Universidad de Occidente Extensión Retalhuleu

Lic. Carlos Esteban Samayoa
Productividad Total
8vo. Semestre. 
Licenciatura en Administración de Empresas 

ADMINISTRACION Y PRONOSTICO DE LA DEMANDA,

Pablo Cesar Mazariegos Estrada
Alex Stuardo López Reyes
Alex Abigail López Sánchez
Edgar Cuxebaj
Walter Moran

18 de sept. de 16

INTRODUCCIÓN
En la actualidad los pronósticos son vitales para toda organización de negocios, así
como para cualquier decisión importante de la gerencia. También podemos ver que
el   marketing   depende   del   pronóstico   de   ventas   para   planear   productos   nuevos,
compensar al personal de ventas y tomar otras decisiones claves.
La administración de la demanda es la encargada de coordinar todos los esfuerzos y
controlar las fuentes de la demanda, que pueden ser dependientes o independientes,
de la manera más rentable posible para la entregar el producto a tiempo.
Las técnicas cualitativas de pronóstico están las técnicas acumulativas que crean el
pronóstico sumado en sucesión de abajo hacia arriba, investigación de mercados
utilizado sobre todo para la investigación de productos para buscar ideas, conocer
productos existentes, productos competitivos. 

 productos competitivos. etc. elementos  estacionales. conocer  productos existentes. con la  .RESUMEN EJECUTIVO En la actualidad es indispensable saber administrar la demanda. Si la demanda fuese dependiente no se necesitará de pronostico y no hay mucho que la empresa  puede hacer.. elementos cíclicos. Existen cuatro tipos de pronósticos. En las técnicas cualitativas de pronóstico están: las técnicas acumulativas que crean  el pronóstico sumando en sucesión de abajo hacia arriba. El método de Delfos similar al de grupo de consenso. una tendencia. variación aleatoria y autocorrelación. relaciones causales que dice que la demanda se relaciona con algún factor subyacente en el ambiente y por último el de modelos  de simulación que permite manejar varias suposiciones acerca de la condición del  pronóstico. Grupos de consenso utiliza la  idea de que entre más personas pueden generar un pronóstico más confiable que un  grupo reducido.  de la manera más rentable posible para entregar el producto a tiempo. que pueden ser dependientes o independientes. Cuando la demanda es aleatoria las posibilidades de que  varíe en gran medida de una semana a otra es muy probable. La administración de la demanda es la encargada de coordinar todos los esfuerzos y  controlar las fuentes de la demanda. todo  ello para ser competitivos en el mercado. formular mejores estrategias de marketing y producción. la empresa puede  influir en la demanda y responder a la demanda. Analogía histórica que trata de  pronosticar la demanda de un producto nuevo utilizando como modelo un producto  existente o genérico. Investigación de mercados  utilizado sobre todo para la investigación de productos para buscar ideas. análisis de series de tiempo que se basa en utilizar información de la  demanda pasada para predecir la futura. también es  importante conocer los diferentes tipos de pronósticos para predecir con cierto nivel  precisión el futuro de la misma. técnicas cualitativas basadas en estimados y  opiniones. mediante el intercambio de ideas. Entre los componentes de la demanda para productos y servicios se pueden  mencionar: demanda promedio para el periodo. de esta manera podremos estar anticipados en  cuanto a inventarios. por el contrario cuando  existe una correlación alta no se espera que la demanda cambie demasiado. la influencia  cíclica puede ser generada por un guerra. las variaciones  aleatorias son provocadas pon eventos esporádicos de esta se dice que es la parte sin  explicar de la demanda. por el contrario si la demanda fuese independiente. condiciones económicas.

En la técnica de Análisis de serie de tiempo están: Promedio móvil simple que en  condiciones idóneas puede ser útil para eliminar las fluctuaciones aleatorias del  pronóstico. El pronóstico en la RED evolucionó hasta convertirse en una herramienta de Internet usada para coordinar el pronóstico de la demanda. El Pronóstico de relaciones causales se da cuando una ocurrencia causa otra. Promedio móvil ponderado permite asignar cualquier importancia a cada elemento del promedio móvil. este simplemente prueba reglas lógicas fáciles de entender para  proyectar al futuro los datos del pasado. siempre y cuando su sumatoria sea igual a uno. para  que las opiniones de todos tengan el mismo peso (sin importar el nivel que tenga en  la empresa). en  este tipo de pronóstico encontramos: El Análisis de regresión múltiple que toma en  cuenta cierto número de variables con los efectos de cada uno en el rubro de interés. la planeación de la producción y  las compras y el resurtido de inventarios entre socios comerciales de la cadena de  suministro.diferencia de que en este método no se conoce la identidad de los participantes. también se encuentra el Análisis de  regresión lineal y Descomposición de una serie temporal.  Suavización exponencial que elimina observaciones anteriores cuando se agregan  nuevos datos para calcular el nuevo pronóstico. El Pronóstico Enfocado usado principalmente para el manejo de inventarios de  bienes terminados. como  cuando las lluvias provocan un aumento en la venta de artículos para este clima. .

 como influencias de tendencias. así como para tomar   decisiones   continuas   acerca   de   la   planeación   de   la   producción.1 describe una variedad de los cuatro tipos básicos de modelos de pronóstico. compensar al personal de ventas y tomar otras decisiones clave. el enfoque primario de este capítulo.   El   pronóstico   es   la   base   de   la planeación   corporativa   a   largo   plazo. estacionales o cíclicas.   En   las   áreas   funcionales   de   finanzas   y contabilidad. se basa en la idea de   que   es   posible   utilizar   información   relacionada   con   la   demanda   pasada   para predecir   la   demanda  futura.   la planeación de las capacidades y la distribución de las instalaciones.TIPOS DE PRONÓSTICOS  El pronóstico se puede clasificar en cuatro tipos básicos:  cualitativo. análisis de series de tiempo.   así   como   para cualquier   decisión   importante   de   la   gerencia.  Las  técnicas cualitativas son subjetivas y se basan en estimados y opiniones. Los modelos de simulación permiten al encargado del pronóstico manejar varias suposiciones acerca de la condición del pronóstico.  . En este capítulo se estudian los primeros cuatro métodos de análisis de series de tiempo en la ilustración y la primera de las técnicas causales. El análisis de series de tiempo. que se analiza utilizando la técnica de la regresión lineal. relaciones causales y simulación. El marketing depende del pronóstico de ventas para planear pro­ ductos nuevos.  Los   pronósticos   son   vitales   para   toda   organización   de   negocios. La ilustración 15.   La   información   anterior   puede   incluir   varios componentes. El personal de producción y operaciones utiliza los pronósticos para   tomar   decisiones   periódicas   que   comprenden   la   selección   de   procesos.   los   pronósticos   proporcionan   el   fundamento   para   la   planeación   de presupuestos y el control de costos. El pronóstico causal. y se describe en la sección siguiente. supone que la demanda se relaciona con algún factor subyacente en el ambiente.   la programación y el inventario.

 dentro de lo razonable. estacionales.   Por   lo   tanto.2 muestra una demanda durante un periodo de 4 años. tendencias. La influencia cíclica sobre la demanda   puede   provenir   de   eventos   tales   como   elecciones   políticas. una tendencia. las tendencias. lo que queda es la parte sin explicar de la demanda. cíclicas y de autocorrelación) de la demanda total.   En   un ambiente de negocios hay demasiados factores que no se pueden pronosticar con certeza.  Los   factores   críticos   son   más   difíciles   de   determinar   porque   quizá   el   tiempo   se desconoce o no se toma en cuenta la causa del ciclo. ¿Los cambios esperados en la economía en general van a afectar el pronóstico? ¿Hay cambios en el comportamiento del consumidor industrial y privado? ¿Habrá una escasez de artículos complementarios esenciales?   La   revisión   y   la   actualización   continuas   tomando   en   cuenta   la información nueva son básicas para un pronóstico exitoso. la regresión lineal. pero lo que debe hacerse es tratar de encontrar y usar el mejor método de pronóstico disponible.   en   lugar   de   buscar   el   pronóstico   perfecto.   por   lo   regular.  al  restar todas  las  causas  conocidas  de  la  demanda  (promedio.   un   pronóstico   perfecto   es   imposible. las razones estacionales (incluido el descuento de las variaciones   de   temporada)   y   el   pronóstico   enfocado.   Asimismo.  COMPONENTES DE LA DEMANDA  En la mayor parte de los casos. así como el promedio. En este capítulo se revisa el pronóstico  cualitativo  y  cuantitativo  y se centra sobre todo en varias técnicas cuantitativas.Tenga   presente   que. la tendencia y los componentes estacionales o la aleatoriedad alrededor de la curva de la demanda uniformada.   guerras. La ilustración 15. se supone que es aleatoria. Se abarcan con cierta profundidad los promedios en movimiento. la demanda de productos o servicios se puede dividir en seis componentes: demanda promedio para el periodo. una buena estrategia consiste en utilizar dos o tres métodos y verlos desde el punto de vista del sentido común.  Las   variaciones   aleatorias   son   provocadas   por   los   eventos   fortuitos.   es   mucho   más importante establecer la práctica de una revisión continua de los pro­ nósticos y aprender a vivir con pronósticos imprecisos. elementos cíclicos. condiciones económicas o presiones sociológicas. Esto no quiere decir que no se trate de mejorar el modelo o la metodología de pronosticar. Estadísticamente.   se   estudian   las fuentes y la medición de errores.  Al pronosticar.  . Si no se puede identificar la causa de este resto. elementos estacionales. variación aleatoria y autocorrelación.

 Luego.  Los pronósticos en este último nivel se suman y se llevan al siguiente nivel más alto.   es   probable   que   varíe   en   gran   medida   de   una semana   a   otra.   no  se  espera   que   la   demanda cambie mucho de una semana a otra. La suposición aquí es que la persona que está más cerca del cliente o del usuario final del producto conoce mejor sus necesidades futuras.3  muestra   cuatro de  los  tipos  de tendencias más comunes. las empresas contratan a empresas externas que se especializan en la investigación de mercados  para realizar este tipo de pronóstico.  TÉCNICAS CUALITATIVAS DE PRONÓSTICO  TÉCNICAS ACUMULATIVAS  Como se establece en la ilustración 15.  La  ilustración 15. esta cantidad se lleva al siguiente nivel. en el caso de una empresa de manufactura.La   autocorrelación   indica   la   persistencia   de   la   ocurrencia. el valor esperado en un momento dado tiene una correlación muy alta con sus propios valores anteriores.  Las   líneas   de   tendencia   casi   siempre   son   el   punto   de   inicio   al   desarrollar   un pronóstico. el pronóstico de  técnicas acumulativas crea el pronóstico su­ mando en sucesión desde la parte de abajo.   los   elementos   cíclicos   y   cualquier   otro   evento   esperado   que   puede influir  en  el pronóstico final. que puede ser un almacén regional. podría esperarse que la línea siguiera siendo larga. Entonces. la longitud de una línea de espera tiene una autocorrelación muy elevada. Aunque esto no siempre es cierto. Por lo regular se trata de un almacén de distrito que después agrega el inventario de seguridad y cualquier efecto de pedir en cantidad. Es probable que usted haya participado en estudios de mercado por medio de una clase de marketing.   De   manera   más específica. estas líneas de tendencia se ajustan de acuerdo con los efectos estacionales. en muchos casos.1. sería el insumo para el sistema de producción.  Cuando   la   demanda   es   aleatoria. se trata de una suposición válida y constituye la base de este método. Es decir.   poco   después   de   ese   tiempo. si una línea es relativamente   larga   en   un   momento   determinado. El procedimiento se repite hasta que se convierte en un insumo en el nivel más alto. . que.   Donde   existe   una   correlación  alta.  INVESTIGACIÓN DE MERCADOS  A menudo. En la teoría de la línea de espera.

 los métodos de recopilación de datos son sobre todo encuestas y entrevistas. etc. conocer los gustos y disgustos relacionados con los productos existentes. pero quizá no se exprese para refutar un estimado muy diferente dado por el vicepresidente de marketing. Una vez más. su  En   la   actualidad. Los pronósticos en grupo se realizan por medio de reuniones abiertas con un intercambio libre de ideas de todos los niveles gerenciales e individuales.  . sus hábitos. los productos competitivos preferidos en una clase en particular.  ingreso.   la   idea   de   que   dos   cabezas   piensan   más   que   una   se extrapola con la idea de que un grupo de personas que ocupan diversas posiciones pueden desarrollar un pronóstico más confiable que un grupo más reducido.  GRUPOS DE CONSENSO  En   un  grupo   de   consenso. El problema con este estilo abierto es que los empleados de niveles inferiores se sienten intimidados por los  niveles   más   altos  de  la   gerencia.y seguramente no se ha escapado a las llamadas telefónicas en las que le preguntan sobre sus preferencias por ciertos productos. productos o segmentos específicos.   como   The   Gilmore   Research   Group.  Por  ejemplo.   ofrecen   a   los mercadólogos  software  o  bases  de  datos  que  les  ayudan a  pronosticar  con mayor  precisión las ventas para áreas de mercado.   muchas   empresas.La investigación de mercados se utiliza sobre todo para la investigación de  productos con el objetivo de buscar nuevas ideas. etcétera. La técnica de Delfos (que se estudia en forma breve) se desarrolló para tratar de corregir este impedimento del intercambio libre.  un  vendedor  en una  línea   de productos en particular puede tener un buen estimado de la demanda futura de un producto.

  y   productos   como   una función   del   ingreso. se utiliza el término juicio ejecutivo. Los productos se encuentran en la misma categoría general de aparatos electrónicos y los compran consumidores en categorías similares. parte III) sería que la demanda de discos compactos es provocada por la demanda de reproductores de DVD. Si alguna vez ha comprado un DVD por correo.  MÉTODO DE DELFOS  Como se dijo en la sección sobre los grupos de consenso.   Sus respuestas se suman y se entregan a todo el grupo con un nuevo grupo de preguntas. Debe haber gran variedad de personas con conocimientos en distintas áreas. como en nuevas áreas de mercado).Cuando las decisiones en el pronóstico se toman en un nivel más amplio y alto (como al introducir una nueva línea de productos o al tomar decisiones estratégicas sobre un producto. una situación ideal sería que   un   producto   existente   o   genérico   se   pueda   utilizar   como   modelo. Elegir los expertos a participar.   por   ejemplo. Una relación causal (mostrada en la ilustración 15. Una empresa que produce tostadores y quiere fabricar cafeteras podría utilizar el historial de los tostadores como un modelo de crecimiento probable. Por medio de un cuestionario (o correo electrónico) obtener las proyecciones .   recibirá   más   correspondencia   acerca   de   DVD   y   reproductores   de   DVD nuevos. el método de Delfos oculta la identidad de los individuos que participan en   el   estudio. que se explica por sí mismo: participa un nivel gerencial más alto.   un moderador   crea   un   cuestionario   y   lo   distribuye   entre   los   participantes. una afirmación u opinión de una persona de un nivel superior es probable que pese más que la de una persona de nivel inferior.   Para   evitar   este problema.   productos complementarios. Internet o correo.   En   cuanto   al   procedimiento.  2.   Existen muchas   formas   de   clasificar   estas   analogías.   Todos   tienen   el   mismo   peso.  Rand   Corporation   desarrolló   el   método   de   Delfos   en   la   década   de   1950.   productos   sustituibles   o   competitivos.   El procedimiento paso a paso es:  1.   Una   vez   más.   seguramente   ha   recibido   gran   cantidad   de productos   que   se   anuncian   por   correo   en   una   categoría   similar   a   un   producto comprado por catálogo. Una analogía sería pronosticar la demanda de reproductores de videodiscos digitales analizando la demanda histórica de VCR.  ANALOGÍA HISTÓRICA  Al tratar de pronosticar la demanda de un nuevo producto. Un ejemplo más sencillo son los tostadores y cafeteras. El peor de los casos se presenta cuando la gente de nivel inferior se siente   amenazada   y   no   contribuye   con   lo   que   realmente   cree.1.

4 muestra los modelos de series de tiempo que se estudian en el capítulo y algunas de sus características. los modelos a corto plazo compensan la variación aleatoria y se ajustan a los   cambios   a   corto   plazo   (como   las   respuestas   del   consumidor   a   un   producto nuevo).  El modelo de pronóstico que una empresa debe utilizar depende de:  1. mediano plazo a un periodo de tres meses a 2 años. las cifras de ventas recopiladas durante las últimas seis semanas se pueden usar para pronosticar las ventas durante la séptima semana. Distribuir los resultados finales entre todos los participantes.  5.   y   una   vez   más plantear preguntas nuevas. mediano y largo son relativos al contexto en el que se emplean. Sin embargo. y largo plazo a un término mayor de 2 años.  3.(y   cualquier   premisa   o   calificación   para   el   pronóstico)   de   todos   los participantes. Los términos como corto. En general.  ANÁLISIS DE SERIES DE TIEMPO  Los modelos de pronósticos de series de tiempo tratan de predecir el futuro con base en la información pasada. es probable que se utilicen distintos modelos de series de tiempo para pronosticar. y los modelos   a   largo   plazo   detectan   las   tendencias   generales   y   son   muy   útiles   para identificar los cambios más importantes. Los pronósticos a mediano plazo son útiles para efectos estacionales.  3. La precisión requerida. Las cifras de ventas trimestrales recopiladas durante los  últimos años se pueden utilizar para pronosticar los trimestres futuros.  La ilustración 15. en el pronóstico de negocios. Repetir el paso 4. Por ejemplo.  2.   refinar   las   proyecciones   y   condiciones. Volver   a   resumir.  4. la cantidad de trabajo para que desarrollen sus pronósticos y su velocidad para responder.  Por lorequerido es una función del número de participantes. Aun cuando ambos ejemplos contienen ventas. si es necesario. La disponibilidad de los datos.  . Resumir   los   resultados   y   redistribuirlos   entre   los   participantes   con   las preguntas nuevas apropiadas. corto plazo casi siempre se re ere a menos de tres meses. El horizonte de tiempo que se va a pronosticar.

La disponibilidad de personal calificado. Si el objetivo es pronosticar para junio. éste debe ser bueno.  PROMEDIO MÓVIL PONDERADO  Mientras  que  el  promedio móvil  simple  da  igual importancia  a  cada  uno de  los componentes de la base de datos del promedio móvil. Sin embargo. marzo. abril. Pero si existe una tendencia en los datos (ya sea a la alta o a la baja). Otro aspecto es la consecuencia de un mal pronóstico. un promedio móvil ponderado permite asignar cualquier importancia a cada elemento.   más   se   uniformarán   los   elementos   aleatorios   (lo   que   será conveniente en muchos casos). existen varios efectos conflictivos de distintos periodos. febrero. un periodo más largo da una respuesta más uniforme pero retrasa la tendencia. Cuando pase junio.   Por   lo tanto.  y  si no tiene características   estacionales. Aunque los promedios de movimientos casi siempre son centrados. Si el promedio   no   está   centrado   sino   que   se   encuentra   en   un   extremo. si se quiere pronosticar para junio con un promedio móvil de cinco meses. mayo y junio. Por lo tanto. abril y mayo. marzo. Cuanto más largo sea el periodo del promedio   móvil.  Al seleccionar un modelo de pronóstico.  5. se debe proyectar el promedio de movimientos de marzo a junio. un promedio centrado de cinco meses de enero. los cinco meses de datos deben existir. febrero. el pronóstico para julio será el promedio de febrero. siempre y cuando la suma de . marzo. el promedio móvil tiene la característica adversa de retrasar la tendencia.   un   promedio   móvil   puede   ser   útil   para   eliminar   las fluctuaciones aleatorias del pronóstico. existe un seguimiento cercano de la tendencia. existen otros aspectos como el grado de flexibilidad de la empresa (mientras mayor sea su habilidad para reaccionar con rapidez a los cambios. aunque un periodo más corto produce más oscilación.   se   puede pronosticar   con  mayor   facilidad.  PROMEDIO MÓVIL SIMPLE  Cuando la  demanda  de  un producto  no  crece  ni  baja  con rapidez. abril y mayo da un promedio centrado en marzo.  Aunque es importante seleccionar el mejor periodo para el promedio móvil. El tamaño del presupuesto de pronóstico. Por el contrario. puede tomarse el promedio de enero. Si una decisión importante sobre la inversión de capital se basa en un pronóstico. menos preciso necesita ser el pronóstico).   aunque   quizá   se   pierda   cierta   precisión.4. es más conveniente utilizar datos pasados para predecir el periodo siguiente de manera directa. Para ilustrar.

 debe tener una ponderación más alta. la principal desven­ taja es la necesidad de manejar en forma continua gran cantidad de datos históricos (esto también sucede con las técnicas de análisis de regresión.   En   muchas aplicaciones   (quizás   en   la   mayor   parte).   tal   vez   una   tienda departamental   se   dé   cuenta   de   que   en   un   periodo   de   cuatro   meses. Los modelos exponenciales son sorprendentemente precisos. que se estudiarán en breve). Por regla general. 30% de dos meses antes.todas   las   ponderaciones   sea   igual   a   uno.  La suavización exponencial es la más utilizada de las técnicas de pronóstico. el pasado más reciente es el indicador más importante de lo que se espera en el futuro y.   las   ocurrencias   más   recientes   son   más indicativas del futuro que aquellas en el pasado más distante.  7. Formular un modelo exponencial es relativamente fácil. 20% de tres meses antes y 10% de hace cuatro meses. Si esta premisa es válida (que la importancia de los datos disminuye conforme el pasado se vuelve más distante). se   elimina   la   observación  anterior   y   se   calcula   el   nuevo  pronóstico. Es parte integral de casi todos los programas de pronóstico por computadora. si los datos son estacionales. serían un mejor estimado para el mes próximo que los ingresos o la capacidad de la planta de hace varios meses.  . Las ventas de trajes de baño en julio del año pasado deben tener una ponderación más alta que las ventas de trajes de baño en diciembre (en el hemisferio norte).   Por   ejemplo.  Las técnicas de suavización exponencial se han aceptado en forma generalizada por seis razones principales:  6. Los ingresos o la capacidad de la planta del mes pasado.   el   mejor pronóstico se deriva utilizando 40% de las ventas reales durante el mes más reciente.  SUAVIZACIÓN EXPONENCIAL  En los métodos de pronósticos anteriores (promedios móviles simple y ponderado). En estos métodos. por ejemplo. Si las ventas reales fueron  Elección   de   ponderaciones  La   experiencia   y   las   pruebas   son   las   formas   más sencillas de elegir las ponderaciones. las ponderaciones se deben establecer en forma correspondiente. por ejemplo. por lo tanto. al agregar cada nueva pieza de datos. y se usa con   mucha   frecuencia   al   ordenar   el   inventario   en   las   empresas   minoristas.   es   probable   que   el   método   más   lógico   y   fácil   sea   la  suavización exponencial.  No obstante.   las compañías mayoristas y las agencias de servicios.

  9.  10.  Elección del valor apropiado para alfa La suavización exponencial requiere de dar a la constante de suavización alfa () un valor entre 0 y 1.   para   dar   mayor importancia a la experiencia de crecimiento reciente. la tendencia reacciona en forma exagerada ante los errores. No obstante. la ecuación de la tendencia utiliza una constante de suavización delta ( ).   Los   pronósticos   suavizados   exponencial­   mente   se pueden corregir agregando un ajuste a las tendencias. donde n es el número de periodos. sería mejor tener un índice de   reacción   más   alto. El usuario puede entender cómo funciona el modelo. En ocasiones. Si no se incluyen ni alfa ni delta.  11. En el método de suavización exponencial. Se requieren muy pocos cálculos para utilizar el modelo.  el índice   de   reacción   a   las   diferencias   entre   la   demanda   real   y   pronostica­   da presentarían una tendencia a ser pequeñas.   quizá   de   15   o   30   puntos   porcentuales.8. los usuarios del promedio móvil simple cambian a la suavización exponencial pero conservan las proyecciones similares a las del promedio móvil simple. sólo se necesitan tres piezas de datos para pronosticar   el   futuro:   el   pronóstico   más   reciente. Por ejemplo. se calcula 2  (n 1). sería deseable una alfa . se necesitan dos constantes de suavización. más alto deberá ser el índice de reacción. En este caso. Esta constante   de   suavización   determina   el   nivel   de   uniformidad   y   la   velocidad   de reacción a las diferencias entre los pronósticos y las ocurrencias reales. Si la demanda real es estable (como la demanda de elec­ tricidad o alimentos). Además de la constante de suavización .   la   demanda   real   que   ocurrió durante el periodo de pronóstico y una  constante de uniformidad alfa (). La delta reduce el impacto del error que ocurre entre la realidad y el pronóstico. Para corregir la tendencia. si una empresa  produjo un artículo  estándar  con  una  demanda  relativamente  estable. Los requerimientos de almacenamiento en la computadora son bajos debido al uso limitado de datos históricos. 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. Mientras más rápido sea el crecimiento. quizá de sólo 5 o 10 puntos porcentuales. Es fácil calcular las pruebas de precisión relacionadas con el desempeño del modelo.  Efectos   de   la   tendencia   en   la   suavización   exponencial  Recuerde   que   una tendencia hacia arriba o hacia abajo en los datos recopilados durante una secuencia de periodos hace que el pronóstico exponen­ cial siempre se quede por debajo o atrás   de   la   ocurrencia   real. si la empresa experimentara un crecimiento.

 si el error es pequeño. Si el error es grande.  Una constante de rastreo alfa calcula si el pronóstico sigue el paso a los cambios genuinos hacia arriba o hacia abajo en la demanda (en contraste con los cambios aleatorios).  13. Valores calculados de alfa. Una fuente común de la que no están conscientes mu­ chos encargados de elaborar los pronósticos es el pronóstico . como se verá más adelante en “Medición del error”. alfa es 0. Por desgracia. alfa es 0. En primer lugar.   como   la   demanda   cambia. Una de ellas utiliza distintos valores de alfa y la otra una señal de seguimiento. Sería ideal poder proyectar qué alfa se debe usar. Alfa cambia de un periodo a otro en el rango posible de 0 a 1.  FUENTES DE ERROR  Los errores pueden provenir de diversas fuentes. todas las proyecciones contienen algún error. tomaría tiempo determinar la constante alfa que se adapte mejor a los datos reales y el proceso sería tedioso.8. Se mide la cantidad de error entre el pronóstico y la demanda real. es conveniente distinguir entre las fuentes de error y la medición de errores.pequeña para reducir los efectos de los cambios a corto plazo o aleatorios. Dependiendo del grado de error.  12. estos errores se conocen como  residuales. la constante de rastreo alfa se   de   ne   como   el   error   real   suavizado   exponencialmente   dividido   entre   el   error absoluto suavizado exponencialmente. Por lo tanto.  La demanda de un producto se genera mediante la interacción de varios factores demasiado complejos para describirlos con precisión en un modelo. En segundo   lugar.  Hay dos estrategias para controlar el valor de alfa. Si la demanda real aumenta o disminuye con rapidez (como en los artículos de moda o los   aparatos   electrodomésticos   menores).2. Siempre y cuando el valor del pronóstico se en­ cuentre dentro de los límites de con anza. Pero el uso común se re ere a la diferencia como un error. se utilizan distintos valores de alfa. Al analizar los errores de pronóstico.   se   necesita   un   método automático para rastrear y cambiar los valores alfa.   quizá   pronto   sea   necesario   revisar   la constante   alfa   que   se   eligió   esta   semana.   se   quisiera   una   alfa   alta   para   tratar   de seguirle el paso al cambio.  ERRORES DE PRONÓSTICO  El término error se re ere a la diferencia entre el valor de pronóstico y lo que ocurrió en realidad.   Por   lo   tanto. En esta aplicación. En estadística. hay dos elementos en contra. éste no es realmente un error. Dos o más valores predeterminados de alfa.

 En años recientes.  El error estándar se estudia en la sección sobre regresión lineal en este capítulo. la MAD regresó por su simplicidad y utilidad al obtener señales de rastreo. Los  errores sesgados ocurren cuando se comete un error consistente.de las tendencias pasadas en el futuro.   De   hecho. un cam­ bio equivocado en la demanda estacional desde el punto donde normalmente ocurre.   pero   posteriormente   fue   reemplazada   por   la desviación estándar y las medidas de error es­ tándar. mediante el uso de valores absolutos.  MEDICIÓN DE ERRORES  Varios   términos   comunes   empleados   para   describir   el   grado   de   error   son  error estándar.   Pero   cuando   se   utiliza   esta   recta   de   la   regresión   como   dispositivo   de pronóstico. Esto se debe a que el intervalo de con anza se basa en los datos pasados. Como el  error  están­  dar  es  la  raíz   cuadrada   de   una  función. el uso de la recta de tendencia errónea.   la   desviación   estándar   es   75   unidades. y la existencia de alguna   tendencia   secular   no   detectada.  La desviación estándar es la medida más grande. Por ejemplo. al hablar de errores estadísticos en el análisis de regresión. Las fuentes de sesgo incluyen el hecho de no incluir las variables correctas. es posible usar señales de rastreo para indicar cualquier sesgo positivo o negativo en el pronóstico.  a  menudo  es   más conveniente utilizar la función misma.   la   experiencia   ha demostrado que los errores reales suelen ser mayores que los proyectados a partir de modelos de pronóstico. La MAD es el error promedio en los pronósticos. Es valiosa porque.  La  desviación absoluta media  (MAD.   En   la   manera .   Los  errores   aleatorios  se   de   nen   como aquellos que el modelo de pronóstico utilizado no puede explicar. lí­ mites de control estadístico) con la recta de la regresión para reducir el error sin explicar.  mean absolute deviation) se utilizaba con mucha   frecuencia   en   el   pasado.  Los errores se pueden clasi car como sesgados o aleatorios. es probable que el error no se de na de manera correcta mediante la banda de con anza proyectada. se hace referencia a las desviaciones de las observaciones de la recta de la regresión. Esto se conoce como error cuadrado medio o varianza. al igual que la desviación estándar. Si la MAD de un conjunto de puntos   es   60   uni­   dades. error cuadrado medio (o varianza) y desviación absoluta media. Además. Es común relacionar una banda de con anza (es decir. mide la dispersión de un valor observado en relación con un valor esperado. el uso de las relaciones equivocadas entre las variables. quizá no tome en cuenta los puntos de datos proyectados y por lo tanto  no  se   puede   utilizar   con  la   misma   con   anza.

 la señal de seguimiento seguiría aumentando y se llegaría a la conclusión de que suponer una demanda de 1 000 constituye un mal pronóstico. los errores que dan como resultado sobrestimados deben ser menos que aquellos que resultan en subestimados. la señal de segui­ miento es el número de desviaciones absolutas medias que el valor pronosticado se encuentra por encima o por debajo de la   ocurrencia   real. si se calcula la señal de seguimiento y se encuentra que es igual a menos 2.  Es posible formarse una mejor idea sobre lo que la MAD y la señal de seguimiento signi can tra­ zando los puntos en una grá ca.7   muestra   una   distribución   normal   con   una media de 0 y una MAD igual a 1.  . en promedio.9 muestra el área dentro de los límites de control para un rango de 1 a 4 MAD.3 MAD. que no se queda atrás ni delante de las demandas reales.7% de los puntos caerían dentro de estos límites. La ilustración 15.  La ilustración 15. indicando un modelo sin sesgos.   si   los   límites   de   control   se   establecen   en   más   o   menos   3 desviaciones estándar (o 3. La señal de seguimiento también sería 0.7 unidades y la señal de seguimiento es igual a 3.8 para mostrar el cambio de la señal de seguimiento. entonces 99. se aleja 66.   La   ilustración   15. Como se utiliza en el pronóstico. se puede ver que el modelo de pronóstico ofrece pronósticos por encima de la media de las ocurrencias reales. Aunque esto no es completamente legítimo desde el punto de vista del tamaño de la muestra.  Los   límites   aceptables   para   la   señal   de   seguimiento   dependen   del   tamaño   de   la demanda pronosticada (los artículos de volumen alto o ingreso alto se deben vigilar con   frecuencia)   y   la   cantidad   de   tiempo   del   personal   disponible   (los   límites aceptables más estrechos hacen que mayor cantidad de pronósticos estén fuera de los límites y por lo tanto requieren de más tiempo para investigarlos).75 MAD). se traza cada mes en la ilustración 15. En este ejemplo.  En un modelo de pronóstico perfecto. la suma de los errores de pronóstico reales sería 0.8 muestra el procedimiento para calcular la MAD y la señal de seguimiento para un periodo de seis meses donde el pronóstico se estableció en una constante de 1 000 y las demandas totales que ocurrieron son las que se muestran. Observe que cambió de menos 1 MAD a más 3. Esto sucedió porque la demanda real fue mayor que el pronóstico en cuatro de los seis periodos.  Una  señal de seguimiento  es una medida que indica si el promedio pronosticado sigue el paso de cualquier cambio hacia arriba o hacia abajo en la demanda. Por lo tanto.estadística   normal. el pronóstico.3 desviaciones absolutas medias. Si la demanda real no cayera por debajo del pronóstico para compensar la RSFE positiva continua.

  Cuando   la   variable   dependiente   (que   casi siempre es el eje vertical en una grá ca) cambia como resultado del tiempo (trazado como el eje horizontal). Por ejemplo.  Tómese   el   siguiente   ejemplo   para   demostrar   el   análisis   de   regresión   lineal   con mínimos cuadrados.  La principal restricción al utilizar el  pronóstico de regresión lineal  es. se trata de una relación causal (como el número de muertes debidas al aumento de cáncer pulmonar entre la gente que fuma).  La regresión lineal es útil para el pronóstico a largo plazo de eventos importantes. es posible usar el análisis de regresión li­ neal. b es la pendiente y X es la variable independiente (en el análisis de serie de tiempo. la relación se desarrolla a partir de datos observados.  DESCOMPOSICIÓN DE UNA SERIE TEMPORAL  Puede de nirse una serie temporal como datos ordenados en forma cronológica que . si se utiliza un periodo más corto. que se supone que los datos pasados y los pronósticos futuros caen sobre una recta. puede haber segmentos más cortos del periodo más largo que sean aproximadamente lineales. las X son las unidades de tiempo). Primero es necesario gra car los datos para ver si aparecen lineales o si por lo menos partes de los datos son lineales. Por ejemplo.ANÁLISIS DE REGRESIÓN LINEAL  Puede de nirse la regresión como una relación funcional entre dos o más variables correlacionadas. Si una variable cambia debido al cambio en otra.  La regresión lineal se utiliza tanto para pronósticos de series de tiempo como para pronósticos   de   relaciones   causales. Aunque esto no limita su aplicación. La regresión lineal se re ere a la clase de regresión especial en la que la relación entre las variables forma una recta. a es la secante en Y. donde Y es el valor de la variable dependiente que se despeja.   la   demanda   de   toda   la   familia   de   productos   es   sorprendentemente suavizada. como su nombre lo implica. la regresión lineal sería muy útil para pronosticar las demandas de familias de productos. así como la planea­ ción agregada. Aun cuando la demanda de productos individuales dentro de una familia puede variar en gran medida durante un   periodo. Por lo general.  La recta de la regresión lineal tiene la forma Y a bX. en ocasiones. Se utiliza para pronosticar una variable con base en la otra. se trata de un análisis de serie tem­ poral.

 la autocorrelación y el aleatorio.   y  2)   la   tendencia   y   el   índice   estacio­   nal   de   una   recta   de   la   regresión ajustada   a   mano. Se usa la palabra cíclico para indicar que no se trata de los periodos anuales recurrentes de actividad repetitiva. casi siempre es sencillo trazar y ver la dirección del movimiento) y el componente estacio­ nal (comparando el mismo periodo año tras año). se relaciona  estacional  con un periodo del año caracterizado por alguna actividad en particular.3: Proporción simple  Suponga que en los últimos años una empresa vendió un promedio de 1 000 unidades al . (Por lo regular. cíclico.  EJEMPLO 15.  Pronóstico que incluye tendencia y estacional Tendencia Estacional Variación estacional multiplicativa  En la variación estacional multiplicativa. la pregunta es cómo se relacionan entre sí.pueden   contener   uno   o   más   componentes   de   la   demanda:   tendencia. se analizan dos tipos de variación estacional: aditiva y multiplicativa. En esta descripción.   estacional. La descomposición de una serie temporal signi ca identi car y separar los datos de la serie temporal en estos componentes. En la práctica.   es   relativamente   fácil   identi   car   la   tendencia   (incluso   sin   un   análisis matemático. autocorrelación o aleatorio.  Pronóstico que incluye tendencia y estacional Tendencia Factor estacional  Un factor estacional es la cantidad de corrección necesaria en una serie temporal para ajustarse a la estación del año. el encargado de realizar el pronóstico considera aleatorio cualquier elemento que sobre y que no sea posible identi car como otro componente.  Por lo general.   A   continuación   se   da   un   procedimiento   más   formal   para   la descomposición y el pronóstico de los datos utilizando la regresión de los cuadrados mínimos. la tendencia se mul­ tiplica por los factores estacionales.  Variación estacional aditiva  La variación estacional aditiva simplemente supone que la cantidad estacional es una constante sin importar cuál es la tendencia o la cantidad promedio.  Los   siguientes   ejemplos   muestran   cómo   se   determinan   y   utilizan   los   índices estacionales para pro­ nosticar 1) un cálculo sencillo basado en datos estacionales pasados.)  Cuando la demanda contiene efectos estacionales y de tendencia al mismo tiempo. Es mucho más difícil identi car los componentes de los ciclos (pueden durar varios meses o años).

  17.  14. Pronosticar valores futuros de cada componente. a)  Pronosticar el componente de la tendencia en el futuro.  Descomposición  con  regresión  por  mínimos  cuadrados  La  descomposición  de una serie de tiem­ po significa encontrar los componentes básicos de la serie de tendencia. como un con icto laboral grave.   El  objetivo  es   pronosticar  la  demanda  de   los cuatro trimestres del cuarto año. El procedimiento del pronóstico después invierte el proceso con el pronóstico de la tendencia y su ajuste mediante los índices estacionales y cíclicos.  2.15 se muestra la descomposición de una serie de tiempo con el uso de una re­ gresión de cuadrados mínimos y los mismos datos básicos utilizados en   ejemplos   anteriores. es de esperar que un periodo de lluvias más prolongado .  16.año de una línea de productos en particular. estacional y cíclico. Descomponer las series de tiempo en sus componentes. El factor (o índice) estacional es la razón de la cantidad vendida durante cada estación divi­ dida entre el promedio de todas las estaciones. Implícitamente. 350 en verano. que pudiera in uir en la demanda del producto (y esto no sería al azar). a)  Encontrar el componente estacional. cualquier variable independiente debe ser un indicador guía. b)  Multiplicar el componente de la tendencia por el componente estacional.  PRONÓSTICO DE RELACIONES CAUSALES  Para que un pronóstico sea de valor. No tiene caso intentar una proyección del componente aleatorio del paso 2 a menos que se tenga información sobre algún evento inusual. se vendieron 200 unidades en primavera. como en el paso 1. Los índices se calculan por estaciones y ciclos. En términos formales. c)  Encontrar el componente de la tendencia. se elimina el compo­ nente aleatorio de la serie de tiempo cuando se promedia. determinados en el proceso de descomposición.  En la ilustración 15. En promedio. b)  Descontar las variaciones de temporada de la demanda. el proceso:  1.   Cada   dato   corresponde   al   uso   de   un   solo   trimestre   del periodo de   3 años  (12  trimestres).  15. Por ejemplo.  Observe que en esta lista no se incluye el componente aleatorio.  18. 300 en otoño y 150 en invierno.

 construcción de viviendas. Si se sabe del elemento de causa con mucha anticipación. Se cree que era una relación espuria (falsa).  Bh. que podrían ocurrir otras cosas. Su di cultad radica en los cálculos matemáticos. etcétera)  Bm. se venden programas estándares de cómputo para análisis de regresión múltiple. de cierta forma indirecta. ingreso disponible y tendencias puede expresarse en una ecuación de regresión múltiple como:  S B Bm(M) Bh(H) Bi(I) Bt(T)  donde  S Ventas brutas anualesB Ventas de base. La lluvia provoca la venta de artículos personales para este clima.aumente la venta de paraguas y gabar­ dinas. Por ejemplo. tercero 3.  El primer paso del pronóstico de una relación causal es encontrar las ocurrencias que realmente   sean   la   causa. como punto de partida a partir del que otros   factores   ejercen   una   in   uencia  M  Matrimonios   durante   el   añoH Construcción   de   viviendas   durante   el   añoIIngresopersonaldisponibleanualT Tendencia temporal (primer año 1. en el campo del mobilia­ rio doméstico. Hace unos años se demostró en un estudio que la cantidad de alcohol vendido en Suecia era directamente proporcional al salario de los maestros.   en   el   que   se considera cierto número de variables. El siguiente es un ejemplo de un pronóstico con el uso de una relación causal. los efectos del número de matrimonios. Otras relaciones no causales simplemente parecen existir como una coincidencia. ingreso y tendencia. Estas funciones se encuentran en las herramientas de análisis de datos de . se puede usar como base para el pronóstico. junto con los efectos de cada una en el rubro de interés. Se trata de una relación causal en la que una ocurrencia causa otra. segundo 2. en este caso.  ANÁLISIS DE REGRESIÓN MÚLTIPLE  Otro   método   de   pronóstico   es   el   análisis   de   regresión   múltiple. las ventas. Por fortuna.  Microsoft Excel®  soporta técnicas de análisis de series de tiempo descritas en esta sección.  Bi  y  Bt  representan   la   in   uencia   en   las   ventas   esperadas   del   número   de matrimonios y construc­ ción de viviendas.   Muchas   veces   los   indicadores   guía   no   son   relaciones causales sino que indican. lo que alivia la necesidad de hacer tediosos cálculos manuales.  Es conveniente hacer un pronóstico con regresión múltiple cuando varios factores in uyen en la va­ riable de interés.

 y 2) simulación por computadora de estas reglas sobre datos del pasado.   Entre   los   ejemplos   de   reglas   simples   de   pronóstico   se encuentran:  19. Cada una de estas reglas   se   usa   en   un   programa   de   simula­   ción   por   computadora   para   proyectar realmente la demanda y medir el desempeño de la regla cuando se compara con lo que ocurrió.  22.  23.5  quien lo usa principalmente para   manejo   de   inven­   tarios   de   bienes   terminados. Es probable que se venda 10 por ciento más en los siguientes tres meses que en los tres meses anteriores.  20. A rma que las técnicas simples que funcionaron antes también dan los mejores pronósticos para el futuro.  21.  METODOLOGÍA DEL PRONÓSTICO ENFOCADO  El  pronóstico enfocado  simplemente prueba varias reglas que parecen lógicas y fáciles de entender para proyectar al futuro los datos del pasado.uniformidad exponencial. Por lo tanto. Es probable que se venda 50 por ciento más en los tres meses siguientes que en los mismos tres meses del año anterior. los dos componentes del sistema de pronóstico enfocado son 1) varias reglas de pronóstico muy simples.   Smith   de   ende   sólidos argumentos   de   que   los   enfoques   estadísticos   usados   para   pronosticar  no  dan  los mejores resultados. promedios de movimiento y regresión.  PRONÓSTICO ENFOCADO  El pronóstico enfocado es creación de Bernie Smith. será probablemente el mismo cambio porcentual que se tendrá en los siguientes tres meses del año. Lo que se vendió en el mismo trimestre del año pasado se venderá probablemente en ese periodo de este año (esto daría cuenta de los efectos estacionales).  Se trata de reglas simples y de sentido común que se formulan y prueban para ver si deben   conser­   varse. Cualquiera que haya sido el cambio porcentual de los últimos tres meses de este año en compara­ ción con los mismos tres meses del año pasado. Lo que se haya vendido en los tres  últimos meses será probablemente lo que se venda en los tres meses siguientes.  .

 La CPFR   se   usa   como   medio   de   integrar   a   todos   los   miembros   de   una   cadena   de suministro   de  n  puntos. Si una no funcionó. Creación de un acuerdo de asociación del lado del cliente.  La   segunda   parte   del   proceso   es   una   simulación   por   computadora.   Para   usar   el sistema. Si una regla parece funcionar bien.19. Collaborative Planning. por ejemplo. se agrega. PRONÓSTICO   Y   RESURTIDO   EN COLABORACIÓN  La  planeación. Como se muestra en la ilustración 15. La regla que mejor pronostique en el pasado es la que se usa para predecir el futuro. con el n de ofrecer panorámicas con ables y de largo plazo sobre la demanda futura en la cadena de suministro. datos de 18 a 24 meses.  A la fecha.   distribuidores   y   vendedores minoristas. Forecasting and Replenishment). la planeación de la producción y las compras y el resurtido de inventarios entre socios comerciales de la cadena de suministro. que luego se usa para sincronizar pronósticos y planes de producción y resurtido hacia los segmentos anteriores de la cadena de suministro. las aplicaciones de CPFR se han centrado principalmente en los alimentos.Estas reglas de pronóstico no son rígidas. se suprime.  PRONÓSTICO   EN   LA   RED:   PLANEACIÓN. Consiste en los siguientes cinco pasos:  Paso 1.8  El objetivo de CPFR es intercambiar información interna selecta en un servidor de la red compartido. aunque la metodología es aplicable a cualquier industria. Este acuerdo . el punto ideal de colaboración mediante CPFR es el pronóstico de la demanda en el nivel del menudeo. El proceso de simulación usa las reglas de pro­ nóstico para predecir datos recientes. evolucionó hasta convertirse en una herra­ mienta de Internet usada para coordinar el pronóstico de la demanda.   incluyendo   fabricantes. incluyendo 30 000 millones de dólares nada más de la industria alimenticia. CPFR usa un enfoque cíclico e iterativo para derivar pronósticos consensuados en la cadena.   Se   han   propuesto varias estimaciones de los ahorros de costos atribuibles a mejorar la coordinación de la cadena de suministro. que se propuso en 1995.   pronóstico   y   resurtido   en   colaboración  (CPFR   en   inglés. deben tenerse datos históricos. ropa y mercancía general. Los posibles bene cios de compartir la información de mejorar la visibilidad de la planeación   son   enormes   para   cualquier   cadena   de   suministro.

  Paso   5.   2)   necesidades   de   recursos   para   la   colaboración   (por   ejemplo. los socios pueden revisar el acuerdo   de   asociación   del   lado   del   cliente   cada   año.  Cada uno de estos pasos se repite iterativamente en un ciclo continuo en el que se varían   los   tiempos. hardware. El servidor examina pares de pronósticos corres­ pondientes y expide   una   nota   de   excepción   sobre   cualquier   par   de   pronósticos   cuando   la diferencia supera un margen de seguridad establecido con antelación (por ejemplo. Es fácil usar técnicas simples junto con los conocimientos expertos de eventos de promoción o rebaja para modi­ car los valores pronosticados en consecuencia. como el promedio de movimiento. lo que activa el proceso de resurtido. Paso 3.   Dada   la   frecuencia   con   que   se   generan pronósticos   y   la   posibilidad   de   que   muchos   artículos   requieran   que   se   preparen pronósticos. software. el pronóstico de pedidos se convierte en pronóstico real. diseñan un calendario conjunto en el que se identi ca la secuencia y frecuencia de las actividades de planeación que se siguen para in uir en los ritmos de producción y se especi can los criterios de excepción para manejar las variaciones planeadas entre los pronósticos de la demanda de los socios comerciales.  Paso   4.  Cuando   coinciden   los   pronósticos correspondientes.   evaluar   cada   trimestre   los . Desarrollo de pronósticos de demanda.   vendedores   minoristas (pronósticos   de   pedidos)   y   proveedores   (pronósticos   de   ventas)   publican electrónicamente sus últimos pronósticos de una lista de productos en un servidor compartido dedicado. El desarrollo de pronósticos puede apegarse   a   los   procedimientos   establecidos   en   la   compañía.especi   ca   1)   objetivos   (como   reducción   de   inventarios. de 5%). porque compartir los datos de los  puntos de venta permite   desarrollar   expectativas   más   acertadas   y   oportunas   (a   diferencia   de extrapolar retiros de almacén o acumular pedidos en tiendas) tanto para vendedores minoristas   como   para   proveedores. medidas de desempeño). que representa un obstáculo importante a la implantación. y 3) expectativas de con ­ dencialidad sobre   la   con   anza   imprescindible   como   requisito   para   compartir   la   información delicada de la compañía.  Normalmente.   Las   tiendas   deben desempeñar un papel crucial.   eliminación   de   ventas perdidas. menor obsolescencia de los productos) que se pretende alcanzar mediante colaboración.  A   continuación.   los   socios   crean estrategias de asocia­ ción.   por   lo   regular   se   usa   en   CPFR   algún   procedimiento   de   pronóstico simple. Por ejemplo.   Difundir   los   pronósticos.   por   productos   individuales   y   según   calendario   de   sucesos establecido entre los socios comerciales.   Planeación   conjunta   de   negocios.  Paso   2.   Resurtido   de   inventario. Si se excede el mar­ gen de seguridad. los plani cadores de las dos empresas colaboran por vía electrónica para llegar a un pronóstico de consenso.

 Los acuerdos de asociación del lado del cliente.   programas   de manufactura   e   inventarios.  . El objetivo contra­ dictorio entre un proveedor que quiere maximizar sus utilidades y un cliente que quiere minimizar sus costos da lugar a relaciones contrarias en la cadena de suministro. acuerdos de secreto y acceso limitado a la información ayudan a superar estos miedos. Compartir datos operativos delicados puede permitir a un socio comercial sacar ventaja del otro.   Algunas   compañías   se   sienten   justamente   preocupadas   por   la   idea   de colocar   en   línea   datos   estratégicos.  Como ocurre con la mayoría de las nuevas iniciativas corporativas.   Del   mismo   modo.   La   visibilidad   hacia   adelante.planes comerciales conjuntos. hay escepticismo y   resistencia   al   cambio.   Las   compañías   quedan   expuestas   a   las   fracturas   de seguridad.   Uno   de   los   escollos   más   grandes   que   estorban   la colaboración es la falta de con anza sobre lo completo de la información que se comparte entre socios de la cadena de suministro.  El   intercambio   oportuno   de   información   entre   los   socios   comerciales   ofrece impresiones con ables y de más largo plazo sobre el futuro de la demanda en la cadena   de   suministro. trae diversos bene cios a las asociaciones en las cadenas de suministro. desarrollar pronósticos de la demanda semanales o mensuales y resurtir a diario.   una   barrera   a   la   ejecución   es   el   potencial   de   perder   el control.   como   informes   nancieros.   basada   en   compartir   la información.

 es mucho más importante establecer la práctica de una revisión continua de los pro­ nósticos y aprender a vivir con pronósticos imprecisos. dentro de lo razonable. en lugar de buscar el pronóstico perfecto. Por lo tanto. relaciones causales que dice que la demanda se relaciona con algún factor subyacente en el ambiente y por último el de modelos de simulación que permite manejar varias suposiciones acerca de la condición del pronóstico.CONCLUSIÓN Tenemos que tener presente que por lo regular un pronóstico perfecto es imposible. Existen cuatro tipos de pronósticos. análisis de series de tiempo que se basa en utilizar información de la demanda pasada para predecir la futura. En un ambiente de negocios hay demasiados factores que no se pueden pronosticar con certeza. pero lo que debe hacerse es tratar de encontrar y usar el mejor método de pronóstico disponible. técnicas cualitativas basadas en estimados y opiniones. . Esto no quiere decir que no se trate de mejorar el modelo o la metodología de pronosticar.