Pronstico de los

requerimientos
de la cadena de
suministros
Leonardo Gabriel Hernndez Landa
NATURALEZA DE LOS PRONSTICOS

El pronstico de los niveles de demanda es vital para la

una empresa como un todo, ya que proporciona los datos
de entrada para la planeacin y control de todas las reas
funcionales, incluyendo logstica, marketing, produccin y
finanzas.
Los niveles de demanda y su programacin afectan en
gran medida los niveles de capacidad, las necesidades
financieras y la estructura general del negocio.

Cada rea funcional tiene sus propios problemas

especiales de pronstico.
MTODOS DE PRONSTICO

Se dispone de varios mtodos de pronstico estandarizados.

Estos se han dispuesto en tres grupos:
Mtodos cualitativos

Los mtodos cualitativos utilizan el juicio, la

intuicin, las encuestas o tcnicas comparativas para
generar estimados cuantitativos acerca del futuro.

La naturaleza no cientfica de los mtodos los hacen

difciles de estandarizar y de validar su precisin
Mtodos de proyeccin histrica

La premisa bsica es que el patrn del tiempo

futuro ser una rplica del pasado, al menos en
gran parte.

La naturaleza cuantitativa de las series de tiempo

estimula el uso de modelos matemticos y
estadsticos como las principales herramientas de
pronstico.
Mtodos causales

El nivel de la variable pronosticada se deriva del nivel de

otras variables relacionadas.

En la medida que puedan describirse adecuadas relaciones de

causa y efecto, los modelos causales pueden ser bastante
buenos para anticipar cambios mayores en las series de
tiempo y para pronosticar de manera precisa sobre un periodo
de mediano a largo.
Demanda espacial versus demanda
temporal
Tiempo o temporal se refiere a los niveles de demanda
comunes en los pronsticos.
La mayor parte de los mtodos de pronstico a corto plazo
se relacionan con este tipo de variacin temporal, a
menudo denominada como series de tiempo.
La logstica tiene tanto dimensiones de espacio como de
tiempo.
Demanda regular

Patrn de demanda aleatorio o nivelado sin elementos estacionales o de

tendencia
Demanda regular (cont.)

Patrn de demanda aleatorio con tendencia creciente pero sin

elementos estacionales
Demanda regular (cont.)

Un patrn de demanda aleatorio, tanto con elementos de tendencia

como estacionales
Demanda irregular

Ejemplo de un patrn de demanda irregular

 Por tanto, cualquier demanda observada puede dividirse
en un componente sistemtico y otro aleatorio:
() =
() + ()
Componente sistemtico

El componente sistemtico mide el valor esperado de la

demanda y consiste en lo que llamamos nivel, la demanda
desestacionalizada actual; tendencia, la tasa de
crecimiento o descenso en la demanda para el periodo
siguiente; y la estacionalidad, las fluctuaciones
estacionales predecibles en la demanda.
Componente aleatorio

El componente aleatorio es la parte del pronstico que se

desva de la parte sistmica. Una compaa no puede (y
no debe) pronosticar la direccin del componente
aleatorio.
Todo lo que la compaa puede pronosticar es el tamao y
la variabilidad del componente aleatorio, lo cual
proporciona una medida del error de pronstico.
MTODO BSICO PARA PRONOSTICAR
LA DEMANDA
El siguiente mtodo de seis pasos ayuda a la organizacin a llevar a cabo un
pronstico efectivo.
1. Entender el objetivo del pronstico.
2. Integrar la planeacin y el pronstico de la demanda en la cadena de
suministro.
3. Entender e identificar los segmentos de clientes.
4. Identificar los principales factores que influyen en el pronstico de la
demanda.
5. Determinar la tcnica apropiada de pronstico.
6. Establecer medidas de desempeo y error para el pronstico.
ENTENDER EL OBJETIVO DEL
PRONSTICO
Todo pronstico respalda las decisiones que se basan en
l, de manera que un primer paso importante es
identificar con claridad estas decisiones. Los ejemplos de
tales decisiones incluyen qu cantidad producir de un
producto en particular, cunto inventario tener y qu
tanto pedir.
TCNICAS TILES PARA LOS
RESPONSABLES DE LA LOGSTICA
Debido a que varios segmentos de la organizacin
requieren informacin pronosticada, en especial el
pronstico de ventas, la actividad de pronosticar por lo
general se centraliza en las reas de marketing,
planeacin o anlisis econmico de la empresa.
Nivelacin o suavizacin exponencial

Tal vez, la tcnica ms til para el pronstico de corto

plazo sea el ajuste exponencial.
Es un tipo de promedio mvil, donde las observaciones
pasadas no reciben la misma ponderacin. En vez de ello,
las observaciones que son ms recientes reciben mayor
ponderacin que las anteriores.
Formulacin

Tal esquema de ponderacin geomtrica puede reducirse a una simple

expresin que incluye slo al pronstico del periodo ms reciente y a
la demanda real para el periodo actual.
De esta forma, el pronstico de demanda para el siguiente periodo
estar dado por

= + 1

donde es un factor de ponderacin, comnmente denominado como

la constante de ajuste exponencial, con valores entre 0 y 1.
Ejemplo

Suponga que se pronostic un nivel de demanda de 1,000 unidades

para el presente mes. La demanda real para el mes presente son 950
unidades. El valor de la constante de ajuste es = 0.3. El valor
esperado para la demanda del siguiente mes, sera
Pronstico nuevo = 0.3(950) + 0.7(1,000)= 985 unidades
Modelo extendido suavizacin
exponencial
Por conveniencia podemos escribir este modelo de "slo de nivel"
como

+1 = + 1
Donde
= Periodo de tiempo presente
= constante de ajuste exponencial
= demanda en el periodo
= pronstico para el periodo
+1 = pronostico para el periodo siguiente
Ejemplo

La siguiente informacin trimestral representa una serie de tiempo de

la demanda para un producto:

1 2 3 4
Ao pasado 1200 700 900 1100
Este ao 1400 1000
Pronstico

Quisiramos pronosticar la demanda para el tercer trimestre de este

ao. Asumiremos que = 0.2. Y que el pronstico anterior se
construye a partir del promedio de los cuatro trimestres del ltimo
ao.
Correccin por tendencia (Holt)

El modelo bsico de ajuste exponencial da buenos resultados cuando

se aplica a un patrn de series de tiempo o cuando los cambios en los
componentes de tendencia y estacionalidad no son tan grandes.
Sin embargo, cuando existe una tendencia importante o un patrn
estacional significativo en la informacin, el retraso inherente de
pronstico en este tipo de modelo puede arrojar errores inaceptables
de pronstico.
Por fortuna, el modelo puede extenderse para proporcionar un mejor
seguimiento cuando los elementos de tendencia y de estacionalidad
son significativos a partir de la aleatoriedad de la informacin.
Modelo Holt

La correccin del modelo bsico para pronosticar retrasos de tiempo

debidos a la tendencia es una simple modificacin de forma al modelo
de "slo nivel". La versin de tendencia corregida del modelo es un
conjunto de ecuaciones que pueden expresarse como
+1 = + (1 )( + )
+1 = (+1 ) + 1
+1 = +1 + +1
donde los smbolos adiciones no definidos con anterioridad son
+1 = pronstico con tendencia corregida para el periodo t+1
= pronstico inicial para el periodo t
= tendencia para el periodo t
= constante de ajuste de tendencia
Ejemplo

Recuerde el ejemplo anterior que tena la siguiente informacin:

1 2 3 4
Ao pasado 1200 700 900 1100
Este ao 1400 1000
Pronstico

Seguimos buscando tener un pronstico para el tercer periodo de este

ao pero con una correccin por tendencia. Utilizaremos un valor
arbitrario de inicio de St = 975 (el promedio de la demanda del
ltimo ao) = 0(sin tendencia). La constante de ajuste se supone
0.3 y permanece en el valor previo de 0.2.
Correccin por tendencia y
estacionalidad (Winter)

Adems de la tendencia, tambin pueden considerarse

los efectos de las fluctuaciones estacionales en las series
de tiempo. Antes de aplicar este tipo de modelo, deben
cumplirse dos condiciones.
Debe existir una razn conocida para los picos y valles
peridicos en el patrn de la demanda, y estos picos y
valles deben presentarse en el mismo tiempo cada ao.
La variacin estacional debe ser mayor que las
variaciones aleatorias, o "ruido".
 El modelo de ajuste de tendencia-estacionalidad se construye
alrededor del concepto de pronosticar el ndice de la demanda real a
la tendencia, y luego se desestacionaliza para generar el pronstico.
Las ecuaciones para este modelo son
+1 = ( / ) + (1 )( + )
+1 = (+1 ) + 1

= + 1

+1 = (+1 ++1 )+1
Donde
= constante de ajuste sobre el ndice de estacionalidad
= ndice de estacionalidad para el periodo t
= el tiempo para una estacin completa
 Definicin del error de pronstico

En la medida en que el futuro no es reflejado

perfectamente por el pasado, el pronstico de la demanda
futura por lo general tendr cierto grado de error.
Dado que el ajuste exponencial es una prediccin de la
demanda promedio, se busca proyectar un rango dentro
del cual caer la demanda real. Esto requiere un
pronstico estadstico.

El error en el pronstico se refiere a lo cerca que se halla el

pronstico del nivel de demanda real.
Desviacin absoluta

Histricamente, la desviacin absoluta media (DAM) se ha utilizado

como la medida del error de pronstico en referencia a la nivelacin
exponencial.
El error de pronstico se define como

=
Sin embargo, la magnitud del error de pronstico puede obtenerse al
elevar al cuadrado los errores, lo que eliminar la cancelacin de los
errores positivos y negativos.
Desviacin estndar
De esta manera se desarrolla la forma comn de la desviacin
estndar, y se corrige para el grado de libertad que se perdi en la
generacin del pronstico; es decir, en el modelo de pronstico de
"slo nivel".
La expresin para esta desviacin estndar es:
2
=
1
Donde
= error estndar del pronstico
= demanda real en el periodo t
= pronstico para el periodo t
= nmero de periodos de pronstico t
Ejemplo
Recuerde el pronstico de "slo nivel" que tena la siguiente informacin y
resultados:

1 2 3 4
Ao pasado 1200 700 900 1100
Este ao 1400 1000
Pronstico 1000 1080 1064

Ahora estimemos el error estndar del pronstico ( ) para los dos periodos (N
=2) para los cuales se realiz el pronstico y los valores de demanda real se
encuentran disponibles. Suponiendo que la demanda se distribuye en forma
normal sobre el pronstico, podernos desarrollar un intervalo de confianza de
95% alrededor del pronstico del tercer trimestre.
Monitoreo del error de pronstico

Una de las ventajas ms notables del uso del ajuste exponencial para el
pronstico de corto plazo es su capacidad de adaptarse a los patrones
cambiantes en la serie de tiempo.
Lo bien que el modelo mantenga su precisin se relaciona directamente con
el valor de la constante de ajuste en cualquier punto en el tiempo.
Por lo tanto, los procedimientos sofisticados de pronstico implican el
monitoreo del error de pronstico y realizar ajustes en los valores de las
constantes de ajuste.
Ejemplo de desempeo de ajuste
exponencial.
Descomposicin clsica de series de
tiempo

Una categora de modelos de pronstico que ha resultado til durante aos

es la descomposicin de series de tiempo.

Estos mtodos incluyen el anlisis espectral, el anlisis clsico de series de

tiempo, y el anlisis de series de Fourier.

Aqu se cubre el anlisis de la descomposicin de series de tiempo,

principalmente debido a su simplicidad matemtica y a su popularidad,
adems de que los mtodos ms elegantes no han mostrado mayor precisin
El pronstico clsico por tendencia,
descomposicin de series variacin
de tiempo est construido estacional,
sobre la filosofa de que un variacin cclica
patrn de ventas histricas y variacin
puede descomponerse en residual o
cuatro categoras: aleatoria.
 El anlisis clsico de series de tiempo combina cada tipo
de la variacin de ventas de la siguiente forma:
F=TSCR
Donde
F = pronstico de demanda (en unidades o en $)
T = nivel de tendencia (en unidades o en $)
S = ndice de estacionalidad
C = ndice cclico
R = ndice residual
Tendencia T
El valor de tendencia (T) en el modelo puede determinarse por varios mtodos,
como ajustar una lnea "por simple vista", empleando alguna forma de promedio
mvil, o utilizando el mtodo de los mnimos cuadrados.
La expresin matemtica para una lnea de tendencia lineal es T = a + bt, donde t
es el tiempo, T es el nivel de demanda promedio, o tendencia, y a y b son
coeficientes que se determinarn para la serie de tiempo en particular.

( )()
=
2 2

=
N = el nmero de observaciones utilizadas en el desarrollo de la lnea de
tendencias
= la demanda real en el tiempo t
= demanda promedio para N periodos

= promedio de t durante N periodos
ndice de estacionalidad

El componente de estacionalidad del modelo est representado por un valor

de ndice que cambia para cada periodo que se pronostica.
Este ndice es una razn de la demanda real en un tiempo dado para la
demanda promedio:

=

Donde
= ndice de estacionalidad en el tiempo t
= valor de tendencia determinado a partir de T = a + bt
 Por ltimo, el pronstico se realiza para el tiempo t en el futuro de la
siguiente manera:
=
Donde
= la demanda pronosticada en el tiempo t
L = nmero de periodos en el ciclo estacional
 Un fabricante de ropa para jovencitas debe tomar decisiones de cantidad de
compra y establecer programas de produccin y logstica con base en
reservaciones del mercado (ventas). Se especificaron cinco estaciones del ao
para propsitos promocionales y de planeacin: verano, transestacional,
otoo, festividades y primavera. Se obtuvo informacin de las ventas para
aproximadamente dos y medio aos.
Se requiere un pronstico para dos estaciones por delante del periodo
contable actual para asegurar las compras y el tiempo de espera de
produccin adecuados. En este caso, el periodo de pronstico fue la
temporada de festividades, incluso aunque las ventas para el periodo de
otoo intermedio todava no se conocan.
 Ejemplo
Periodo
Periodo
tiempo
Ventas
( )
2
Tendencia ( )
ndice
Estacional Pronostico
(t) (5)
(2) (3) (4) (2)/(5)
(1)
Verano 1 9,458
Trans-temporada 2 11,542
Otoo 3 14,489
Festividades 4 15,754
Primavera 5 17,269
Verano 6 11,514
Trans-temporada 7 12,623
Otoo 8 16,086
Festividades 9 18,098
Primavera 10 21,030
Verano 11 12,788
Trans-temporada 12 16,072
Otoo
Festividades
Total
Anlisis de regresin mltiple

En los modelos de pronstico analizados hasta aqu, el tiempo es la nica

variable que se ha considerado. En la medida que otras variables muestran
una relacin con la demanda, stas tambin pueden incluirse en un modelo
para pronosticar las ventas.

El anlisis de regresin mltiple es una tcnica estadstica que ayuda a

determinar el grado de asociacin entre un nmero de variables seleccionadas
y la demanda
 Cuando consideramos un problema mediante mtodos
cuantitativos, generalmente asumimos que la relacin
entre las variables es de tipo determinista; es decir, dado
un valor de una de las variables, el valor de la otra
variable se determina automticamente y sin error.
Sin embargo, un aspecto natural del comportamiento de
las cosas es la incertidumbre y por lo tanto involucra
imprecisiones dentro de estas estimaciones.
Correlacin

Las relaciones estadsticas se obtienen mediante una

primera fase de exploracin conocida como anlisis de
correlacin.
Consiste en analizar la asociacin o correlacin entre dos
o ms variables.
Este grado de correlacin es un nmero entre -1 y 1 conocido
comnmente como coeficiente de correlacin.
Anlisis de regresin

el anlisis de correlacin no es un fin en s mismo sino que

su objetivo es establecer la pertinencia de la segunda fase
o anlisis de regresin.
Este da lugar a una funcin = () que describe
estadsticamente la asociacin o relacin entre las
variables en estudio y, por tanto, su fin no es calcular sin
error sino obtener predicciones del valor de una variable,
para un valor dado de la otra variable.
Correlacin lineal

Se empieza el estudio de correlacin con el caso ms sencillo, el de la

correlacin lineal entre dos variables aleatorias cuantitativas X y Y. Lo datos
muestrales suelen reducirse a parejas y la forma estndar para designarlas es:
1 , 1 , 2 , 2 , , ( , )
Se tiene entonces una muestra de datos (parejas) donde 1 denota el
primer valor de la variable aleatoria x y 1 denota el primer valor de la
variable aleatoria y.
Situacin de estudio: cigarrillos

La Comisin de Comercio Federal de Estados Unidos

evala anualmente distintas marcas de cigarrillos de
acuerdo con su contenido de alquitrn, nicotina y
monxido de carbono. La Asociacin de Mdicos de
Estados Unidos juzga peligrosas cada una de estas
sustancias para la salud del fumador. Estudios anteriores
han demostrado que un aumento en el contenido de
alquitrn y nicotina de un cigarrillo est acompaado de
un incremento en el monxido de carbono emitido en el
humo del cigarrillo. La tabla siguiente muestra los valores
para 25 marcas de cigarrillos comunes en Estados Unidos.
Tabla de datos
Marca Peso Alquitran Nicotina CO
Alpine 0.9853 14.1 0.86 13.6
Benson&Hedges 1.0938 16 1.06 16.6
BullDurham 1.165 29.8 2.03 23.5
CamelLights 0.928 8 0.67 10.2
Carlton 0.9462 4.1 0.4 5.4
Chesterfield 0.8885 15 1.04 15
GoldenLights 1.0267 8.8 0.76 9
Kent 0.9225 12.4 0.95 12.3
Kool 0.9372 16.6 1.12 16.3
L&M 0.8858 14.9 1.02 15.4
LarkLights 0.9643 13.7 1.01 13
Marlboro 0.9316 15.1 0.9 14.4
Merit 0.9705 7.8 0.57 10
MultiFilter 1.124 11.4 0.78 10.2
NewportLights 0.8517 9 0.74 9.5
Now 0.7851 1 0.13 1.5
OldGold 0.9186 17 1.26 18.5
 Un estudio de correlacin empieza seleccionando las
variables de inters. As, si se desea analizar la relacin
entre los miligramos de alquitrn y los miligramos de CO
emitidos por los cigarrillos, puede tomarse los miligramos
de alquitrn como la variable predictiva, x y los
miligramos de CO como la variable respuesta, y.
Ordenando los datos respecto a x y separando las
columnas relevantes al estudio del resto de la informacin
Tabla relacin xy
Marca Alquitran: x CO: y
Alpine 14.1 13.6
Benson&Hedges 16 16.6
BullDurham 29.8 23.5
CamelLights 8 10.2
Carlton 4.1 5.4
Chesterfield 15 15
GoldenLights 8.8 9
Kent 12.4 12.3
Kool 16.6 16.3
L&M 14.9 15.4
LarkLights 13.7 13
Marlboro 15.1 14.4
Merit 7.8 10
MultiFilter 11.4 10.2
NewportLights 9 9.5
Now 1 1.5
OldGold 17 18.5
Grfico de dispersin

25

20

15

10

0
0 5 10 15 20 25 30 35

La disposicin de los puntos sigue un patrn grfico lineal

Graficos con tendencia no lineal
Tipos de correlacin
Centroide

una descripcin cuantitativa se procede a dividir el diagrama de dispersin en

cuatro regiones, dibujando lneas paralelas a los ejes por un punto central. El
punto central puede ser el de las medianas o el de las medias; en este
captulo se considerar el punto central correspondiente a las medias (, ) ,
tambin llamado centroide.
Coeficiente de correlacin simple

Tomando en cuenta que se trabaja con muestras de n puntos o datos, puede

llamarse () al nmero de puntos en la regin I y de igual forma (),
() y () el nmero de puntos de las regiones II, III y IV respectivamente.
Con estos elementos, se puede definir un nmero c que permita establecer
tipo y grado de correlacin o asociacin entre las variables en estudio.

+ ()
=

Propiedades del coeficiente de
correlacin
Si todos los puntos estn en I y III, entonces c = 1.
Si todos los puntos estn en II y IV, entonces c = 1.
Si los puntos estn repartidos equitativamente en las cuatro regiones,
entonces c = 0 .
Si todos los puntos estn en tres o cuatro regiones, entonces c estar entre -1
y +1: si los puntos estn predominantemente en I y III, entonces c ser
positivo, pero si los puntos estn predominantemente en II y IV, entonces c
ser negativo
Coeficiente de correlacin de Pearson

el coeficiente de correlacin de Pearson es una medida de la relacin lineal

entre dos variables aleatorias cuantitativas. Su formula esta dada por:

Donde
es el coeficiente de correlacin muestral
es la covarianza de las variables
la desviacin tpica de X
la desviacin tpica de Y
Regresin lineal

El paso siguiente en el anlisis de dos variables aleatorias

x y y consiste en encontrar la funcin lineal = 0 + 1
que sirva para modelar la relacin entre ellas. Este
proceso es llamado regresin lineal y a la lnea resultante
recta de regresin

Uno de los criterios formales ms ampliamente usado es el

del ajuste por mnimos cuadrados
Mnimos cuadrados
Aplicacin: Regresin lineal con
calculadora
Una compaa quiere verificar si sus ventas estn directamente relacionadas
con las horas de publicidad dedicadas en la televisin. Entonces se ha dado a
la tarea de colectar la informacin como se muestra en la tabla:

Horas TV (x) Ventas (y)

4 40
6 60
7 50
10 70
13 90
Procedimiento (fx-82ms) Horas TV (x) Ventas (y)
4 40
Presionar mode -> opcin reg 3 -> opcin lin 1.
6 60
Borrar datos. Presionar shift-> clr-> scl 1.
7 50
Introducir Datos. Se introduce primero el valor de la variable
x separado por una coma el valor y y se almacena en la 10 70
memoria, as para cada uno de los valores. 13 90
Ejem: 4 , 40 y presiona M+
Una vez introducidos los datos podemos obtener los estadsticos
necesarios mediante la tabla 1
Regresin lineal mediante excel

Excel tiene herramientas mas poderosas par realizar este anlisis

Como primer paso debemos activar la herramienta de anlisis de Microssof
Excel.
Archivo->Opciones -> Complementos
Ubicamos Administrar: Complementos de Excel y presionamos Ir
En la ventana emergente seleccionamos herramientas para anlisis y
presionamos aceptar.
Ahora capturamos la informacin.
Grafico de dispersin con lnea ajustada

Ventas (y)
100
90 y = 5.2x + 20.4
R = 0.9135
80
70
60
Axis Title

50
40
30
20
10
0
0 2 4 6 8 10 12 14
Axis Title

Ventas (y) Linear (Ventas (y))

Regresin lineal mediante excel
Variable
dependiente

Seleccionamos la cinta datos

Presionamos anlisis de datos
Buscamos regresin y
presionamos aceptar
Variable
independiente

Anlisis de
residuales Opciones de
salida
Resultados excel Valor entre 0 y 1, 0
correlacin dbil, 1
correlacin fuerte

Coeficientes del modelo

de regresin

P-valor debe ser menor a

0.05
Regresin lineal mltiple

Se ha estudiado el modelo de regresin lineal simple, donde se analizaba la

influencia de una variable explicativa X en los valores que toma otra variable
denominada dependiente (Y).
En la regresin lineal mltiple vamos a utilizar ms de una variable
explicativa; esto nos va a ofrecer la ventaja de utilizar ms informacin en la
construccin del modelo y, consecuentemente, realizar estimaciones ms
precisas.
Modelo

Una cuestin de gran inters ser responder a la siguiente pregunta:

de un vasto conjunto de variables explicativas: 1 , 2 , , , cules
son las que ms influyen en la variable dependiente Y?.
El modelo obedece al modelo de regresin lineal simple

= 0 + 1 1 + 2 2 + + +
Ejemplo

1.- El Gobierno Municipal de Aguascalientes desea estimar la recaudacin de

adeudos en los servicios pblicos en funcin de los gastos de publicidad en TV
y en volantes de los descuentos disponibles que ofrece a sus habitantes. Los
datos histricos de una muestra de 8 semanas son los siguientes.
Recaudacin semanal Anuncios en TV (miles Anuncios en
(miles de $) de $) volantes (miles de
$)
96 5.0 1.5
90 2.0 2.0
95 4.0 1.5
92 2.5 2.5
95 3.0 3.3
94 3.5 2.3
94 2.5 4.2
94 3.0 2.5