Gestión de Operaciones y

Calidad Total
Capítulo 2: Pronósticos de Demanda

Agenda
 Introducción: ¿Qué es la demanda?
 Pronóstico de Demanda: Usos y
Características
 Tipos de Pronóstico de Demanda
 Cualitativos
 Cuantitativos
 Errores de Pronóstico
 Estimación Bajo Incertidumbre

Pronósticos de Demanda
2

Intro: ¿Qué es la Demanda?
“Cantidad de bienes o servicios que el consumidor está
dispuesto a adquirir a un precio dado y en un lugar
establecido”

 Saber cual será la demanda permite usar con eficiencia el
sistema productivo y entregar el producto a tiempo
 Dos fuentes básicas de demanda:
 Demanda Dependiente
 Demanda Independiente
 Respecto a la demanda independiente:
 Adoptar papel activo
• Presionar a fuerza de venta, subir/bajar precios, crear campañas,
etc.
 Adoptar papel pasivo
• Porque la empresa funciona a toda capacidad, o es la única en el
mercado, razones legales, éticas, etc.
Pronósticos de Demanda
3

Pronóstico de Demanda
 Los pronósticos de demanda son vitales para toda
organización de negocios
 Planeación de presupuesto y control de costos
 Productos nuevos
 Compensaciones al personal
 Selección de procesos
 Distribución de instalaciones
 Planeación de producción
 Programación
 Inventario

Pronósticos de Demanda
4

Pronóstico de Demanda
 El pronóstico es la base de la planeación corporativa
a largo plazo y tiene impacto directo en el mediano
y corto plazo
 Es importante ver el horizonte y el nivel de
agregación que se requiere para el pronóstico de
demanda
 Nivel Estratégico: Largo Plazo
 Nivel Táctico: Mediano Plazo
 Nivel Operacional: Corto Plazo.
 Ejemplo SUPERMERCADO

Pronósticos de Demanda
5

Pronóstico de Demanda Horizonte de Exactitud Número de Nivel Método de Uso tiempo Necesaria Productos Gerencial Pronóstico Cualitativos y Diseño del Proceso Largo Media Unos o Pocos Alto Causales Planeación de la Capacidad Cualitativos y Largo Media Unos o Pocos Alto de Instalaciones Causales Causales y de Planeación Agregrada Mediano Alta Pocos Mediano Series de Tiempo Programación Corto La más Alta Muchos Más Bajo Series de Tiempo Administración de Corto La más Alta Muchos Más Bajo Series de Tiempo Inventarios Pronósticos de Demanda 6 .

Pronóstico de Demanda  Un pronóstico perfecto es imposible  Hay demasiados factores que no se pueden pronosticar con certeza  Revisión continua de los pronósticos  Aprender a vivir con pronósticos imprecisos  Flexibilidad de reacción  Utilizar dos o tres métodos  Análisis de sensibilidad del pronóstico  No es un número sino un rango Pronósticos de Demanda 7 .

condiciones económicas  Variación Aleatoria • Eventos fortuitos. guerras. Pronósticos de Demanda 8 . Parte de la demanda que no se puede identificar la causa  Autocorrelación • Persistencia de la ocurrencia. Componentes de la Demanda  Seis componentes:  Demanda Promedio para el periodo  Tendencia  Elementos Estacionales  Elementos Cíclicos • Eventos como elecciones políticas.

Componentes de la Demanda Ciclo Patrón de estacionalidad Tendencia Promedio Aleatorio Tiempo Serie de tiempo original Tiempo Pronósticos de Demanda 9 .

Tipos de Pronósticos  Dos tipos básicos de pronósticos:  Cualitativos  Cuantitativos: • Análisis de Series de Tiempo • Relaciones Causales • Simulación Pronósticos de Demanda 10 .

Métodos Cualitativos  Existen varios tipos de métodos cualitativos:  Técnicas Acumulativas  Investigación de Mercados  Grupos de Consenso  Analogía Histórica  Método de Delphi Pronósticos de Demanda 11 .

 Pronósticos se suman y se llevan a nivel más alto.  EJ: Almacén local trata con cada uno de los vendedores. etc. Pronósticos de Demanda 12 . Métodos Cualitativos: Técnicas Acumulativas  Deriva pronóstico a través de la compilación de entradas de aquellos que se encuentran al final de la jerarquía.  Supuesto: La persona que está más cerca del cliente conoce mejor sus necesidades futuras. agrega inventario de seguridad y efectos de pedir en cantidad. Luego se lleva al almacén regional. Suma el total. quien suma la cantidad de cada almacén local.

Entrevistas. Métodos Cualitativos: Investigación de Mercados  Se utiliza sobre todo para la investigación de nuevos productos  Métodos de recopilación: Encuestas. etc. Focus Group. Pronósticos de Demanda 13 .

Métodos Cualitativos: Grupos de Consenso  “Dos cabezas piensan más que una”  Grupo de personas con diversas posiciones en la empresa  Reuniones abiertas con intercambio libre de ideas  Algunas personas pueden sentirse intimidadas y no hablar libremente Pronósticos de Demanda 14 .

sustituibles o competitivos  Ej: Tostador y Cafetera (NY-Wisconsin) Pronósticos de Demanda 15 . Métodos Cualitativos: Analogía Histórica  Producto General o Existente como modelo.  Productos complementarios.

se refinan proyecciones y se plantean preguntas nuevas  Si es necesario se vuelve a repetir el paso anterior  Por lo regular se requieren tres rondas  Elimina el problema de la intimidación Pronósticos de Demanda 16 . se modifica el cuestionario y se vuelve a repartir  Nuevamente se resumen los resultados. Métodos Cualitativos: Método de Delphi  Similar a grupos de consenso pero en forma de cuestionario  Se elige a los expertos a participar  Por medio de un cuestionario se obtienen proyecciones  Se resumen los resultados.

Métodos Cuantitativos: Análisis de Series de Tiempo  Predecir el futuro con información del pasado  Varios modelos:  Promedio Móvil Simple  Promedio Móvil Ponderado  Suavización Exponencial  Análisis de Regresión Lineal  Series de Tiempo  Proyecciones de Tendencia Pronósticos de Demanda 17 .

+ Dt − n Ft = n Ft = Pronóstico para el periodo t Dt −1 = Demanda real del periodo t-1 n = Número de periodos a promediar  Varios efectos conflictivos de distintos periodos  Mientras más largo. pero se retrasa la tendencia. más se uniformarán los elementos aleatorios.. Pronósticos de Demanda 18 . Métodos Cuantitativos: Análisis de Series de Tiempo Promedio Móvil Simple  Útil cuando la demanda no crece ni baja con rapidez y no tiene características estacionales Dt −1 + Dt − 2 + ..

933 6 1.700 1.567 1.967 1.400 2.333 2. Métodos Cuantitativos: Análisis de Series de Tiempo Promedio Móvil Simple  Ej.800 3 1.567 1.533 23 2.011 7 1.167 2.500 1.811 4 1.833 1.556 28 2.700 2.000 1.500 1.700 1.000 2.400 1.300 1.267 12 1.900 1.600 2.033 1.200 1.500 2.367 2.144 9 1.633 1.500 27 2.333 21 2.733 30 2.111 10 1.: Periodos de 3 y 9 semanas Semana Demanda 3 Semanas 9 Semanas Semana Demanda 3 Semanas 9 Semanas 1 800 16 1.167 11 1.311 13 2.333 2.600 24 2.311 14 2.300 1.000 18 2.433 2.300 1.600 2.433 22 2.367 25 2.833 1.811 2 1.378 Pronósticos de Demanda 19 .800 1.100 2.200 2.400 2.367 2.378 15 2.467 2.200 1.111 8 1.367 2.911 5 1.600 1.300 2.900 1.644 29 2.800 2.500 2.500 1.300 1.300 20 2.200 2.000 2.400 17 1.233 2.700 1.467 26 2.067 19 1.

500 1.000 Demanda Real 500 Pronóstico Móvil Simple con 3 semanas Pronóstico Mövil Simple con 9 semanas 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Pronósticos de Demanda 20 .: Periodos de 3 y 9 semanas 3.500 2.000 2. Métodos Cuantitativos: Análisis de Series de Tiempo Promedio Móvil Simple  Ej.000 1.

. + wt − n ⋅ Dt − n Ft = Pronóstico para el periodo t Dt −1 = Demanda real del periodo t-1 wt −1 = Ponderación dada a la demanda real para el periodo t-1 n = Número total de periodos en el pronóstico n ∑w i =1 i =1 Pronósticos de Demanda 21 .. Métodos Cuantitativos: Análisis de Series de Tiempo Promedio Móvil Ponderado  Asigna importancia a los distintos elementos Ft = wt −1 ⋅ Dt −1 + wt − 2 ⋅ Dt − 2 + .

Métodos Cuantitativos: Análisis de Series de Tiempo Promedio Móvil Ponderado  Asigna importancia a los distintos elementos  Experiencia  Prueba  Por regla general: Más importante el pasado más reciente  Si los datos son estacionales: Ponderar según estacionalidad • Ej: trajes de baño Pronósticos de Demanda 22 .

Pronósticos de Demanda 23 . Métodos Cuantitativos: Análisis de Series de Tiempo Suavización Exponencial  Cada incremento en el pasado se reduce 1 – α Ft = Ft −1 + α ⋅ ( Dt −1 − Ft −1 ) Ft = Pronóstico suavizado exponencialmente para el periodo t Dt −1 = Demanda real del periodo t-1 α = Constante de suavización  La suavización exponencial es la más utilizada en las técnicas de pronóstico.

Métodos Cuantitativos: Análisis de Series de Tiempo Suavización Exponencial  Se acepta en forma generalizada por seis razones:  Sorprendentemente preciso  Relativamente fácil de formular  Modelo fácil de entender  Se requieren pocos cálculos  Bajo requerimiento de almacenamiento de datos  Fácil de calcular pruebas de precisión de desempeño Pronósticos de Demanda 24 .

Métodos Cuantitativos: Análisis de Series de Tiempo Suavización Exponencial  La razón por la que se llama suavización exponencial es que cada incremento en el pasado se reduce (1 – α) Ft = Ft −1 + α ⋅ ( Dt −1 − Ft −1 ) Ft = Ft −1 ⋅ (1 − α ) + Dt −1 ⋅ α Ft = ( Ft − 2 ⋅ (1 − α ) + Dt − 2 ⋅ α ) ⋅ (1 − α ) + α ⋅ Dt −1 Ft = Ft − 2 ⋅ (1 − α ) 2 + Dt − 2 ⋅ α ⋅ (1 − α ) + Dt −1 ⋅ α Pronósticos de Demanda 25 .

Métodos Cuantitativos: Análisis de Series de Tiempo Suavización Exponencial  Cada incremento en el pasado se reduce 1 – α Ft = ( Ft −3 ⋅ (1 − α ) + Dt −3 ⋅ α )) ⋅ (1 − α ) 2 + Dt − 2 ⋅ α ⋅ (1 − α ) + Dt −1 ⋅ α Ft = Ft −3 ⋅ (1 − α ) 3 + Dt −3 ⋅ α ⋅ (1 − α ) 2 + Dt − 2 ⋅ α ⋅ (1 − α ) + Dt −1 ⋅ α  Dato más reciente: (1 − α ) 0 ⋅ α  Dato de un periodo anterior: (1 − α )1 ⋅ α  Dato de dos periodos antes: (1 − α ) 2 ⋅ α Pronósticos de Demanda 26 .

Métodos Cuantitativos: Análisis de Series de Tiempo Suavización Exponencial  Solo se requieren 3 piezas de datos para pronosticar el futuro  El pronóstico más reciente  La demanda real que ocurrió durante el periodo de pronóstico  Una constante de suavización  La constante de suavización determina el nivel de uniformidad y la velocidad de reacción a las diferencias entre los pronósticos y las ocurrencias reales. Pronósticos de Demanda 27 .

Métodos Cuantitativos: Análisis de Series de Tiempo Suavización Exponencial Ciclo Patrón de estacionalidad Tendencia Promedio Aleatorio Tiempo Serie de tiempo original  Suavización Exponencial es capaz de estimar el Promedio. la Estacionalidad y la Tendencia de la Serie Original Tiempo Pronósticos de Demanda 28 .

Métodos Cuantitativos: Análisis de Series de Tiempo Suavización Exponencial  Suavización Exponencial con Tendencia: At = α ⋅ Dt + (1 − α ) ⋅ ( At −1 + Tt −1 ) 0 <α <1 Tt = β ⋅ ( At − At −1 ) + (1 − β ) ⋅ Tt −1 0 < β <1 Ft +1 = At + Tt  Donde Tt es la tendencia. Pronósticos de Demanda 29 .

Métodos Cuantitativos: Análisis de Series de Tiempo Suavización Exponencial  Suavización Exponencial con Estacionalidad de Largo L:  Dt  At = α ⋅   + (1 − α ) ⋅ At −1 0 <α <1  Rt − L   Dt  Rt = γ ⋅   + (1 − γ ) ⋅ R t − L 0 < γ <1  At  Ft +1 = ( At ).Rt − L +1  Donde Rt es el factor de estacionalidad. Pronósticos de Demanda 30 .

Métodos Cuantitativos: Análisis de Series de Tiempo Suavización Exponencial  Suavización Exponencial con Estacionalidad de Largo L y tendencia:  Dt  At = α ⋅   + (1 − α ) ⋅ ( At −1 + Tt −1 ) 0 <α <1  Rt − L   Dt  Rt = γ ⋅   + (1 − γ ) ⋅ R t − L 0 < γ <1  At  Tt = β ⋅ ( At − At −1 ) + (1 − β ) ⋅ Tt −1 0 < β <1 Ft +1 = ( At + Tt ) ⋅ Rt − L +1 Pronósticos de Demanda 31 .

 Se pronostica una variable en base a la otra.  Se realiza a partir de datos observados. Métodos Cuantitativos: Análisis de Series de Tiempo Análisis de Regresión Lineal  Relación Funcional entre dos o más variables correlacionadas.  Se grafican los datos Y = a + bX Y = Variable Dependiente a = Secante b = Pendiente X = Variable Independiente (En este caso el tiempo) Pronósticos de Demanda 32 .

 Se utiliza tanto para Análisis de Series de Tiempo como para Relaciones Causales. Pronósticos de Demanda . y los pronósticos futuros caen sobre una recta.  Supone que los datos del pasado. Métodos Cuantitativos: Análisis de Series de Tiempo Análisis de Regresión Lineal  Útil para el pronóstico a largo plazo de eventos importantes.  Pueden usarse periodos más cortos. en cuyo caso una variable es dependiente de la otra. así como la planeación agregada.

Métodos Cuantitativos: Análisis de Series de Tiempo Análisis de Regresión Lineal 188 Sales 168 148 128 Sales 108 Sales Regression 88 1 3 5 7 9 11 13 15 17 17 19 19 21 21 23 23 25 25 27 27 29 29 Week Pronósticos de Demanda 34 .

Métodos Cuantitativos: Análisis de Series de Tiempo Series de Tiempo Shiskin  Puede definirse una serie temporal como datos ordenados en forma cronológica que pueden tener uno o más componentes de la demanda:  Tendencia  Estacional  Cíclico  Autocorrelación  Aleatorio  La descomposición de una serie temporal significa identificar y separar los datos de la serie temporal en estos componentes. Pronósticos de Demanda 35 .

 Es más difícil identificar los componentes de los ciclos. la autocorrelación y el aleatorio. pueden relacionarse:  Variación Estacional Aditiva -> Cantidad estacional es una constante  Variación Estacional Multiplicativa -> La tendencia se multiplica por los factores estacionales -> Es más común la multiplicativa. Pronósticos de Demanda 36 .  Cuando se tienen efectos estacionales y de tendencia al mismo tiempo. Métodos Cuantitativos: Análisis de Series de Tiempo Series de Tiempo Shiskin  Es fácil identificar la tendencia y el componente estacional.

6 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 Tendencia asintótica Tendencia exponencial 2 2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 Pronósticos de Demanda 37 .8 1.9 1.4 1.6 1.7 0.6 0.2 1.8 0.5 1.8 0.6 1.2 1.9 0.7 0.9 1.1 1 1 0.3 1.7 1.4 1.2 1.8 1.4 1.7 0.5 1.7 1.5 1.9 0.9 0.6 0.7 0.3 1.8 0.1 1 1 0.3 1.1 1.1 1.8 1.3 1. Métodos Cuantitativos: Análisis de Series de Tiempo Proyecciones de Tendencia  Ajusta una recta matemática de tendencias a los puntos de datos y las proyecta en el futuro Tendencia Líneal Tendencia de curva S 2 2 1.6 1.8 0.8 1.5 1.4 1.2 1.9 1.9 0.7 1.6 1.7 1.9 1.

Métodos Cuantitativos: Relaciones Causales  Tratar de entender el sistema subyacente y que rodea al elemento que se va a pronosticar  La gracia es que una variable independiente sea un indicador guía  Ej.: La lluvia para la venta de paraguas  Relación causal -> Una ocurrencia causa la otra  Es de gran importancia encontrar las ocurrencias que realmente son la causa Pronósticos de Demanda 38 .

Métodos Cuantitativos: Relaciones Causales  Varios modelos:  Análisis de Regresión Múltiple  Modelos Econométricos  Modelos de Entrada/Salida  Principales Indicadores Pronósticos de Demanda 39 .

: Mobiliario doméstico en función de número de matrimonios. construcción de viviendas. ingreso disponible y tendencias: S = B + Bm ( M ) + Bh ( H ) + Bi ( I ) + Bt (T ) S = Ventas Brutas Anuales B = Ventas de Base (a partir de otros factores que ejercen influencia) M = Matrimonios durante el año H = Construcción de viviendas durante el año I = Ingreso personal disponible anual T = Tendencia temporal Pronósticos de Demanda 40 . Métodos Cuantitativos: Relaciones Causales Análisis de Regresión Múltiple  Similar al análisis de regresión en series de tiempo pero con diversas variables  Ej.

Métodos Cuantitativos: Relaciones Causales Análisis de Regresión Múltiple  Es conveniente hacer un pronóstico con regresión múltiple cuando varios factores influyen en la variable de interés  Su dificultad radica en:  Encontrar las verdaderas fuentes de causa  Ver la independencia de las fuentes  Cálculos matemáticos Pronósticos de Demanda 41 .

Métodos Cuantitativos: Relaciones Causales Análisis de Regresión Múltiple Estacionalidad Subclase Elasticidad Demanda Efecto Precio Estilo i Estilo i Promoción  P I  Di (t . I ) = K i × K (t ) × K prom × exp (γ + γ i )(1 − ) + µ max(0.1 − )  PInicial Ic  Magnitud Ventas Estilo i Elasticidad Elasticidad Precio Subclase Inventario Subclase t = Tiempo (Semana) I = Inventario P = Precio Ic = Inventario Crítico PInicial = Precio Inicial (salida) Pronósticos de Demanda 42 . P.

Métodos Cuantitativos: Relaciones Causales Modelos Econométricos  Intentos por describir algún sector de la economía mediante ecuaciones interdependientes Pronósticos de Demanda 43 .

Métodos Cuantitativos: Relaciones Causales Modelos de Entrada/Salida  Se enfoca en ventas de otras industrias  Indica los cambios en las ventas que una industria productora puede esperar debido a los cambios en las compras por parte de la otra Pronósticos de Demanda 44 .

pero antes que ésta  Ej: Un incremento en el precio de la gasolina indica un abaja futura en la venta de autos grandes Pronósticos de Demanda 45 . Métodos Cuantitativos: Relaciones Causales Principales Indicadores  Estadísticas que se mueven en la misma dirección que la serie a pronosticar.

Métodos Cuantitativos: Modelos de Simulación  Modelos dinámicos  Permiten hacer suposiciones acerca de las variables internas y el ambiente externo del modelo  ¿Qué pasaría si subiera los precios?  Análisis de Sensibilidad Pronósticos de Demanda 46 .

 Smith dice que los enfoques estadísticos no dan los mejores resultados  Afirma que son mejores las técnicas simples  El pronóstico enfocado prueba varias reglas y las simula sobre datos del pasado Pronósticos de Demanda 47 . quien lo usa para manejo de inventarios de bienes terminados. Modelos de Simulación: Pronóstico Enfocado  Creación de Bernie Smith.

sino. se agrega. se usa para el futuro Pronósticos de Demanda 48 . Modelos de Simulación: Pronóstico Enfocado  Ejemplos de reglas:  Lo que se haya vendido en los últimos tres meses. se venderá también en este periodo  El cambio porcentual de los últimos tres meses de este año será el mismo que se obtendrá en los tres meses siguientes  Las reglas de pronóstico no son rígidas  Si una regla funciona. se suprime  Luego se simula por computadora con datos históricos  Lo que mejor pronostique el pasado. probablemente es lo que se venderá en los meses siguientes  Lo que se vendió en el mismo trimestre del año pasado.

estandard ≈ 1.  Nos sirven para ver en qué momento el pronóstico falla o los datos no sirven 1 MAD = ∑ Dt − Ft n t 1 MAD ≈ 0. estandard 1 des. Errores de Pronóstico  Se refiere a la diferencia entre el valor de pronóstico y lo que ocurrió en realidad.8 desv.25 MAD  Se utiliza por su simplicidad. Pronósticos de Demanda 49 .

 Elegir el “mejor” modelo dentro de una familia de modelos  Si |Ft .Dt| > 3. entonces existen sospechas de VALOR EXTREMO.75 x MADt (tres desviaciones estándar).  MAD se usa para:  Comparar distintos modelos de pronósticos. Errores de Pronóstico  El valor ideal de MAD es cero (ie. no existe error de pronósticos). menor la precisión del modelo. Pronósticos de Demanda 50 .  Mientras mas grande MAD.

Errores de Pronóstico  Señal de Rastreo: suma acumulada de la desviación del pronóstico T= MAD  Si T ∉ [-6. entonces debe revisarse el modelo ya que está sesgado. Pronósticos de Demanda 51 .6] (confiabilidad menor al 97%).

Errores de Pronóstico  MAD pronosticada: MADt = α ⋅ Ft − Dt + (1 − α ) ⋅ MADt −1 Pronósticos de Demanda 52 .

 Rápidos cambios tecnológicos y de modas. libros. O.  Demanda altamente estocástica. música.  Ejemplos: ropa de moda. depender demasiado de la información histórica. artículos electrónicos… Pronósticos de Demanda 53 . juguetes.  Ciclos de venta muy cortos. juegos computacionales. Pronósticos Bajo Incertidumbre  En muchos casos no es una buena idea resumir en un número nuestras predicciones futuras sobre el comportamiento de la demanda.

Pronósticos de Demanda 54 . Pronósticos Bajo Incertidumbre  En estos casos puede ser mejor modelar la demanda como una variable aleatoria (o proceso estocástico) y usar pronósticos para definir su distribución de probabilidades.  Uno de los ejemplos más populares es suponer que la demanda está Normalmente distribuida con media µ y desviación estándar σ.

σ)) = − ln 2πσ 2 − i =1 n 2 2σ 2 V µ . Pronósticos Bajo Incertidumbre  Supongamos que tenemos N observaciones de la demanda  {xi: i=1.….σ µV = ∑ xi i =1 n i =1 ∑ ( xi − µ ) n 2 n 2 ( ) σ = ∑ (xi − µV ) 1 max ln (V(μ.N}. Como podemos estimar µ y σ? Metodo de Maxima Verosimilitud n 1 n max V(μ. µ .σ 2 n i =1 Pronósticos de Demanda 55 . σ) = ∏ φ ( xi . σ ) ⇔ µ .

productos. como el desarrollo de mercados nuevos. ampliar instalaciones Pronósticos de Demanda 56 . servicios u otros recursos  En largo plazo: Base para los cambios estratégicos. Conclusiones  No es fácil desarrollar un sistema de pronóstico  Es fundamental para cualquier esfuerzo de planeación  En corto plazo: Predecir necesidades de materiales. creación de productos.

Conclusiones  Para los pronósticos de largo plazo son provechosos los métodos causales  Para los de corto y mediano plazo. los modelos simples. como la suavización exponencial. pueden ser satisfactorios  La filosofía ideal es crear el mejor pronóstico que sea posible y protegerse manteniendo la flexibilidad del sistema para tener en cuenta inevitables errores de pronóstico Pronósticos de Demanda 57 .