TIPOS DE PRONSTICOS:

De acuerdo a Hanke y Reitsch (1996) los pronsticos se pueden clasificar en tres principales criterios. El primer criterio es el tiempo, es decir, existen pronsticos a corto y a largo plazo. Estos ltimos ayudan a establecer el curso general de la organizacin en un plazo largo de tiempo, mientras que los primeros se utilizan para disear las estrategias que se utilizarn inmediatamente y sern ejecutadas por niveles medios en la organizacin. El siguiente tipo de criterio se relaciona directamente con la posicin en cuanto al entorno micro y macro, y cmo es que aqu se generan diferente tipos de detalles en una organizacin. Estos tipos de detalles son el micro pronstico y el macro pronstico. Un ejemplo de micro pronstico es que el gerente de produccin sepa cuanto se necesitar para la produccin anual de un producto determinado, mientras que un macro detalle sera conocer el incremento en la carga tributaria (impuestos) que el gobierno aplicar en el siguiente ao fiscal. El tercer tipo de criterio clasifica los pronsticos en cualitativos y cuantitativos, el primero se aplica cuando se emite el juicio de una persona, mientras que los cuantitativos se refieren a procesos mecnicos que dan como resultado datos matemticos. Chase, Aquilano y Jacobs (2001) hacen una clasificacin de los pronsticos en base a lo que consideran importante de analizar. Para ellos, hay cuatro tipos de pronsticos, los cuales son: cualitativos, de anlisis de series de tiempo, causales y modelos de simulacin. 1) Los pronsticos cualitativos se forman mediante: Composicin de fuerza de ventas Investigacin de mercados Panel Analoga histrica Mtodo Delphi 2) Los pronsticos basados en el anlisis de series de tiempo incluyen: Promedios mviles Promedio mvil ponderado Suavizacin exponencial Anlisis de regresin Box Jenkins Series de tiempo de Shiskin Proyecciones de tendencia 3) Los pronsticos basados en modelos causales se componen de:

 Anlisis de regresin Modelos economtricos Modelos de entrada / salida Indicadores gua 4) Pronsticos basados en modelos de simulacin Ahora bien, para Makridakis y Wheelwright (1992) los diferentes mtodos se pueden dividir en tres clases: El subjetivo: en el cual las opiniones individuales se procesan quiz de una manera complicada. El extrapolativo: en el cual se efectan pronsticos para una variable en particular, usando nicamente la historia previa de esa variable. Se supone que los patrones identificados en el pasado se extienden hacia el futuro. El causal (o estructural): en el cual se interna identificar las relaciones entre variables que existieron en el pasado, por ejemplo, el volumen de ventas de una marca y su precio relativo. Luego, se supone que las relaciones continan siendo vlidas en el futuro. Con respecto a la clasificacin de los mtodos Subjetivos se desarrollan pronsticos de manera individual, de igual forma se llevan a cabo pronsticos basados en comits de investigacin y utilizando el mtodo Delphi. En la tabla 4 se describen los mtodos subjetivos que seala Makridakis y Wheelwright (1992) Tabla 4: Mtodos Subjetivos MTODO DEFINICIN J1 Pronstico individuales (subjetivos) Un individuo elabora un juicio acerca del futuro sin hacer referencia a ningn otro conjunto de pronsticos. J2 Pronstico mediante el comit / investigacin Los aspectos del comit son demasiados conocidos. Una variable del comit, el compuesto del subsistema de ventas, agrega las opciones del equipo de ventas o de los expertos a proyectos futuros. O bien, tambin se pueden efectuar encuestas entre los clientes con respecto a sus compras futuras. J3 Delphi Delphi tiene tres rasgos que le distinguen del comit: anonimato, retroalimentacin y respuesta de grupo. Tpicamente los participantes se desconocen entre s. El ejercicio de pronsticos se lleva a cabo en una serie de vueltas en las cuales a cada participante se le ofrece un resumen de las opiniones expresadas con anterioridad, hasta que se estabilizan las respuestas del grupo. Fuente: Tomado de Makridakis y Wheelwright (1992) Relativo a los pronsticos extrapolativos, existen dos estudios tiles a este respecto, el de Makridakis (1978), con comentarios adicionales de Anderson y Makridakis (1977), y el de Fildes (1979).

Los mtodos extrapolativos slo funcionan con variables cuantitativas y se emplea Yt para denotar la variable que se desea pronosticar y la medida del tiempo t. A continuacin se presenta una breve descripcin de los mtodos ms conocidos: Tabla 5: Mtodos Extrapolativos MTODO DEFINICIN E1 Curva de tendencia Los observaciones pasadas se describen como una funcin del tiempo, y luego, el patrn identificado se utiliza para pronosticar el futuro, las funciones tpicas son la recta, la lnea exponencial y la curva en forma de s. en el software se computacin se encuentran algunas curvas alternativas. A menudo este mtodo se emplea en pronsticos a largo plazo. E2 Descomposicin Se considera que una serie de tiempo consta de cuatro componentes: la tendencia (su comportamiento a largo plazo), cclica (los vaivenes alrededor de la tendencia a largo plazo), estacional, y un componente aleatorio sobrante. Una vez que se han identificado los componentes sistemticos, estos pueden reintegrarse para generar pronsticos. E3 Atenuacin exponencial El pronstico se basa en una suma ponderada de las observaciones pasadas. Los valores dependen de los llamados parmetros de atenuacin. Una vez que se han elegido tales parmetros, es fcil calcular los pronsticos, el mtodo se puede adaptar fcilmente para considerar los factores estacionales y tendencias. E4 Modelos Box-Jenkins ( o ARIMA) Como en la atenuacin exponencial, los pronsticos se basan en una suma ponderada de las observaciones previas. Sin embargo, la seleccin de los valores es mucho ms complicada. Los modelos ARIMA brindan al analista una gama de modelos diferentes, escogindose el ms apropiado para la aplicacin particular (Jenkins). E5 Bayesiano En las aplicaciones normales, el pronstico bayesiano es similar a la atenuacin exponencial. Sin embargo, por ejemplo, una huelga en la planta de la competencia. Los modelos extrapolativos regulares para pronsticos requieren la intervencin humana para el reajuste despus de un cambio como este. El pronstico bayesiano trata de tomar en cuenta estos cambios mediante la evaluacin de los puntos de cada rato para ver si ha ocurrido o no algn cambio. Una vez que se identifica estos cambios, los pronsticos se ajustan automticamente, este mtodo tambin puede incorporar la informacin subjetiva. Fuente: Tomado de Makridakis y Wheelwright (1992) Por ltimo continuando con esta clasificacin, ahora tenemos los modelos causales y estructurales, el objetivo de estos modelos es relacionar la variable que se est pronosticando, con las causas que histricamente han ejercido influencia sobre ella y emplear para el pronstico las relaciones que se establezcan. A continuacin en la tabla 6, se enlistan los enfoques ms conocidos con una breve definicin. Tabla 6: Mtodos Causales y Estructurales Mtodo Definicin C1 modelos de regresin de una sola ecuacin Se considera que la variable dependiente Y, est determinada por varias causas o factores exgenos as como por los valores pasados de la variable dependiente en s. Las relaciones entre y sus causas se identifican mediante el examen de los datos pasados. Para hacer pronsticos, se necesita hacer suposiciones con

relacin a los valores de los factores exgenos en el futuro o bien, estos valores se debern pronosticar en su momento. Word y Fildes hacen una introduccin estadstica. C2 Modelos de sistemas simultneos Estos tienen una estructura similar a la de los modelos de un sola ecuacin ya descritos, pero con ms de una variable dependiente, en seguida pronostican la variables dependientes (o endgenas) mediante suposiciones acerca de los valores futuros de las variables exgenos. C3 Modelos de simulacin Como en los modelos de sistemas simultneos, los modelos de simulacin tienen que ver con un gran nmero de variables y sus interrelaciones con los factores exgenos, los modeladores de simulacin hacen nfasis en la estructura del modelo (en lugar de las estructuras lineales de los modelos de sistemas de regresin y simultneos). En general, incluyen muchos ms detalles del sistema modelado, por ejemplo, flujos de informacin. La identificacin del modelo es mucho ms adecuada que los rigurosos modelos estadsticos mencionados al principio. C4 Modelos de entrada-salida Los modelos de entrada salida se fundan en la idea de que para obtener una produccin dada de productos o servicios, se requiere de un conjunto fijo de insumos. Una vez que se han efectuado los pronsticos de la demanda del consumidor, las tcnicas de entrada salida permitirn calcular la cantidad necesaria de un producto en particular para mantener tal nivel de la demanda (Blin). C5 Anlisis del impacto cruzado Se elabora una lista de eventos que probablemente tendrn un impacto en el sistema analizado. En seguida se estiman las probabilidades de ocurrencia de cada no de estos eventos. Segundo, tambin se estima la probabilidad condicional de que ocurra el evento A, siendo que ha ocurrido el evento B, para todos los pares posibles de eventos A y B. a partir de estas suposiciones es posible definir escenarios que estn formados por una combinacin de estos diversos eventos y calcular para cada escenario la probabilidad asociada, se eliminan aquellos conjuntos de eventos cuya probabilidad sea baja (Helmer). Fuente: Tomado de Makridakis y Wheelwright (1992)