracking signal (TS) es una métrica que
ayuda a tomar esta decisión.
El TS se define como la suma de los errores (con su signo positivo o negativo) acumulados, dividida
por el error absoluto medio (MAD):
∑𝑇𝑡=1 𝑒𝑡
𝑇𝑆 =
𝑀𝐴𝐷
Si el método de pronóstico no presenta sesgos (es insesgado), al sumar errores positivos
(subestimación) con errores negativos (sobrestimación) se deberían ir cancelando entre ellos, por
lo que el TS debiera tender a cero (uno esperaría estar por sobre y por debajo la misma cantidad de
veces). Por lo mismo, si graficamos TS en el tiempo, la curva debería fluctuar en torno a cero.
Pero si en algún momento el valor de TS comienza a tomar valores cercanos a 4 o -4, quiere decir
que ha habido cuatro errores más positivos que negativos, o cuatro errores más negativos que
positivos respectivamente, lo que significa que estamos frente a un eventual sesgos del método.
4 Selección del método correcto de pronóstico
En el proceso de pronósticos, antes de hacer cualquier cosa, una tarea muy importante es encontrar
el mejor calce entre la situación y el método a utilizar.
Para poder elegir de manera apropiada el método de pronóstico que nos llevará a tener mejores
resultados para una situación y contexto particular, es importante tomar en cuenta los siguientes
aspectos:
a) Cantidad y tipo de datos disponibles_ Hay que ver la disponibilidad de datos propios (ventas
pasadas, disponibilidad de inventarios, promociones, etc.) y datos externos (temperaturas,
crecimiento de la economía, número de días hábiles, etc.).
b) Grado de precisión requerido: A mayor grado de precisión, mayor será el costo del proceso de
pronóstico. En una ocasión nos tocó que un retailer quiso incluir la publicidad de la competencia,
pero al pedirles los datos nos pasaron todos los avisos en papel (esperábamos un archivo digital
con los datos). Hubo que ingresar manualmente aviso por aviso.
© Juan Carlos Ferrer y Ricardo Giesen
12
c) Longitud del horizonte de pronóstico: El horizonte del pronóstico es clave para la elección del
modelo. Pronosticar las ventas para los próximos tres meses es completamente diferente a
pronosticar la demanda por electricidad en los próximos 25 años.
d) Presencia de patrones en los datos: Es importante tener una buena noción de los patrones
presentes en los datos para poder determinar el modelo adecuado. Por ejemplo, si hay o no
alguna tendencia, o si hay o no estacionalidades.
e) Sofisticación del sistema y del usuario: Se debe analizar quién estará a cargo de realizar los
pronósticos y qué sistema utilizará, de manera tal que cuente con las competencias necesarias
para utilizar el sistema/modelo adecuadamente.
5 Reflexión final
Los métodos de pronósticos cualitativos y cuantitativos son herramientas muy poderosas. Sin
embargo, es importante entender las ventajas y desventajas de cada tipo de modelo, así como las
ventajas y desventajas de los distintos métodos al interior de esas categorías.
En particular, para evaluar diferentes modelos cuantitativos de pronóstico, interesa la precisión y el
sesgo. Ambas características nos permitirán definir el mejor modelo para cada situación. Existen
diferentes indicadores para medir estas variables, y elegir la más adecuada dependerá del tipo de
pronóstico que se esté realizando.
Por último, no solo importa el tipo de modelo que se utiliza para realizar el pronóstico, sino que
entender en detalle qué queremos estimar, ya que dependiendo de las características particulares
del problema y escenario (disponibilidad de datos, precisión requerida, horizonte temporal,
patrones y competencias al interior de la compañía), algunos métodos serán más adecuados que
otros.
Bibliografía
Hyndman, R.J., and Athanasopoulos, G. (2021) Forecasting: Principles and Practice, 3rd edition,
oTexts: Melbourne, Australia. [Link]
Wilson, J.H., and Keating, B. (2002) Business Forecasting, 4th edition, McGraw-Hill Irwin.
© Juan Carlos Ferrer y Ricardo Giesen
13
