Administración de la producción y las operaciones
Tema 3: Pronóstico de ventas
1
ÍNDICE
UNILEVER .......................................................................................... 3
Actividades de aprendizaje ...................................................................... 5
¿Qué significa pronosticar? ...................................................................... 6
Horizonte de tiempo del pronóstico ...................................................... 6
Tipos de pronóstico .......................................................................... 7
Actividad ....................................................................................... 7
Enfoques de pronósticos ........................................................................ 8
Panorama de los métodos cualitativos ................................................... 8
Panorama de los métodos cuantitativos ................................................. 9
Enfoque intuitivo ............................................................................. 9
Promedios móviles .......................................................................... 10
Ejemplo práctico ............................................................................. 10
Promedio móvil ponderado ............................................................... 11
Suavización exponencial ................................................................... 13
Ejemplo ........................................................................................ 13
Errores de pronóstico ....................................................................... 14
Medición de errores......................................................................... 15
Ejemplo ........................................................................................ 16
Error cuadrático medio ..................................................................... 17
Ejemplo ........................................................................................ 17
Error porcentual absoluto medio ......................................................... 18
Ejemplo ........................................................................................ 18
Métodos causales: Regresión lineal ...................................................... 19
Ejemplo ........................................................................................ 20
Solución ....................................................................................... 21
2
UNILEVER
Una de las directrices cruciales en la administración de
las cadenas de valor es la planificación eficaz de la
demanda de los clientes (CDP, del inglés customer
demand planning), la cual comienza con los
pronósticos precisos.
La CDP es un proceso de planificación empresarial que permite a los equipos de
ventas (y a los clientes) formular pronósticos de la demanda que sirven de base
para los procesos de planificación de servicios, producción, inventario e ingresos.
Por lo general, pronosticar es el proceso de elaborar la visión más probable de lo
que será la demanda futura, dado un conjunto de suposiciones sobre la
tecnología, competidores, precios, marketing, gastos y campañas de ventas. La
planificación, por otro lado, es el proceso de tomar decisiones administrativas
acerca de cómo utilizar los recursos para responder mejor a los pronósticos de la
demanda.
En general, los pronósticos deben preceder a los planes: no es posible tomar
decisiones con respecto a los niveles de dotación de personal, compromisos de
compra y niveles de inventario, sino hasta que se hayan formulado pronósticos
que ofrezcan, dentro de lo razonable, una visión precisa de lo que será la
demanda en el horizonte temporal que abarca el pronóstico.
Unilever, el proveedor de productos de consumo de alta rotación, cuenta con un
sistema vanguardista de CDP. Usando software de Manugistics, el sistema
combina datos históricos de embarques con datos de promociones, lo que
permite compartir la información y colaborar con clientes importantes. El sistema
empieza con el historial de embarques e información sobre los pedidos actuales,
que constituyen la base sobre la que está construido el sistema de Unilever. Este
pronóstico básico depende exclusivamente de información pasada y presente,
por lo que un requisito crítico es contar con datos confiables. Sin embargo,
debido a que los datos se recopilan con frecuencia de sistemas anticuados muy
dispares, pueden contener errores, por lo que no necesariamente producen el
mejor pronóstico.
Además, la información estadística no es útil para pronosticar los resultados de
ciertos acontecimientos, promociones, lanzamientos y paquetes especiales, todos
los cuales son comunes en la industria. Para superar este problema, los
planificadores de Unilever tienen que ajustar los pronósticos estadísticos con las
predicciones sobre las promociones planeadas que llevan a cabo los equipos de
ventas especiales.
3
Para cada promoción, el sistema de planificación de ventas predice el “alza”, o
aumento proyectado en las ventas, y envía los datos al sistema de planificación
de demanda, que los aplica a las SKU (del inglés stock-keeping units) y los centros
de distribución correspondientes cada semana. A su vez, estos pronósticos se
revisan y ajustan si es necesario.
Unilever también realiza estudios externos de mercado y proyecciones internas
de ventas, que se analizan, combinan con las promociones organizadas por los
detallistas, y se introducen en el sistema de planificación de demanda. Para
mejorar aún más la precisión de los pronósticos y reducir los tiempos de espera
del inventario, Unilever, el proveedor de Dove, Lipton, Hellmann’s, y cientos de
otras marcas, compara los datos obtenidos en el punto de venta (POS, del inglés
point of sale) con sus propios pronósticos. Por desgracia, no todos los clientes
proporcionan datos de POS. Además, no es fácil integrar los datos, porque éstos
vienen en diferentes formatos, lo que obliga a la compañía a construir interfaces
para administrarlos. Debido a que la creación de estas interfaces es cara y requiere
mucho tiempo, la mayoría de las compañías, incluida Unilever, sólo recopilan
datos de POS de sus clientes grandes. Finalmente, los planificadores de Unilever
calculan las cifras finales cada semana e introducen estos pronósticos en el
sistema de planificación de demanda.
En general, el sistema actual de CDP ha sido un éxito. Unilever ha reducido su
inventario y mejorado la atención que brinda a sus clientes. Sin embargo, si la
colaboración y la utilización de datos de POS llegaran a incrementarse, es
probable que Unilever obtuviera beneficios aún mayores. El siguiente paso para
Unilever es colaborar con sus clientes y proveedores, un proceso mediante el cual
los pronósticos, planes de promociones y otros datos se comparten entre estas
empresas para determinar el pronóstico final. Este proceso se conoce como
planificación, pronóstico y reabastecimiento en colaboración.
4
Actividades de aprendizaje
Tiempo
Competencias Indicadores de Actividades de estimado
Contenido
Específicas aprendizaje aprendizaje (horas por
cada semana)
Elabora Entender la función 3.1 Características de la Investigar y analizar los
pronósticos de de un pronóstico demanda. sistemas de pronósticos 4 horas
ventas adecuados como base para 3.2 Diseño del sistema y elaborar un resumen. teóricas.
a las características planificar una cadena de pronósticos. Investiga los métodos 4 horas
de la demanda. de suministro. 3.3 Métodos de juicios. de juicios, casuales y de prácticas.
Comparar las 3.4 Métodos causales. series de tiempo y
diferencias entre Regresión lineal Simple elaborar un cuadro
demanda y múltiple usando un concentrador y
independiente y software. comparativo.
dependiente. 3.5 Métodos de series
Identificar los de tiempos usando un
componentes básicos software.
de demanda 3.6 Criterios para la
independiente: selección de métodos
variación promedio, con series de tiempos.
de tendencia,
temporal y aleatoria.
Describir las técnicas
comunes de
pronóstico cualitativo,
como el método
Delphi y el pronóstico
en colaboración.
Demostrar cómo
hacer un pronóstico
de serie de tiempo
con regresión,
promedios móviles y
suavización
exponencial.
5
¿Qué significa
pronosticar?
Los pronósticos son vitales para toda organización de
negocios, así como para cualquier decisión
importante de la gerencia. El pronóstico es la base de la planificación corporativa
de largo plazo. En las áreas funcionales de finanzas y contabilidad, los pronósticos
representan el fundamento para realizar presupuestos y controlar costos. El
marketing depende del pronóstico de ventas para planificar productos nuevos,
compensar al personal de ventas y tomar otras decisiones clave. Con los
pronósticos, el personal de producción y operaciones toma decisiones periódicas
que comprenden la selección de procesos, planificación de capacidades y
distribución de instalaciones, además de decisiones continuas acerca de la
planificación de la producción, programación e inventario.
Pronosticar es el arte y la ciencia de predecir los eventos futuros. Puede implicar
el uso de datos históricos y su proyección hacia el futuro mediante algún tipo de
modelo matemático. Puede ser una predicción subjetiva o intuitiva, o puede ser
una combinación de ambos, es decir, un modelo matemático ajustado por el
buen juicio del administrador. Conforme introduzcamos las distintas técnicas de
pronóstico en este tema, te darás cuenta que en realidad no existe un método
superior. Lo que funciona mejor en una empresa con una serie de condiciones
quizá sea un completo desastre en otra organización, o incluso en otro
departamento de la misma empresa. Además, observarás que hay límites para lo
que puede esperarse de los pronósticos. Pocas veces son perfectos. Su
preparación y supervisión también implica un gasto de tiempo y dinero. Pocos
negocios, sin embargo, se dan el lujo de eludir el proceso de pronosticar y sólo
esperar a ver qué sucede, para después arriesgarse. La planeación efectiva a corto
y largo plazo depende del pronóstico de la demanda de los productos de la
compañía.
Horizonte de tiempo del pronóstico
Un pronóstico usualmente se clasifica por el horizonte de tiempo futuro que
abarca. El horizonte de tiempo se clasifica en tres categorías:
1. Pronóstico a corto plazo. Este pronóstico tiene un periodo de hasta 1 año,
pero casi siempre es menor que 3 meses. Se usa para planear las compras,
programar el trabajo, determinar niveles de mano de obra, asignar el
trabajo y decidir los niveles de producción.
6
2. Pronóstico a mediano plazo. Un pronóstico a mediano plazo, o intermedio,
en general se extiende de 3 meses a 3 años. Es útil para planear las ventas,
la producción, el presupuesto y el flujo de efectivo, así como para analizar
los diversos planes de operaciones.
3. Pronóstico a largo plazo. En general comprende 3 años o más; los
pronósticos a largo plazo se emplean para planear nuevos productos,
gastos de capital, ubicación o ampliación de las instalaciones y la
investigación y el desarrollo.
Tipos de pronóstico
Las organizaciones emplean tres tipos principales de pronósticos al planear sus
operaciones futuras:
1. Los pronósticos económicos abordan el ciclo del negocio al predecir tasas
de inflación, suministros de dinero, construcción de viviendas y otros
indicadores de planeación.
2. Los pronósticos tecnológicos se refieren a los índices de progreso
tecnológico, que pueden dar lugar a nuevos productos interesantes, que
requerirán nuevas plantas y equipo.
3. Los pronósticos de la demanda son proyecciones de la demanda de
productos o servicios de la compañía. Estos pronósticos también se
conocen como pronósticos de ventas y ayudan a orientar los sistemas de
producción, capacidad y programación de la empresa, y sirven como
factores en la planeación financiera, marketing y personal.
Actividad
Utiliza el siguiente espacio para explicar con tus
propias palabras que entiendes por pronóstico y en
qué ámbitos crees que se utiliza, explica con un
ejemplo.
__________________________________________________________________________________________
__________________________________________________________________________________________
__________________________________________________________________________________________
__________________________________________________________________________________________
__________________________________________________________________________________________
7
Enfoques de pronósticos
Hay dos enfoques generales para pronosticar, de la misma forma que existen dos
maneras de abordar todos los modelos de decisión. Uno es el análisis
cuantitativo; el otro es el enfoque cualitativo. Los pronósticos cuantitativos
utilizan una variedad de modelos matemáticos que se apoyan en datos históricos
y en variables asociativas para pronosticar la demanda. Los pronósticos
cualitativos o subjetivos incorporan factores como la intuición, las emociones, las
experiencias personales y el sistema de valores de quien toma las decisiones para
llegar a un pronóstico. Algunas empresas emplean el primer enfoque y otras el
segundo. En la práctica, la combinación de ambos suele resultar más efectiva.
Panorama de los métodos cualitativos
1. Jurado de opinión ejecutiva: bajo este método, las opiniones de un grupo de
expertos o administradores de alto nivel, a menudo en combinación con
modelos estadísticos, se combinan para llegar a una estimación grupal de la
demanda. Por ejemplo, Bristol-Myers Squibb Company emplea 220 científicos
investigadores destacados, como jurado de opinión ejecutiva, con el fin de
tener una idea de las tendencias futuras en el mundo de la investigación
médica.
2. Método Delphi: Hay tres tipos de participantes en el método Delphi: los que
toman las decisiones, el personal, y los entrevistados. Los que toman las
decisiones suelen formar un grupo de 5 a 10 expertos que estarán elaborando
el pronóstico real. El personal ayuda a éstos a preparar, distribuir, recopilar y
resumir la serie de cuestionarios y los resultados de las encuestas. Los
entrevistados forman un grupo de personas, a menudo localizadas en
distintos sitios, cuyos juicios se valoran. Este grupo proporciona entradas a los
que toman las decisiones antes de hacer el pronóstico.
3. Composición de la fuerza de ventas: en este enfoque, cada vendedor estima
cuáles serán las ventas en su región. Después, estos pronósticos se revisan
para asegurar que sean realistas. Luego se combinan en los niveles distrital y
nacional para llegar a un pronóstico global. Una variación de este enfoque
ocurre en Lexus, donde los distribuidores de la compañía tienen una reunión
trimestral en la que hablan de lo que se está vendiendo, en qué colores y con
qué alternativas, a fin de que la fábrica sepa qué construir.
4. Encuesta en el mercado: este método solicita información a los clientes o
posibles consumidores acerca de sus planes de compra futuros. Puede ayudar
no sólo a preparar el pronóstico, sino también a mejorar el diseño del
producto y a la planeación de nuevos productos. Sin embargo, los métodos
de encuesta en el mercado de consumo y composición de la fuerza de ventas
adolecen de un optimismo exagerado que surge de la información de los
clientes.
8
Panorama de los métodos cuantitativos
En este grupo se describen cinco métodos de pronósticos cuantitativos que
emplean datos históricos. Los métodos caen en dos categorías:
1. Enfoque intuitivo
2. Promedios móviles
3. Suavización exponencial
4. Proyección de tendencias
5. Regresión lineal
Modelos de series de tiempo
Los modelos de series de tiempo predicen bajo el supuesto de que el futuro es
una función del pasado. En otras palabras, observan lo que ha ocurrido durante
un periodo y usan una serie de datos históricos para hacer un pronóstico. Si se
pronostican las ventas semanales de cortadoras de césped, se utilizan datos de
sus ventas pasadas para hacer el pronóstico.
Modelos asociativos
Los modelos asociativos, como la regresión lineal, incorporan las variables o los
factores que pueden influir en la cantidad que se va a pronosticar. Por ejemplo,
un modelo asociativo sobre las ventas de cortadoras de césped incluye factores
como la construcción de nuevas viviendas, el presupuesto de publicidad y los
precios de los competidores.
Enfoque intuitivo
La forma más sencilla de pronosticar es suponer que la demanda del siguiente
periodo será igual a la demanda del periodo más reciente. En otras palabras, si
las ventas de un producto (digamos, teléfonos celulares Nokia) fueron de 68
unidades en enero, podemos pronosticar que en febrero las ventas también serán
de 68 teléfonos.
¿Tiene esto algún sentido? Resulta que, para algunas líneas de productos, este
enfoque intuitivo es el modelo de pronóstico más efectivo en costos y más
eficiente con respecto al objetivo. Al menos ofrece un punto de partida contra el
cual comparar otros modelos más sofisticados que se utilizan después.
9
Promedios móviles
El pronóstico de promedios móviles usa un número de valores de datos históricos
reales para generar un pronóstico. Los promedios móviles son útiles si podemos
suponer que la demanda del mercado permanecerá relativamente estable en el
tiempo. Un promedio móvil de 4 meses se encuentra tan sólo al sumar la
demanda medida durante los últimos 4 meses y dividiéndola entre cuatro. Al
concluir cada mes, los datos del mes más reciente se agregan a la suma de los 3
meses previos y se elimina el dato del mes más antiguo. Esta práctica tiende a
suavizar las irregularidades del corto plazo en las series de datos.
Matemáticamente, el promedio móvil sencillo (que sirve como estimación de la
demanda del siguiente periodo) se expresa como:
Σ demanda en los 𝑛 periodos previos
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑚ó𝑣𝑖𝑙 =
𝑛
donde n es el número de periodos incluidos en el promedio móvil (por ejemplo,
4, 5 o 6 meses, respectivamente, para un promedio móvil de 4, 5 o 6 periodos).
Ejemplo práctico
La tienda de productos para jardín de Donna quiere hacer un pronóstico con el
promedio móvil de 3 meses, incluyendo un pronóstico para las ventas de
cobertizos el próximo enero.
MÉTODO ▶ Las ventas de cobertizos para almacenamiento se muestran en la
columna media de la siguiente tabla. A la derecha se presenta un promedio móvil
de 3 meses.
Ventas reales de
Mes Promedio móvil de 3 meses
cobertizos
Enero 10
Febrero 12
Marzo 13
Abril 16 (10+12+13)/3= 11.67
Mayo 19 (12+13+16)/3= 13.67
Junio 23 (13+16+19)/3= 16.00
Julio 26 (16+19+23)/3= 19.33
Agosto 30 (19+23+26)/3= 22.67
Septiembre 28 (23+26+30)/3= 26.33
Octubre 18 (26+30+28)/3= 28.00
Noviembre 16 (30+28+18)/3= 25.33
Diciembre 14 (28+18+16)/3= 20.67
10
SOLUCIÓN ▶ El pronóstico para diciembre es de 20.67. Para proyectar la
demanda de cobertizos en enero próximo, se suman las ventas de octubre,
noviembre y diciembre y se dividen entre 3:
pronóstico de enero = (18+16+14) /3=16.
RAZONAMIENTO ▶ Ahora la administración tiene un pronóstico que promedia
las ventas para los últimos 3 meses. Es fácil de usar y entender.
EJERCICIO DE APRENDIZAJE ▶ Si las ventas reales en diciembre fueran de 18 (en
vez de 14), ¿cuál es el nuevo pronóstico para enero? R: __________________
Promedio móvil ponderado
Cuando se presenta una tendencia o un patrón localizable, pueden utilizarse
ponderaciones para dar más énfasis a los valores recientes. Esta práctica permite
que las técnicas de pronóstico respondan más rápido a los cambios, puesto que
puede darse mayor peso a los periodos más recientes. La elección de las
ponderaciones es un tanto arbitraria porque no existe una fórmula establecida
para determinarlas. Por lo tanto, la decisión de qué ponderaciones emplear
requiere cierta experiencia. Por ejemplo, si el último mes o periodo se pondera
demasiado alto, el pronóstico puede reflejar un cambio grande inusual,
demasiado rápido en el patrón de demanda o de ventas. Un promedio móvil
ponderado puede expresarse de manera matemática como:
Σ [(Ponderación para el periodo 𝑛)(Demanda en el periodo 𝑛)]
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑚ó𝑣𝑖𝑙 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜 =
Σ Ponderaciones
El ejemplo siguiente muestra cómo calcular un promedio móvil ponderado.
Ponderación aplicada Periodo
3 Último mes
2 Hace dos meses
1 Hace tres meses
6 Suma de ponderaciones
Pronóstico para este mes=
3 x (ventas del último mes) + 2 x (ventas de hace 2 meses) + 1 x (ventas de hace 3 meses)
Suma de ponderaciones
11
Ventas reales de
Mes Promedio móvil ponderado de 3 meses
cobertizos
Enero 10
Febrero 12
Marzo 13
Abril 16 (3 x 13) + (2 x 12) + (10 x 1) /6 =12.66
Mayo 19 (3 x 16) + (2 x 13) + (12 x 1) /6 =14.33
Junio 23 (3 x 19) + (2 x 16) + (13 x 1) /6=17.00
Julio 26
Agosto 30
Septiembre 28
Octubre 18
Noviembre 16
Diciembre 14
RAZONAMIENTO ▶ En esta situación particular de pronóstico, se observa que
cuanto más se pondera el último mes, la proyección que se obtiene es mucho
más precisa.
EJERCICIO DE APRENDIZAJE ▶ Si las ponderaciones asignadas fueran 0.50, 0.33 y
0.17 (en lugar de 3, 2 y 1), ¿cuál es el pronóstico para enero con el promedio móvil
ponderado?, ¿por qué?
Demanda real frente a los métodos de promedios
35
30
25
Demanda
20
15
10
0
0 2 4 6 8 10 12 14
Mes
Ventas reales de cobertizos Promedio móvil de tres meses
Promedio móvil ponderado
12
Suavización exponencial
La suavización exponencial es otro método de pronóstico de promedios móviles
ponderados que sigue siendo bastante fácil de usar. Requiere mantener muy
pocos registros de datos históricos. La fórmula básica para la suavización
exponencial se expresa como sigue:
Nuevo pronóstico =Pronóstico del periodo anterior + α (Demanda real del mes anterior
- Pronóstico del periodo anterior)
Donde α es una ponderación, o constante de suavización, elegida por quien
pronostica, que tiene un valor entre 0 y 1. La ecuación anterior también puede
escribirse de manera matemática como:
Ft = Ft-1 + α (A t-1 – F t-1)
Dónde:
Ft =nuevo pronóstico
Ft-1=pronóstico del periodo anterior
α= constante de suavización (o ponderación) (0≤ α ≤ 1)
A t-1=demanda real en el periodo anterior
El concepto no es complicado. La última estimación de la demanda es igual a la
estimación anterior ajustada por una fracción de la diferencia entre la demanda
real del último periodo y la estimación anterior.
Ejemplo
En enero, un vendedor de automóviles predijo que la demanda para febrero sería
de 142 Ford Mustang. La demanda real en febrero fue de 153 automóviles.
Usando una constante de suavización que eligió la administración de α=0.20, el
vendedor quiere pronosticar la demanda para marzo usando el modelo de
suavización exponencial.
MÉTODO ▶ Se puede aplicar el modelo de suavización exponencial de las
ecuaciones anteriores.
SOLUCIÓN ▶ Al sustituir en la fórmula los datos de la muestra, se obtiene: Nuevo
pronóstico (para la demanda de marzo) = 142 + 0.2(153 - 142) = 142 + 2.2 =
144.2
RAZONAMIENTO ▶ Usando sólo dos elementos de datos, el pronóstico y la
demanda real, más una constante de suavización, desarrollamos un pronóstico
de 144 Ford Mustang para marzo.
EJERCICIO DE APRENDIZAJE ▶ Si la constante de suavización se cambia a 0.30,
¿cuál es el nuevo pronóstico?
13
La constante de suavización, α, se encuentra por lo regular en un rango de 0.05 a
0.50 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). Cuando
α llega al extremo de 1.0, entonces en la ecuación utilizada, Ft = 1.0 At-1.
Todos los valores anteriores se desechan y el pronóstico se vuelve idéntico al
modelo intuitivo, el cual se mencionó con anterioridad en este tema. Es decir, el
pronóstico para el siguiente periodo es considerar exactamente la misma
demanda del periodo actual.
La tabla siguiente ayuda a ilustrar este concepto. Por ejemplo, cuando α= 0.5,
podemos ver que el nuevo pronóstico se basa casi por completo en la demanda
de los últimos tres o cuatro periodos. Cuando α= 0.1, el pronóstico pone poco
peso en la demanda reciente y toma en cuenta los valores históricos de muchos
periodos (casi 19).
Ponderación asignada
Constante de Periodo más 2° periodo 3er periodo 4° periodo 5° periodo
suavización reciente (α) más reciente más reciente más reciente más reciente
α(1- α) α(1- α)2 α(1- α)3 α(1- α)4
α = 0.1 0.1 0.09 0.081 0.073 0.066
α = 0.5 0.5 0.25 0.125 0.063 0.031
En el método de suavización exponencial, sólo se necesitan tres piezas de datos
para pronosticar el futuro: el pronóstico más reciente, la demanda real que
ocurrió durante el periodo de pronóstico y una constante de uniformidad alfa (α).
Esta constante de suavización determina el nivel de uniformidad y la velocidad
de reacción a las diferencias entre los pronósticos y las ocurrencias reales. El valor
de una constante se determina tanto por la naturaleza del producto como por el
sentido del gerente de lo que constituye un buen índice de respuesta.
Errores de pronóstico
El término error se refiere a la diferencia entre el valor de pronóstico y lo que
ocurrió en realidad. En estadística, estos errores se conocen como residuales.
Siempre y cuando el valor del pronóstico se encuentre dentro de los límites de
confianza, como se verá más adelante en “Medición del error”, éste no es
realmente un error. Pero el uso común se refiere a la diferencia como un error. La
demanda de un producto se genera mediante la interacción de varios factores
demasiado complejos para describirlos con precisión en un modelo. Por lo tanto,
todas las proyecciones contienen algún error. Al analizar los errores de
pronóstico, es conveniente distinguir entre las fuentes de error y la medición de
errores.
14
Medición de errores
Varios términos comunes empleados para describir el grado de error son error
estándar, error cuadrado medio (o varianza) y desviación absoluta media.
Además, es posible usar señales de rastreo para indicar cualquier sesgo positivo
o negativo en el pronóstico.
El error estándar se estudia en la sección sobre regresión lineal en este tema.
Como el error estándar es la raíz cuadrada de una función, a menudo es más
conveniente utilizar la función misma. Esto se conoce como error cuadrado medio
o varianza. La desviación absoluta media (MAD; mean absolute deviation) se
utilizaba con mucha frecuencia en el pasado, pero posteriormente fue
reemplazada por la desviación estándar y las medidas de error estándar.
En años recientes, la MAD regresó por su simplicidad y utilidad al obtener señales
de rastreo. La MAD es el error promedio en los pronósticos, mediante el uso de
valores absolutos. Es valiosa porque, al igual que la desviación estándar, mide la
dispersión de un valor observado en relación con un valor esperado.
La exactitud general de cualquier modelo de pronóstico (promedios móviles,
suavización exponencial u otro) puede determinarse al comparar los valores
pronosticados con los valores reales u observados. Si Ft indica el pronóstico en el
periodo t, y At indica la demanda real del periodo t, el error de pronóstico (o
desviación) se define como:
Error de pronóstico = Demanda real - Valor pronosticado
= A t - Ft
En la práctica se usan varias medidas para calcular el error global de pronóstico.
Estas medidas pueden usarse para comparar distintos modelos de pronóstico, así
como para vigilar los pronósticos y asegurar su buen desempeño. Las tres
medidas más populares son la desviación absoluta media (MAD, por sus siglas en
inglés), el error cuadrático medio (MSE, por sus siglas en inglés), y el error
porcentual absoluto medio (MAPE, por sus siglas en inglés). A continuación, se
describen estas medidas y se da un ejemplo de cada una.
Desviación absoluta media: La primera medición del error global de pronóstico
para un modelo es la desviación absoluta media (MAD). Su valor se calcula
sumando los valores absolutos de los errores individuales del pronóstico y
dividiendo el resultado entre el número de periodos con datos (n):
Ʃ| 𝑟𝑒𝑎𝑙 − 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜|
𝑀𝐴𝐷 =
n
En el siguiente ejemplo se aplica la MAD, como una medida global del error de
pronóstico, al probar dos valores de α.
15
Ejemplo
Durante los últimos 8 trimestres, en el puerto de Baltimore se han descargado de
los barcos grandes cantidades de grano. El administrador de operaciones del
puerto quiere probar el uso de la suavización exponencial para ver qué tan bien
funciona la técnica para predecir el tonelaje descargado. Supone que el
pronóstico de grano descargado durante el primer trimestre fue de 175
toneladas. Se examinan dos valores de α: α= 0.10 y α= 0.50.
MÉTODO ▶ Compara los datos reales con los pronosticados (usando cada uno
de los dos valores de α) y después encuentre la desviación absoluta y las MAD.
Tonelaje real Pronóstico con α=
Trimestre Pronóstico con α= 0.10
descargado 0.50
1 180 175 175
2 168 175+0.10*(180-175)=175.50 177.50
3 159 175.50+0.10*(168-175.50)=174.75 172.75
4 175 174.75+0.10*(159-174.50)=173.18 165.88
5 190
6 205
7 180
8 182
9 ?
Para evaluar la exactitud de cada constante de suavización, podemos calcular los
errores de pronóstico en términos de desviaciones absolutas y MAD.
Desviación
Desviación Pronóstico
Tonelaje real Pronóstico absoluta
Trimestre absoluta con
descargado con α= 0.10 para
para α= 0.10 α= 0.50
α= 0.50
1 180 175 5.00 175 5
2 168 175.50 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190
6 205
7 180
8 182
Sumas de las desviaciones absolutas:
Ʃ| 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛𝑒𝑠|
𝑀𝐴𝐷 =
n
α= 0.10=___________
α= 0.50=______________
16
RAZONAMIENTO ▶ Con base en esta comparación de las dos MAD, se prefiere
una constante de suavización de α= 0.10 en lugar de una de α= 0.50 porque su
MAD es más pequeña.
EJERCICIO DE APRENDIZAJE ▶ Si la constante de suavización se cambia de α=
0.10 a α= 0.20, ¿cuál es la nueva MAD?
Error cuadrático medio
El error cuadrático medio (MSE) es una segunda forma de medir el error global
de pronóstico. El MSE es el promedio de los cuadrados de las diferencias
encontradas entre los valores pronosticados y los observados. Su fórmula es:
Ʃ(𝐸𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜)²
𝑀𝑆𝐸 =
n
Ejemplo
El administrador de operaciones del puerto de Baltimore quiere calcular ahora el
MSE para α= 0.10.
MÉTODO ▶ Se usan los mismos datos pronosticados para α= 0.10 en el ejemplo
anterior.
Tonelaje real Pronóstico con α=
Trimestre Error2
descargado 0.10
1 180 175 (5)2 = 25
2 168 175.50 (-7.5)2 =56.25
3 159 174.75 (-15.75)2 = 248.06
4 175 173.18 (1.82)2 =3.31
5 190
6 205
7 180
8 182
Suma de errores al cuadrado=___________________
Ʃ(𝐸𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜)²
𝑀𝑆𝐸 =
n
𝑀𝑆𝐸 =_____________
17
RAZONAMIENTO ▶ ¿Este MSE=190.8 es bueno o malo? Todo depende de los
MSE calculados para otros métodos de pronóstico. Un MSE más bajo es mejor
porque es un valor que queremos disminuir al mínimo. El MSE exagera los errores
porque los eleva al cuadrado.
EJERCICIO DE APRENDIZAJE ▶ Encuentre el MSE para α= 0.50.
Error porcentual absoluto medio
Un problema tanto con la MAD como con el MSE es que sus valores dependen
de la magnitud del elemento que se pronostica. Si el elemento pronosticado se
mide en millares, los valores de la MAD y del MSE pueden ser muy grandes. Para
evitar este problema, podemos usar el error porcentual absoluto medio (MAPE).
Éste se calcula como el promedio de las diferencias absolutas encontradas entre
los valores pronosticados y los reales, y se expresa como un porcentaje de los
valores reales. Es decir, si hemos pronosticado n periodos y los valores reales
corresponden a esa misma cantidad de periodos, el MAPE se calcula como:
Ejemplo
El puerto de Baltimore ahora quiere calcular el MAPE cuando α= 0.10.
MÉTODO ▶ Se aplica la ecuación anterior a los datos pronosticados que se
calcularon en nuestro ejemplo.
Tonelaje real Pronóstico Error porcentual
Trimestre
descargado para α= 0.10 absoluto 100(|error|/real)
1 180 175 100*(5/180) = 2.78%
2 168 175.50 100*(7.5/168) =4.46%
3 159 174.75 100*(15.75/159) = 9.90%
4 175 173.18 100*(1.82/175) =1.05%
5 190
6 205
7 180
8 182
Suma de errores porcentuales: ____________________
MAPE= suma de errores porcentuales /n =_________________
RAZONAMIENTO ▶ El MAPE expresa el error como un porcentaje de los errores
reales, sin que esté distorsionado por un solo valor muy grande.
18
Métodos causales: Regresión lineal
Los métodos causales se emplean cuando se dispone de datos históricos y se
puede identificar la relación entre el factor que se intenta pronosticar y otros
factores externos o internos (por ejemplo, las acciones del gobierno o las
promociones publicitarias).
Estas relaciones se expresan en términos matemáticos y suelen ser muy
complejas. Los métodos causales proporcionan las herramientas de pronóstico
más avanzadas y son excelentes para prever los puntos de cambio en la demanda
y preparar pronósticos a largo plazo. Aunque existen muchos métodos causales,
nos ocuparemos aquí de los más conocidos y los que se utilizan más
comúnmente entre todos esos métodos.
En la regresión lineal, una variable, conocida como variable dependiente, está
relacionada con una o más variables independientes por medio de una ecuación
lineal. La variable dependiente es la que se desea pronosticar. Se supone que las
variables independientes influyen en la variable dependiente y, por ende, son la
“causa” de los resultados observados en el pasado.
En los modelos de regresión lineal más sencillos, la variable dependiente es
función de una sola variable independiente y, por lo tanto, la relación teórica es
una línea recta:
Y= a + bX
Donde
Y = variable dependiente
X = variable independiente
a = intersección de la recta con el eje Y
b = pendiente de la recta
El objetivo del análisis de regresión lineal es encontrar los valores de a y b que
minimicen la suma de las desviaciones cuadráticas de los puntos de datos reales
que están representados en el gráfico. Con esta finalidad se utilizan programas
de cómputo. Para cualquier conjunto de parejas de observaciones de Y y X, el
programa calcula los valores de a y b y ofrece medidas de la precisión del
pronóstico.
Tres medidas de uso común son el coeficiente de correlación de la muestra, el
coeficiente de determinación de la muestra y el error estándar del estimado. El
coeficiente de correlación de la muestra, r, mide la dirección y fuerza de la relación
entre la variable independiente y la variable dependiente.
19
Los valores de r pueden fluctuar entre –1.00 y +1.00. Un coeficiente de correlación
de +1.00 implica que los cambios registrados de uno a otro periodo en la
dirección (incrementos o decrementos) de la variable independiente, siempre van
acompañados por cambios de la variable dependiente en la misma dirección.
Un r de –1.00 significa que los decrementos de la variable independiente siempre
van acompañados de incrementos en la variable dependiente, y viceversa.
Cuando r tiene valor de cero, significa que no existe relación lineal entre las
variables.
El coeficiente de determinación de la muestra mide la cantidad de variación que
presenta la variable dependiente con respecto a su valor medio, que se explica
por la línea de regresión. El coeficiente de determinación es igual al cuadrado del
coeficiente de correlación, o r2. El valor de r2 oscila entre 0.00 y 1.00.
Las ecuaciones de regresión, cuyo valor de r2 se aproxima a 1.00, son deseables
porque eso significa que las variaciones de la variable dependiente y del
pronóstico generado por la ecuación de regresión están estrechamente
relacionadas.
El error estándar del estimado, Syx, mide la proximidad con que los datos de la
variable dependiente se agrupan alrededor de la línea de regresión. Aunque es
semejante a la desviación estándar de la muestra, mide el error de la variable
dependiente, Y, con respecto a la línea de regresión, en lugar de medirlo con
respecto a la media.
En consecuencia, es la desviación estándar de la diferencia entre la demanda real
y la estimación obtenida con la ecuación de regresión. Al determinar qué variable
independiente se incluirá en la ecuación de regresión, se debe elegir la que tenga
el error estándar más pequeño del estimado.
Ejemplo
La persona a cargo de programar la producción de una compañía tiene que
elaborar pronósticos de la demanda de un producto a fin de planear las
cantidades de producción más apropiadas. Durante un almuerzo de negocios, la
gerente de marketing le proporciona información sobre el presupuesto de
publicidad de una bisagra de bronce para puertas. A continuación, se presentan
los datos sobre ventas y publicidad correspondientes a los últimos cinco meses:
La gerente de marketing afirma que la compañía gastará el mes entrante $1,750
en publicidad del producto. Aplica la regresión lineal para desarrollar una
ecuación y un pronóstico para ese producto.
20
Solución
Suponemos que existe una relación lineal entre las ventas y los gastos de
publicidad. En otras palabras, las ventas son la variable dependiente, Y, y los
gastos de publicidad son la variable independiente, X. Utilizando las parejas de
observaciones mensuales correspondientes a las ventas y los gastos de
publicidad proporcionadas por la gerente de marketing, usamos Microsoft Excel
para encontrar los mejores valores de a, b, el coeficiente de correlación, el
coeficiente de determinación y el error estándar del estimado.
Ventas Publicidad
Mes
(miles de unidades) (miles de dólares)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
a) Determina a través de Excel, la ecuación de regresión lineal
b) Indica los valores de a, b, r, r2 y Syx
¿Es acertado seleccionar los gastos de publicidad para realizar un pronóstico de
ventas? Observa que el coeficiente de correlación de la muestra, r, es 0.98. Puesto
que el valor de r se aproxima mucho a 1.00, se concluye que existe una fuerte
relación positiva entre las ventas y los gastos de publicidad, y que la elección fue
acertada.
A continuación, se examina el coeficiente de determinación de la muestra, r2, o
0.96. Este valor de r2 implica que el 96% de la variación observada en las ventas
se explica por los gastos de publicidad. En la práctica, la mayoría de las relaciones
entre publicidad y ventas no son tan fuertes porque con frecuencia otras
variables, como la situación económica en general y las estrategias de los
competidores, se combinan para afectar las ventas.
Como el gasto de publicidad será de $1,750, el pronóstico para el mes 6 es:
Y = -8.135 + 109.229(1.75) = 183.016 o 183,016 unidades.
21
