Pronósticos

demanda
Complementa contenido de
Presupuestos de Ventas

Contabilidad Gerencial -UNNOBA Prof

D’Ambrosi
 TIPOS BASICOS

Cualitatios (subjetivos-juicios )
Análsis de series de tiempo
De relaciones causales
Simulaciones
¿QUE DEBEMOS SABER?

El análisis de series de tiempo se sustenta en la idea que podemos usar los datos de la demanda
pasada para prever la demanda futura
De relaciones causales supone que la demanda está relacionada con uno o varios factores básicos
del entorno (regresión lineal)
Simulación se ponen a prueba una serie de supuestos sobre las consideraciones del pronóstico

La demanda promedio de un período

La tendencia

Componentes El elemento estacional

de la demanda
Los elementos cíclicos

La variación aleatoria
La correlación propia
 Qué es el Método de
Medias Móviles
Es un método que pronostica la
demanda sacando un promedio de los
últimos periodos.
Se llama "móvil" porque el promedio se
actualiza en cada nuevo periodo,
eliminando el dato más antiguo y
sumando el más reciente.
EJEMPLO SIMPLE: MEDIA
MÓVIL DE 3 PERIODOS

Imaginemos la demanda (en unidades) durante 6 meses Queremos usar una media móvil de 3
periodos para pronosticar la demanda a partir del mes 4

Ventajas:
Mes Demanda real Pronóstico (3-per) Fácil de calcular y explicar.

1 100 –
No requiere herramientas
estadísticas.
2 110 –
Suaviza variaciones bruscas.
3 130 –
⚠️ Desventajas:
4 120 113.3 No capta tendencias (ni crecimiento

5 150 120
ni caída).
Todos los valores pasados tienen el
6 140 133.3
mismo peso (no se da prioridad al
7 ??? 136.7 (pronóstico)
más reciente).
No sirve bien si hay estacionalidad
fuerte.
 Qué son las Medias
Móviles Ponderadas
Es un método similar al de medias móviles
simples, pero en lugar de dar el mismo peso
a todos los periodos, se les asigna más
peso generalmente a los periodos más
recientes , porque son más representativos
del comportamiento actual.
Sirve:
Para pronosticar demanda cuando no hay
una tendencia clara, pero queremos que el
pronóstico se ajuste más rápidamente a los
cambios recientes.
Cuando los últimos meses son más
relevantes que los antiguo
 Ejemplo con los mismos datos
Vamos a usar una media móvil ponderada de 3 periodos, con los siguientes pesos:
Peso para el mes más reciente: 3
Segundo más reciente: 2
Tercero más reciente: 1
total de los pesos:6

Mes Demanda real

Pronóstico (MMP- Ventajas del método ponderado
3)
Da más importancia a los datos recientes.
1 100 –
Reacciona más rápido a cambios en la
2 110 – demanda.
Es fácil de calcular y entender.
3 130 –
⚠️ Consideraciones
4 120 118.3
Hay que elegir bien los pesos (puede ser
5 150 121.7 subjetivo).
Si hay tendencia o estacionalidad, sigue sin
6 140 136.7
captarla bien.
7 ??? 140 (pronóstico)
Requiere mantener un historial de datos.
 ¿Qué es el alisado
exponencial? La Idea es:combinar la
demanda del periodo
Es un método simple para anterior con el pronóstico
pronosticar la demanda futura anterior, dando más peso a
basándose en los datos pasados. uno u otro según la
situación

Pt​=α⋅Dt−1​+(1−α)⋅Pt−1

Pt​: Pronóstico para el periodo actual

Dt−1​: Demanda real del periodo anterior
Pt−1​: Pronóstico del periodo anterior
α:: Factor de suavizamiento (entre 0 y 1)
¿QUÉ SIGNIFICAEL
VALOR DE ALFA?

Si α es alto (por ejemplo, 0.8): damos más peso a la demanda reciente.

Reacciona rápido a los cambios.
Si α es bajo (por ejemplo, 0.2): damos más peso al pronóstico anterior. Es más
estable, pero más lento en adaptarse.

Por ejemplo una tienda que quiere pronosticar la demanda de un producto

Periodo Demanda real (D) Pronóstico (P) con α = 0.2 Pronóstico (P) con α = 0.8

1 100 100 (inicial) 100 (inicial)

2 110 P2 = 0.2×110 + 0.8×100 = 102 P2 = 0.8×110 + 0.2×100 = 108

3 90 P3 = 0.2×90 + 0.8×102 = 99.6 P3 = 0.8×90 + 0.2×108 = 93.6

DESVIACIÓN ABSOLUTA MEDIA

Mide cuán lejos están los pronósticos de la demanda real, en promedio. Es el promedio
de las diferencias absolutas entre la demanda real y el pronóstico:

Dt​es la demanda real

Pt​es el pronóstico
n es la cantidad de periodos evaluados

Pronóstico (α = Error Absoluto (α Pronóstico (α = Error Absoluto (α

Periodo Demanda real
0.2) = 0.2) 0.8) = 0.8)
El pronóstico con α = 0.8
1 100 100 (inicial) – 100 (inicial) – tiene errores más pequeños
:mejor ajuste a los cambios
2 110 102 8 108 2 de demanda.
El pronóstico con α = 0.2 es
3 90 99.6 9.6 93.6 3.6 más estable, pero menos
preciso en este caso.

MAD 8.8 2.8

Variaciones estacionales
en los datos
Son movimientos ascendentes o
descendentes en una serie temporal
que están vinculados a eventos
periódicos

La estacionalidad puede analizarse cada hora,

semanalmente, mensualmente o con otros
patrones periódicos
Implica hacer un ajuste en la línea de tendencia
¿Qué es la previsión
causal?
La previsión causal busca predecir la demanda o ventas basándose
en una variable que influye directamente en ella. A diferencia del
alisado exponencial (que solo usa el pasado), aquí usamos una causa
para prever un efecto

¿Qué es la Regresión Lineal?

Es una fórmula que permite

estimar el valor de una variable
(como ventas) a partir de otra
variable relacionada
REGRESIÓN LINEAL
SIMPLE:

Recordemos la ecuación de la recta

Y: variable dependiente (lo que queremos predecir, ej.

ventas)
X: variable independiente (la causa,)
Y=a+bX a: intercepto (valor base cuando X=0)
b: pendiente (cuánto sube Y por cada unidad de X

¿Qué es la correlación?

La correlación mide qué tan fuerte es la relación entre X e Y.

Su valor va de -1 a +1.
+1: relación positiva perfecta
0: no hay relación
-1: relación negativa perfecta
Supongamos que estamos en una ciudad turística y queremos ver si el número
de turistas (X) está relacionado con las ventas de entradas a un museo (Y):

Entradas vendidas
Mes Turistas (X)
(Y)

1 1,000 120

2 2,000 230

3 3,000 340

4 4,000 450

¿Existe correlación?
Sí. A simple vista, parece que a mayor cantidad de turistas, se venden más entradas.
Con estos datos, si calculamos el coeficiente de correlación (r), daría cercano a +1 ⇒
relación
positiva fuerte.
 Aplicamos regresión lineal como antes. Podemos
transformar los datos

Mes X (miles de turistas) Y (entradas)

1 1 120

2 2 230

3 3 340

4 4 450

Ecuación de regresión:
Suma de X = 10, Y = 1140, XY = 3400, X² = 30, n = 4 Y= 10 + 110 * turistas
Si el mes que viene se esperan 3500 turistas, es
decir 3.5 miles
Y=10+100*3,5= 395 entradas
 ¿Qué sigue?
Continuamos con el plan de ventas,
recordando que los pronósticos solo
son un insumo