Métodos Cuantitativos sencillos para estimar la
demanda
MAP. Daniel Murillo Barboza
Administración de Recursos Materiales
Los métodos cuantitativos
de previsión de la
demanda
Los métodos cuantitativos de previsión de la demanda se caracterizan por el
uso de datos históricos y modelos matemáticos o estadísticos para proyectar
la demanda futura.3 Estos enfoques se consideran más objetivos que los
cualitativos y, a menudo, pueden proporcionar pronósticos más precisos,
siempre y cuando se disponga de datos históricos de buena calidad y los
patrones observados en el pasado sean razonablemente indicativos del
comportamiento futuro de la demanda.3
Análisis de Series
Temporales:
El análisis de series temporales es un conjunto de técnicas que examinan los
datos históricos de la demanda (u otra variable de interés) ordenados
cronológicamente para identificar patrones subyacentes.
Estos patrones pueden incluir tendencias (movimientos a largo plazo hacia
arriba o hacia abajo), estacionalidad (fluctuaciones regulares dentro de un año),
ciclos (fluctuaciones a más largo plazo) y variaciones aleatorias o irregulares.
Una vez identificados estos patrones, se pueden extrapolar o proyectar hacia el
futuro para generar un pronóstico.3
Promedios Móviles (Simple
y Ponderado):
Los promedios móviles son de los métodos de previsión más sencillos y se
utilizan para suavizar las fluctuaciones a corto plazo en una serie de tiempo,
revelando así la tendencia o el patrón subyacente de manera más clara.
Promedio Móvil Simple (PMS)
Promedio Móvil Simple (PMS): Este método calcula el promedio aritmético de la demanda observada durante un número específico de
períodos pasados consecutivos. El resultado de este promedio se utiliza luego como el pronóstico para el siguiente período.15 La
fórmula básica es:
Ft=(Dt21+Dt22+...+Dt2N)/N
Donde:
Ft es el pronóstico para el período t,
Dt2i es la demanda real en el período pasado t2i, y
N es el número de períodos incluidos en el promedio móvil.
El PMS es útil para productos o suministros con una demanda relativamente estable o para eliminar el impacto de irregularidades o
"ruido" en los datos. Generalmente, se considera adecuado para previsiones a corto plazo. Por ejemplo, una empresa podría calcular el
consumo promedio trimestral de papel de oficina de los últimos cuatro trimestres para prever la necesidad del próximo trimestre.
Ventajas y desventajas:
La principal ventaja del PMS es su facilidad de cálculo y comprensión. Sin embargo, tiene limitaciones importantes: no refleja bien las
tendencias (ya que siempre está "mirando hacia atrás"), requiere una cantidad suficiente de datos históricos para ser significativo, y
puede retrasar la detección de cambios reales en los valores de la demanda. Además, al aumentar el número de períodos (N) en el
promedio, se logra un mayor suavizado de las fluctuaciones, pero también se reduce la sensibilidad del pronóstico a los cambios
recientes en la demanda.
Ejemplo de Promedio Móvil Simple (PMS)
Este método calcula el promedio de la demanda de un número específico de períodos pasados para pronosticar el siguiente. Es útil para
demandas estables o para suavizar irregularidades.
Escenario: Una PYME quiere prever la demanda de resmas de papel para el mes de mayo, basándose en los últimos 3 meses.
Datos Históricos (Demanda de resmas de papel):
Febrero (D1): 100 unidades
Marzo (D2): 110 unidades
Abril (D3): 105 unidades
Paso a Paso:
1. Definir N: Se decide usar un promedio móvil de 3 períodos (N=3).
2. Identificar los datos: Se toman los datos de los últimos N períodos: 100, 110 y 105.
3. Aplicar la fórmula: Se suman las demandas y se dividen por N.
a. Fmayo=(Dabril+Dmarzo+Dfebrero)/N
b. Fmayo=(105+110+100)/3
4. Calcular el pronóstico:
a. Fmayo=315/3
b. Fmayo=105
Resultado: El pronóstico de demanda de resmas de papel para mayo, utilizando un PMS de 3 períodos, es de 105 unidades.
Promedio Móvil Ponderado (PMP)
Promedio Móvil Ponderado (PMP): Este método es una variación del PMS que permite asignar diferentes pesos o niveles de
importancia a los datos de los períodos pasados incluidos en el cálculo del promedio. Usualmente, se asignan pesos mayores a los
datos más recientes, bajo la premisa de que la información más actual es más relevante para predecir el futuro inmediato.15 La fórmula
es:
Ft=w1Dt21+w2Dt22+...+wNDt2N
Donde:
Ft es el pronóstico para el período t,
Dt2i es la demanda real en el período pasado t2i, y
N es el número de períodos incluidos en el promedio móvil.
w es el peso asignado a la demanda del período t2i, y la suma de todos los pesos (w1+w2+...+wN) debe ser igual a 1
El PMP es útil cuando existen tendencias o patrones identificables en los datos y se desea que el pronóstico responda más rápidamente
a los cambios recientes en la demanda en comparación con un PMS.
Ventajas y desventajas:
Su principal ventaja es una mayor sensibilidad a los cambios recientes si los pesos se asignan adecuadamente. No obstante, la elección
de los pesos puede ser algo arbitraria y requiere cierto juicio o experimentación. Comparte con el PMS la necesidad de datos históricos y
ciertas limitaciones para seguir tendencias muy marcadas si no se ajustan los pesos dinámicamente.
Ejemplo de Promedio Móvil Ponderado (PMP)
Este método asigna diferentes pesos a los datos pasados, usualmente dando más importancia a los más recientes.
Escenario: La misma PYME quiere prever la demanda de papel para mayo, pero cree que la demanda de abril es más relevante que la de
febrero.
Datos Históricos:
Febrero (D1): 100 unidades
Marzo (D2): 110 unidades
Abril (D3): 105 unidades
Paso a Paso:
1. Definir N: Se usa N=3.
2. Asignar Pesos: Se decide dar más peso a los meses recientes. Los pesos deben sumar 1.
Abril (w1): 0.5 (Más reciente)
Marzo (w2): 0.3
Febrero (w3): 0.2 (Menos reciente)
3. Aplicar la fórmula: Se multiplica cada demanda por su peso y se suman los resultados.
Fmayo=(w1 Dabril)+(w2 Dmarzo)+(w3 Dfebrero)
Fmayo=(0.5 105)+(0.3 110)+(0.2 100)
4. Calcular el pronóstico:
Fmayo=52.5+33+20
Fmayo=105.5
Resultado: El pronóstico para mayo, usando un PMP que da más peso a los datos recientes, es de 105.5 (o 106 si se redondea
a unidades enteras). Este valor está ligeramente más cerca de la demanda de abril (105) que el PMS.
Aplicabilidad de los promedios móviles
Los promedios móviles, tanto simples como ponderados, son más adecuados para prever la demanda de suministros internos
con un consumo relativamente estable y predecible, como podría ser el material de oficina de uso regular (papel, bolígrafos), o
para productos que se encuentran en una fase madura de su ciclo de vida con ventas constantes. Sin embargo, son menos
útiles y pueden generar pronósticos inexactos para artículos que presentan tendencias de crecimiento o declive fuertes, alta
estacionalidad, o para ítems como muchos suministros de MRO (Mantenimiento, Reparación y Operaciones) que a menudo
tienen una demanda muy esporádica o intermitente (con muchos períodos de cero demanda). Aunque el cálculo del punto de
reorden de inventario a menudo utiliza un "promedio de ventas diarias", que es una forma de promedio móvil, su aplicabilidad
debe evaluarse cuidadosamente según la naturaleza de la demanda del ítem específico.
Suavización Exponencial
Simple (SES):
La Suavización Exponencial Simple es otro método popular de series
temporales que asigna pesos exponencialmente decrecientes a las
observaciones pasadas. Esto significa que los datos más recientes reciben
automáticamente un mayor peso en el cálculo del pronóstico, mientras que la
influencia de los datos más antiguos disminuye gradualmente. Para su
aplicación, solo se requiere el pronóstico realizado para el período anterior, la
demanda real que ocurrió en ese período anterior, y una constante de
suavización, denotada por la letra griega alfa (³).
Fórmula y Aplicación de SES
La fórmula más común para la SES es:
Ft+1=³Dt+(12³)Ft
Alternativamente, se puede expresar como:
Ft+1=Ft+³(Dt2Ft)
Donde:
Ft+1 es el pronóstico para el próximo período,
Ft es el pronóstico para el período actual t,
Dt es la demanda real en el período actual t,
³ es la constante de suavización.
La constante de suavización ³ es un valor que se elige entre 0 y 1. Un valor de ³ cercano a 1 otorga mucho peso a la demanda
real más reciente, haciendo que el pronóstico sea muy sensible a los cambios recientes (alta respuesta). Por el contrario, un
valor de ³ cercano a 0 otorga más peso a los pronósticos pasados, lo que resulta en un pronóstico más suavizado y menos
reactivo a las fluctuaciones recientes.52
La SES es particularmente útil para realizar previsiones a corto plazo, especialmente cuando la serie de tiempo de la demanda no
presenta una tendencia o estacionalidad muy marcada.
Ventajas y desventajas
Una ventaja es que puede funcionar razonablemente bien, incluso con un conjunto de datos históricos relativamente pequeño. Por
ejemplo, se podría aplicar SES para prever la demanda de un componente electrónico cuyas ventas recientes han mostrado cierta
variabilidad, ajustando el valor de ³ para dar más o menos peso a los datos de los últimos meses.
Las ventajas de la SES incluyen su formulación relativamente sencilla, el hecho de que no requiere un gran volumen de datos históricos
(a diferencia de los promedios móviles que necesitan N períodos), su potencial para ser más preciso que los promedios móviles en
ciertas situaciones, y su flexibilidad para adaptarse al comportamiento de la demanda a través de la elección de ³.
La principal desventaja de la versión simple de este método es que, por sí sola, no maneja bien las tendencias fuertes o los patrones
estacionales pronunciados. Además, la elección del valor óptimo de ³ puede ser crítica y a veces requiere experimentación o el uso de
software para encontrar el valor que minimiza el error de pronóstico.
La flexibilidad de la constante ³ en la SES permite adaptarla a diferentes tipos de demanda. Para suministros con consumo estable, un
valor de ³ más bajo sería adecuado, ya que proporcionaría un pronóstico más suavizado. Para componentes con demanda más volátil,
un valor de ³ más alto haría que el pronóstico reaccione más rápido a cambios recientes. Así, una empresa puede experimentar con
diferentes valores de ³ según la naturaleza del ítem, sin necesidad de modelos más complejos.
3. Ejemplo de Suavización Exponencial Simple (SES)
Este método asigna pesos decrecientes exponencialmente a las observaciones pasadas, requiriendo solo el último pronóstico, la última
demanda real y una constante de suavización (³).
Escenario: Una tienda quiere prever las ventas de un componente electrónico para el Período 5.
Datos:
Demanda Real del Período 4 (D4): 60 unidades
Pronóstico para el Período 4 (F4): 55 unidades
Constante de Suavización (³): 0.3 (Se elige un valor entre 0 y 1; un valor bajo da más peso al pronóstico anterior, uno alto a la
demanda real reciente).
Paso a Paso:
1. Identificar los datos: D4 = 60, F4 = 55, ³ = 0.3.
2. Aplicar la fórmula: Ft+1=³ Dt+(12³) Ft.
F5=0.3 D4+(120.3) F4
F5=0.3 60+0.7 55
3. Calcular el pronóstico:
F5=18+38.5
F5=56.5
Resultado: El pronóstico de demanda para el Período 5 es de 56.5 unidades (o 57 si se redondea). Como la demanda real (60)
fue mayor que el pronóstico (55), el nuevo pronóstico se ajusta ligeramente hacia arriba.
Índices Estacionales Simples
Muchos productos y suministros experimentan fluctuaciones en la demanda que se repiten de manera predecible en ciertos períodos del
año, como meses o trimestres. Estas variaciones se deben a factores estacionales, como el clima (por ejemplo, mayor demanda de
helados en verano, o de suministros de calefacción en invierno), las vacaciones (picos de ventas en Navidad), el inicio o fin de ciclos
escolares, entre otros. Los índices estacionales son herramientas que permiten medir y cuantificar estas fluctuaciones estacionales.
La aplicación de índices estacionales es pertinente para productos o suministros que muestran patrones de demanda claramente
estacionales. Por ejemplo, una tienda de ropa puede esperar mayores ventas de abrigos en otoño e invierno, mientras que una empresa
de jardinería puede tener mayor demanda de sus servicios en primavera y verano.
Un cálculo simplificado de índices estacionales para una PYME podría seguir estos pasos:
1. Recopilar datos históricos: Se necesitan datos de demanda (ventas, consumo) para varios años, desglosados por el período
estacional de interés (por ejemplo, ventas mensuales durante los últimos 3-5 años).
2. Calcular la demanda promedio para cada período estacional: Para cada mes (o trimestre, etc.), calcular la demanda promedio
observada a lo largo de los años. Por ejemplo, el promedio de todas las ventas de enero, el promedio de todas las ventas de febrero, y
así sucesivamente.
3. Calcular el promedio general de la demanda: Calcular el promedio de la demanda para todos los períodos a lo largo de todos los
años (por ejemplo, el promedio de ventas mensual general).
4. Calcular el índice estacional para cada período: Para cada mes (o trimestre), el índice estacional se calcula dividiendo la demanda
promedio de ese período específico (paso 2) por el promedio general de la demanda (paso 3). Un índice superior a 1 indica que la
demanda en ese período es mayor que el promedio, mientras que un índice inferior a 1 indica una demanda menor. Índice Estacional
(período i) = (Promedio Demanda período i) / (Promedio General Demanda)
5. Pronosticar con los índices: Para realizar un pronóstico futuro, primero se debe estimar la demanda total para el próximo año (por
ejemplo, utilizando promedio de ventas de años anteriores). Luego, esta demanda anual pronosticada se distribuye entre los
períodos estacionales (meses o trimestres) multiplicando la demanda promedio esperada por período (Demanda Anual Pronosticada
/ Número de Períodos) por el índice estacional correspondiente a cada período.
Ventajas de los índices
estacionales
La principal ventaja de utilizar índices estacionales es que ayudan a planificar
de manera más efectiva los picos y valles de la demanda, permitiendo ajustar
los niveles de inventario, la producción y las estrategias de marketing de forma
proactiva.25 Sin embargo, una desventaja importante es que se requieren
varios años de datos históricos consistentes para calcular índices estacionales
fiables. Además, el proceso puede volverse más complejo si existen múltiples
niveles de estacionalidad (por ejemplo, patrones semanales dentro de los
meses) o si el patrón estacional cambia con el tiempo.
Para las PYMES que recién comienzan con la previsión de la demanda, la
identificación visual de la estacionalidad en un gráfico de ventas mensuales o
trimestrales puede ser un primer paso más accesible y práctico que el cálculo
formal y detallado de índices numéricos.20 Simplemente observar, por ejemplo,
que las ventas siempre aumentan significativamente en diciembre y caen en
enero, permite realizar ajustes cualitativos (hacia arriba o hacia abajo) a un
pronóstico base generado por un método más simple como un promedio móvil
o una proyección de tendencia. Este ajuste puede basarse en la magnitud
histórica de esos picos o valles observados, sin necesidad de calcular un índice
numérico preciso en una primera instancia. Este enfoque pragmático puede
ofrecer ya una mejora sustancial respecto a no considerar la estacionalidad en
absoluto.
Ejemplo de Índices Estacionales Simples
Estos índices miden las fluctuaciones regulares de la demanda dentro de un año (o ciclo) para ajustar los pronósticos.
Escenario: Una heladería quiere entender su patrón estacional para prever las ventas del próximo año, usando datos de los últimos 2
años.
Datos Históricos (Ventas trimestrales en miles de $):
Año 1: T1=30, T2=60, T3=70, T4=40 (Total Año 1 = 200)
Año 2: T1=40, T2=70, T3=80, T4=50 (Total Año 2 = 240)
Paso a Paso:
1. Recopilar datos: Ya se tienen los datos trimestrales de 2 años.
2. Calcular demanda promedio por período:
Promedio T1: (30+40)/2=35
Promedio T2: (60+70)/2=65
Promedio T3: (70+80)/2=75
Promedio T4: (40+50)/2=45
3. Calcular promedio general: Se suman todas las demandas y se dividen por el número total de períodos.
a. (30+60+70+40+40+70+80+50)/8=440/8=55
4. Calcular índices estacionales: Se divide el promedio de cada período por el promedio general.
Índice T1: 35/55=0.64 (Demanda 36% por debajo del promedio)
Índice T2: 65/55=1.18 (Demanda 18% por encima del promedio)
Índice T3: 75/55=1.36 (Demanda 36% por encima del promedio)
Índice T4: 45/55=0.82 (Demanda 18% por debajo del promedio)
5. Pronosticar con los índices: Supongamos que, usando un análisis de tendencia, se pronostica una venta total para el Año 3 de 280
mil $.
a. Demanda promedio esperada por trimestre: 280/4=70 mil $.
b. Aplicar índices:
Pronóstico T1 (Año 3): 70 0.64=44.8 mil $
Pronóstico T2 (Año 3): 70 1.18=82.6 mil $
Pronóstico T3 (Año 3): 70 1.36=95.2 mil $
Pronóstico T4 (Año 3): 70 0.82=57.4 mil $
(Verificación: 44.8 + 82.6 + 95.2 + 57.4 = 280)
Resultado: Se tiene un pronóstico desglosado por trimestre para el Año 3, que refleja los picos esperados en T2 y T3 y los
valles en T1 y T4, ayudando a la heladería a planificar mejor.
¿Cuándo utilizar métodos
cuantitativos?
Los métodos cuantitativos de previsión de la demanda son herramientas
poderosas, pero su efectividad depende de ciertas condiciones. Son más
apropiados en los siguientes escenarios:
Cuando se dispone de datos históricos suficientes y de buena calidad:
Estos métodos se basan en el análisis de patrones pasados, por lo que la
existencia de un historial de datos fiable, preciso y relevante es un
prerrequisito fundamental.
Cuando se pueden identificar patrones en los datos: Si los datos
históricos muestran tendencias discernibles (crecimiento, declive), patrones
estacionales recurrentes o ciclos, los métodos cuantitativos pueden ser
muy efectivos para modelar y extrapolar estos patrones hacia el futuro.
Para optimizar la cadena de suministro, planificar el inventario y las
ventas a corto y largo plazo: Debido a su naturaleza basada en datos y su
potencial de precisión, los métodos cuantitativos son ampliamente
utilizados para tomar decisiones operativas y estratégicas relacionadas con
la gestión de inventarios, la planificación de la producción, la programación
de compras y la definición de objetivos de ventas.
Cuando se busca una mayor objetividad: Al basarse en modelos
matemáticos y datos históricos, los métodos cuantitativos tienden a ser
más objetivos y menos susceptibles a los sesgos personales que los
métodos cualitativos, siempre que los datos sean fiables y los modelos se
apliquen correctamente.
Conclusión sobre Métodos
Cuantitativos
En general, si se cumplen las condiciones de disponibilidad y calidad de datos,
y si se asume que los patrones del pasado tienen alguna relevancia para el
futuro, los métodos cuantitativos suelen considerarse más fiables y precisos
que los métodos puramente cualitativos para generar pronósticos.
