P. Reyes / enero 2010
MÉTODOS DE
PRONÓSTICOS
http://renovables.wordpress.com/2008/03/
1
Pronósticos

El Pronóstico de la Demanda en el Futuro es
esencial para el manejo adecuado de la Cadena
de Suministro.
http://core.ecu.edu/econ/rothmanp/bci_forecasts.htm
2
Pronósticos
¿Cuál será la demanda del cliente por
determinado producto en el futuro?
 ¿En qué parte del proceso está el Inventario?

http://www.psychicguild.com/forecasting/
3
Patrones de demanda

Relaciona cantidades demandadas con
respecto al tiempo.

Por Temporada: los datos muestran
consistentemente “picos” y “valles”.

Cíclico: se observan incrementos y
decrementos sobre diferentes períodos
4
Patrones de demanda
Componente
Descripción
Tendencia
Es el componente de largo plazo que
representa el crecimiento o disminución en
la serie sobre un periodo amplio.
Cíclico
Es la fluctuación en forma de onda
alrededor de la tendencia.
Estacional
Es un patrón de cambio que se repite a sí
mismo período tras período ( año tras año,
mes con mes, día con día, etc.)
Aleatorio
Mide la variabilidad de las series de tiempo
después de retirar los otros componentes
(tendencias, ciclos, estacionalidad, etc.).
5
Patrones de demanda
http://html.rincondelvago.com/ciclo-economico.html
7
Patrones de demanda

Una curva en S es típica del crecimiento
del producto y el ciclo de madurez
http://samscam.co.uk/blog/410
8
Áreas de toma de decisiones

Decisiones importantes
Manufactura
Planeación de la
producción
Control de Inventarios
Planeación Agregada
Finanzas
Inversión de
Planta/ Equipo
Planeación de Capital
Mercadotecnia
Asignación de
fuerza de trabajo
Promociones
Introducción de
Nuevos Productos
Personal
Planeación de
Fuerza de Trabajo
Contrataciones
10
Bases para pronósticos
Datos históricos para proyectar el futuro
en base a modelos matemáticos.
 Predicción del futuro subjetiva o intuitiva
 Modelos causales de regresión

http://www.monografias.com/trabajos53/tasa-libor/tasa-libor2.shtml
http://elauladenfrente.blogspot.com/2008_08_01_archive.html
11
Horizonte de planeación
Corto plazo
(0-3 meses)
Nivel de
Pronóstico
Área de
Decisión
Productos y
servicios
Individuales




Técnica de
Pronóstico
Horizonte de tiempo
Mediano Plazo
(3 meses- 2 años)
Manejo de
Inventarios
Programa de
ensamble Final
Programa de
fuerza de
trabajo
MPS
Series de
tiempo/Registro
Lineal/Pronóstico
cualitativo





Ventas Totales/
Familias de
Productos y
Servicios
Planeación de
puestos
directivos
Planeación de
la producción
MPS
Procuración
Distribución
Regresión
Lineal/Pronóstico
Cualitativo
Largo Plazo
(más de 2 años)
Ventas Totales



Localización
de
Infraestructura
Planeación de
la capacidad
Gerencia de
Procesos
Regresión Lineal/
Pronóstico
Cualitativo 12
Insumos para la planeación
Condiciones del
Mercado
•Acciones de la
competencia
•Gustos del
Consumidor
•Ciclo de vida de los
productos
•Estación del año
•Planes de los clientes
Panorama
Económico
•Situación del ciclo
de los negocios
•Indicadores Líderes
Precios de las
acciones
Rendimiento de
los bonos
Precios de
materiales
Oferta de dinero
Cierre de
Negocios
Desempleo
Otros
Factores
•Legales
•Políticos
•Sociales
•Culturales
14
Insumos para la planeación
Plan de Mercadotecnia
Publicidad
Fuerza de ventas
Precio
Ventas históricas
Canales de
Comercialización
Plan de
Producción
Nivele y
gestión de la
calidad en el
proceso de
producción
Servicio al
cliente
Capacidad
Plan Financiero
Políticas de
crédito
Políticas de
facturación
Manejo
Financiero de
recursos
Costos
15
Influencia del ciclo de vida del
producto

Los bienes y servicios no se venden en forma constante
a través de su vida en el mercado.
http://blogs.creamoselfuturo.com/industria-y-servicios/2007/04/24/creacion-de-empresas-e-innovaciona-traves-del-ciclo-de-vida/print/
16
Enfoques para pronósticos
Modelos de
Decisión para
Pronósticos
Pronósticos
Cuantitativos
•Modelos
Matemáticos
•Datos Históricos
Pronósticos
Cualitativos
•Aspectos subjetivos
•Intuición, emociones,
experiencias
•Sistema de Valores
17
Forecasting Models
Forecasting
Techniques
Qualitative
Models
Time Series
Methods
Delphi
Method
Jury of Executive
Opinion
Sales Force
Composite
Consumer Market
Survey
Naive
Moving
Average
Weighted
Moving Average
Exponential
Smoothing
Trend Analysis
Causal
Methods
Simple
Regression
Analysis
Multiple
Regression
Analysis
Seasonality
Analysis
Multiplicative
Decomposition
Pronósticos cualitativos

“Grass roots – fuerza de ventas” –
tendencias de clientes
http://technet.microsoft.com/en-us/library/bb687375.aspx
19
Grass roots Forecasting
Se basa en cuestionar al personal cercano al cliente,
tales como vendedores y distribuidores estables y
con experiencia, sobre lo que piensan vender el
siguiente periodo para considerarse en el
pronóstico.
Implica distraer a la fuerza de ventas y puede ser
sesgado. Los pronósticos pueden ajustarse con base
en la correlación histórica de la opinion de la fuerza
de ventas y las ventas reales.
http://firgoa.usc.es/drupal/node/41923/print
20
Pronósticos cualitativos

Investigación de mercado
http://www.elgasesores.com/servicios.html
http://customerservicevoodoo.
wordpress.com/2009/05/
21
Investigación de mercado

Permite determinar si hay demanda
suficiente para el producto o servicio

Permite determinar las necesidades y
deseos del cliente actual o potencial

Hay dos tipos de investigación de
mercado: primaria y secundaria
22
Investigación de mercado

IM Primaria: información directa de
clientes actuales o potenciales, más
costosa
◦ Encuestas (mail, teléfono, cara a cara)
◦ Grupos focales (6 – 10)
 Se comentan problemas y bondades del producto
◦ Entrevistas individuales
23
Investigación de mercado

IM secundaria: información que alguien
más ha colectado
◦
◦
◦
◦
◦
◦
◦
Reportes / estudios
Periódicos
Revistas
Bibliotecas (datos estadísticos)
Organismos gubernamentales
Estadísticas en Web
Asociaciones comerciales e industriales
24
Investigación de mercado

IM mientras opera el negocio
◦ Reportes de ventas (seguir productos)
◦ Competencia (cambios)
◦ Encuestas de clientes
◦ Identificar las zonas desde donde llaman los
clientes
25
Pronósticos cualitativos

Consenso de expertos
◦ (evitar juicio de ejecutivos)
http://www.ravenwerks.com/?p=7
26
Pronósticos cualitativos

Analogía histórica (geográfica o histórica)
◦ Ver comportamiento de productos análogos
http://www.chromaservices.ca/multimedia_services/convert_vhs_to_dvd.html
http://www.hdtvexpert.com/pages_b/toshiba_HD-A2.html
27
Ciclo de vida del producto

Los bienes y servicios no se venden en forma constante
a través de su vida en el mercado.
28
http://exoplanet.as.arizona.edu/~lclose/teaching/a202/lect24.html
29
Pronósticos cualitativos

Analogía histórica
◦ Ver comportamiento de productos análogos
http://www.uiah.fi/projects/metodi/190.htm
30
Pronósticos cualitativos

Método Delphi (Rand Corporation)
◦ Oculta la identidad de las personas que participan
Los pasos de este procedimiento son:
 Escoger los expertos que participarán. Debe
haber personas que tengan conocimiento de
distintas áreas.
 Por medio de un cuestionario (o correo
electrónico), obtener pronósticos (y las
premisas o calificaciones para estos
pronósticos) de todos los participantes.
31
Pronósticos cualitativos

Resumir los resultados y volver a repartirlos
entre los participantes, con las
correspondientes preguntas nuevas.

Volver a resumir, mejorando los pronósticos
y las condiciones y volver a preparar
preguntas nuevas.

Repetir el paso 4 en caso necesario. Repartir
los resultados finales entre todos los
participantes.
32
Pronósticos cualitativos

Método Delphi
http:[email protected]/2513262775
33
Pronósticos cuantitativos
Modelos de
Series de Tiempo
Predicen sobre la
base que el futuro
está en función del
pasado.
Modelo
Causal
Se incorporan al modelo
las variables o factores
que pueden influenciar la
cantidad que se
pronostica.
Están expresados
en noción
matemática.
34
MODELOS DE SERIES DE
TIEMPO
Métodos cuantitativos de pronóstico
35
Pronósticos cuantitativos
Método de
Cantidad de Datos
Pronóstico
Históricos
Método exponencial 5 a 10 observaciones para
simple
establecer el peso
Los datos deben
ser estáticos
Plazo del
Tiempo de Antecedentes
Pronóstico Preparación del Personal
Poca
Corto
Breve
sofisticación
Método Exponencial 5 a 10 observaciones para
doble
establecer los dos pesos
Tendencia pero no
estacionalidad
Corto a
mediano
Breve
Leve
sofisticación
Método Exponencial Un mínimo de 4 a 5
observaciones por
de Winters
temporada
Tendencia y
estacionalidad
Corto a
mediano
Breve
Moderada
sofisticación
Modelos de
regresión de
tendencias
10 a 20; para
estacionalidad un mínimo
de 5 por estación
Tendencia y
estacionalidad
Corto a
mediano
Breve
Moderada
sofisticación
Modelos de
regresión causal
10 observaciones por
variable independiente
Capacidad para
manejar patrones
complejos
Corto,
Mucho para Considerable
mediano o preparación, sofisticación
breve para la
largo
aplicación
Descomposición de
series de tiempo
Basta con ver 2 crestas y
valles
Maneja patrones
Corto a
cíclicos y
mediano
estaciónales;
puede identificar
puntos de inflexión
Patrón de Datos
Breve a
moderado
Poca
sofisticación
36
Pronósticos cuantitativos

Promedio ingenuo
◦ Pronóstico t = resultado del mes anterior
i
Xi
Fi
Xi-Fi
|Xi-Fi|
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
1
2
3
4
5
6
7
8
9
52
81
47
65
50
73
45
60
50
52
81
47
65
50
73
45
60
29
-34
18
-15
23
-28
15
-10
29
34
18
15
23
28
15
10
|(XiFi)/Xi|*100
35.80
72.34
27.69
30.00
31.51
62.22
25.00
20.00
Octubre
Noviembre
10
11
79
45
50
79
29
-34
29
34
36.71
75.56
841
1,156
Diciembre
12
62
45
17
17
27.42
289
10
252
MAD
21
444
MAPE
37.02
6,470
MSD
539.17
Suma
Media
709
0.83
(Xi-Fi)
2
Mes
841
1,156
324
225
529
784
225
100
37
Pronósticos cuantitativos

Promedio ingenuo
◦ Pronóstico t = resultado del mes anterior
90
80
70
60
50
Xi 52
40
Fi -
30
20
10
0
1
2
3
4
5
6
7
8
9
10
11
38
Pronósticos cuantitativos

Promedio simple
◦ Pronóstico t = promedio de meses anteriores
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Suma
Media
i
1
2
3
4
5
6
7
8
9
10
11
12
Xi
52
81
47
65
50
73
45
60
50
79
45
62
709
Fi
52
67
60
61
59
61
59
60
58
65
59
Xi-Fi
29
-20
5
-11
14
-16
1
-10
21
-20
3
-4
-0.30
|Xi-Fi|
29
19.5
5
11.25
14
16.333
1
10.143
20.889
19.5
3.1818
150
MAD
12.483
|(Xi-Fi)/Xi|*100
35.80
41.49
7.69
22.50
19.18
36.30
1.67
20.29
26.44
43.33
5.13
260
MAPE
21.65
(Xi-Fi)
2
841
380
25
127
196
267
1
103
436
380
10
2,766
RMS
230.52
39
Pronósticos cuantitativos

Promedio simple
◦ Pronóstico t = promedio de meses anteriores
90
80
70
60
50
Xi 52
40
Fi -
30
20
10
0
1
2
3
4
5
6
7
8
9
10
11
40
Pronósticos cuantitativos

Promedio móvil simple
◦ Pronóstico t = promedio de n=3 meses anteriores
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Suma
Media
i
Xi
Fi
Xi-Fi
|Xi-Fi|
|(Xi-Fi)/Xi|*100
1
2
3
4
5
6
7
8
9
10
11
12
52
81
47
65
50
73
45
60
50
79
45
62
709
-
-
-
-
-
64.33
54.00
62.67
56.00
59.33
51.67
63.00
58.00
62.00
1
-4
10
-11
1
-2
16
-13
0
-2
0.6667
4
10.333
11
0.6667
1.6667
16
13
0
57
MAD
4.7778
1.03
8.00
14.16
24.44
1.11
3.33
20.25
28.89
0.00
101
MAPE
8.43
0
16
107
121
0
3
256
169
0
672
RMS
56.04
-0.17
(Xi-Fi)
2
41
Pronósticos cuantitativos

Promedio móvil simple
◦ Pronóstico t = promedio de n=3 meses anteriores
42
Promedio móvil simple
43
Promedio móvil simple
http://www.fxwords.com/m/moving-averages.html
44
Pronósticos cuantitativos

Promedio móvil ponderado (pesos 0.6, 0.3, 0.1)
◦ Pronóstico t = Resultado mes anterior*0.6 + Res. de
hace dos meses*0.3 + Res. de hace tres meses*0.1
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Suma
Media
i
1
2
3
4
5
6
7
8
9
10
11
12
Xi
52
81
47
65
50
73
45
60
50
79
45
62
709
Fi
-
Xi-Fi
-
|Xi-Fi|
-
|(Xi-Fi)/Xi|*100
-
57.70
61.20
54.20
65.30
53.90
56.80
52.50
68.40
55.70
7
-11
19
-20
6
-7
27
-23
6
3
7.3
11.2
18.8
20.3
6.1
6.8
26.5
23.4
6.3
127
MAD
10.558
11.23
22.40
25.75
45.11
10.17
13.60
33.54
52.00
10.16
224
MAPE
18.66
0.27
(Xi-Fi)
2
53
125
353
412
37
46
702
548
40
2,317
RMS
193.10
45
Pronósticos cuantitativos

Promedio móvil ponderado (pesos 0.6, 0.3, 0.1)
◦ Pronóstico t = Resultado mes anterior*0.6 + Res. de
hace dos meses*0.3 + Res. de hace tres meses*0.1
90
80
70
60
50
Xi 52 81
40
Fi - -
30
20
10
0
1
2
3
4
5
6
7
8
9
10
46
Pronósticos cuantitativos

Promedio móvil ponderado
http://www.marketoracle.co.uk/Article9875.html
47
Pronósticos cuantitativos

Suavizamiento exponencial simple (alfa =0.2)
◦ Asigna la ponderación mayor a los valores
observados más recientes, y ponderaciones
decrecientes a los valores más antiguos.
◦ Minitab usa el promedio de las primeros 6
observaciones (o N, si N < 6) para el valor inicial
estimado en tiempo uno.
◦ Los valores subsecuentes se calculan con la
fórmula:
◦ Pronóstico t = Resultado mes anterior*Alfa + (1-Alfa)
*pronóstico del mes anterior
48
Pronósticos cuantitativos
◦ F1 = promedio de las primeras 6 observaciones
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Suma
Media
i
1
2
3
4
5
6
7
8
9
10
11
12
Xi
52
81
47
65
50
73
45
60
50
79
45
62
709
Fi
61.33
59.47
63.77
60.42
61.33
59.07
61.85
58.48
58.79
57.03
61.42
58.14
Xi-Fi
-9.33
21.53
-16.77
4.58
-11.33
13.93
-16.85
1.52
-8.79
21.97
-16.42
3.86
-12.11
-1.01
|Xi-Fi|
9.33
21.53
16.77
4.58
11.33
13.93
16.85
1.52
8.79
21.97
16.42
3.86
146.90
MAD
12.24
2
|(Xi-Fi)/Xi|*100 (Xi-Fi)
17.95
87.11
26.58
463.68
35.69
281.34
7.05
20.99
22.67
128.48
19.09
194.10
37.45
284.07
2.53
2.30
17.57
77.21
27.81
482.71
36.50
269.73
6.23
14.91
257.11
2,306.64
MAPE
MSD
21.43
192.22
49
Pronósticos cuantitativos
◦ F1 = promedio de las primeras 6 observaciones
Smoothing Plot for Xi
Single Exponential Method
90
Variable
Actual
Fits
Forecasts
95.0% PI
Xi
80
70
Smoothing Constant
Alpha 0.2
60
Accuracy Measures
MAPE
21.426
MAD
12.242
MSD
192.220
50
40
30
1
2
3
4
5
6
7
8
Index
9
10 11
12
13 14
50
Pronósticos cuantitativos

Suavizamiento exponencial doble
◦ Considera la tendencia
◦ Lt es el nivel en tiempo t, alfa es el peso para el nivel
◦ ·Tt es el nivel de tendencia en tiempo t, g es el peso
para la tendencia t
◦ ·Y es el valor observado en tiempo t,Yest es el valor
estimado un paso adelante en tiempo t
51
Pronósticos cuantitativos
Los valores de estimaciones iniciales son:
 S1 = X1
T1 = X2 - X1
 Las proyecciones o pronósticos se obtienen con las
siguientes ecuaciones:

St equivalente del valor suavizado exponencial único
 Beta coeficiente de suavizamiento, análogo a αlfa
 Tt tendencia suavizada en la serie de datos.
 m número de períodos a pronosticar 1,2,3……

52
Pronósticos cuantitativos
◦ Suavizamiento exponencial doble
i
Xi
Fi
Xi-Fi
|Xi-Fi|
|(Xi-Fi)/Xi|*100
Enero
1
52
60.29
-8.29
8.29
15.95
68.80
Febrero
2
81
58.08
22.92
22.92
28.29
525.15
Marzo
3
47
63.03
-16.03
16.03
34.11
257.01
Abril
4
65
59.55
5.45
5.45
8.39
29.72
Mayo
5
50
60.58
-10.58
10.58
21.16
111.94
Junio
6
73
57.98
15.02
15.02
20.57
225.53
Julio
7
45
61.10
-16.10
16.10
35.79
259.36
Agosto
8
60
57.36
2.64
2.64
4.40
6.98
Septiembre
9
50
57.47
-7.47
7.47
14.93
55.76
Octubre
10
79
55.26
23.74
23.74
30.06
563.81
Noviembre
11
45
60.24
-15.24
15.24
33.86
232.13
Diciembre
12
62
56.81
5.19
5.19
8.37
26.93
1.25
148.68
255.88
2,363.12
MAD
MAPE
MSD
12.39
21.32
196.93
Suma
Media
709
0.10
(Xi-Fi)
2
Mes
53
Pronósticos cuantitativos
◦ Suavizamiento exponencial de Winters para tendencia
y estacionalidad
54
Pronósticos cuantitativos
◦ Suavizamiento exponencial de Winters para tendencia
y estacionalidad
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Suma
Media
i
Xi
1
2
3
4
5
6
7
8
9
10
11
12
52
81
47
65
50
73
45
60
50
79
45
62
709
Fi
52
81
47
65
50
73
45
60
50
79
45
62
Xi-Fi
|Xi-Fi|
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
MAD
0.00
0.00
|(XiFi)/Xi|*100
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
MAPE
0.00
(Xi-Fi)
2
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
MSD
0.00
55
Pronósticos cuantitativos
◦ Modelo aditivo, la variación aleatoria permanece
constante durante la tendencia o en el tiempo
http://www.stats.govt.nz/reports/seasonal-adjustment/the-underlying-model.aspx
56
Pronósticos cuantitativos
◦ Modelo multiplicativo, la variación aleatoria se
incrementa durante la tendencia o en el tiempo
http://www.stats.govt.nz/reports/seasonal-adjustment/the-underlying-model.aspx
57
Pronósticos cuantitativos
◦ Suavizamiento exponencial de Winters para tendencia
y estacionalidad
Winters' Method Plot for Xi
Xi
Additive Method
80
Variable
Actual
Fits
70
Smoothing Constants
Alpha (level)
0.2
Gamma (trend)
0.2
Delta (seasonal)
0.2
60
Accuracy Measures
MAPE
0.0000000
MAD
0.0000000
MSD
0.0000000
50
40
1
2
3
4
5
6
7
Index
8
9
10
11
12
58
Pronósticos cuantitativos
◦ Método de descomposición
Time Series Decomposition Plot for Xi
A dditiv e M odel
80
Variable
Actual
Fits
Trend
Forecasts
Xi
70
60
Accuracy Measures
MAPE
8.6063
MAD
5.5407
MSD
62.7065
50
40
1
2
3
4
5
6
7
8
Index
9
10
11
12
13
14
Component Analysis for Xi
A dditiv e M odel
Original Data
Detrended Data
80
20
65
0
50
-20
2
4
6
8
10
12
Index
6
Index
Seasonally Adjusted Data
Seas. Adj. and Detr. Data
80
2
4
8
10
12
10
12
12
65
0
50
-12
2
4
6
8
Index
10
12
2
4
6
8
Index
59
Errores de pronóstico

Es la diferencia entre el valor del
pronóstico y lo ocurrido en realidad. En
estadística a estos errores se les llama
residuales
60
Errores de pronóstico MAD

Es el promedio de las desviaciones absolutas de los
valores reales menos los pronosticados
Mes
i
Xi
Fi
Xi-Fi
|Xi-Fi|
Enero
1
52
-
-
-
Febrero
2
81
-
-
-
Marzo
3
47
Abril
4
65
64.33
1
0.67
Mayo
5
50
54.00
-4
4.00
Junio
6
73
62.67
10
10.33
Julio
7
45
56.00
-11
11.00
Agosto
8
60
59.33
1
0.67
Septiembre
9
50
51.67
-2
1.67
Octubre
10
79
63.00
16
16.00
Noviembre
11
45
58.00
-13
13.00
Diciembre
12
62
62.00
0
0.00
-2
57.33
Suma
709
MAD
Media
-0.17
4.78
61
Errores de pronóstico MAPE

Es el porcentaje de error promedio absoluto de las
desviaciones de los valores reales menos pronóstico
entre valor real
Mes
i
Xi
Fi
Xi-Fi
|(Xi-Fi)/Xi|*100
Enero
1
52
-
-
-
Febrero
2
81
-
-
-
Marzo
3
47
Abril
4
65
64.33
1
1.03
Mayo
5
50
54.00
-4
8.00
Junio
6
73
62.67
10
14.16
Julio
7
45
56.00
-11
24.44
Agosto
8
60
59.33
1
1.11
Septiembre
9
50
51.67
-2
3.33
Octubre
10
79
63.00
16
20.25
Noviembre
11
45
58.00
-13
28.89
Diciembre
12
62
62.00
0
0.00
-2
101
Suma
709
MAPE
Media
-0.17
8.43
62
Errores de pronóstico MSD

Es el promedio de las desviaciones al cuadrado de los
valores reales menos pronóstico (amplifica las
diferencias grandes) Mes
i
Xi
Fi
Xi-Fi
Enero
1
52
-
-
Febrero
2
81
-
-
-
Marzo
3
47
Abril
4
65
64.33
1
0
Mayo
5
50
54.00
-4
16
Junio
6
73
62.67
10
107
Julio
7
45
56.00
-11
121
Agosto
8
60
59.33
1
0
Septiembre
9
50
51.67
-2
3
Octubre
10
79
63.00
16
256
Noviembre
11
45
58.00
-13
169
Diciembre
12
62
62.00
0
0
-2
672
Suma
709
(Xi-Fi)
2
MSD
Media
-0.17
56.04
63
Límites de predicción / señal de
rastreo



Límite superior = Pronóstico + 1.96*1.25*MAD
Límite inferior = Pronóstico - 1.96*1.25*MAD
Desviación estándar = 1.25*MAD
Una señal de rastreo es una medida que indica si el
promedio del pronóstico está siguiendo el ritmo de un
verdadero cambio ascendente o descendente en la
demanda. Constituye el número de desviaciones medias
absolutas en que el valor del pronóstico está por arriba
o por abajo de los hechos.
64
Ejercicio 1

Los datos de la demanda para el último año se
muestran a continuación, calcular el pronóstico para los
siguientes tres meses, indicar los errores. Si se utiliza
métodos de suavizamiento utilizar alfa = 0.3, Beta = 0.3,
Mes Demanda
Gama = 0.3
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
62
65
67
68
71
73
76
78
78
80
84
85
65
Ejercicios
Winters' Method Plot for Demanda
Additive Method
95
Variable
A ctual
Fits
Forecasts
95.0% PI
90
Demanda
85
Smoothing C onstants
A lpha (lev el)
0.3
Gamma (trend)
0.3
Delta (seasonal)
0.3
80
75
A ccuracy
MA PE
MA D
MSD
70
Measures
0.685849
0.503828
0.420778
65
60
1
2
3
4
5
6
7
8 9
Index
10 11 12 13 14 15
Period Forecast
13
87.5444
14
89.9401
15
90.8469
66
Análisis de tendencia con regresión
lineal
Regresión es la relación funcional de dos o más
variables crrelacionadas.
 La usamos para prever una variable, dada otra
variable
 Presupone que los datos del pasado y las
proyecciones del futuro quedan aproximadamente
en línea recta

http://serc.carleton.edu/introgeo/teachingwdata/StatRegression.html
67
Análisis de tendencia con regresión
lineal
Una empresa hace publicidad de un nuevo producto y se
desea pronosticar los clientes nuevos para los periodos 13
y 14 con base en los datos de los últimos 12 meses
Mes
Clientes
1
41
2
43
3
39
4
37
5
42
6
35
7
30
8
31
9
32
10
30
11
28
12
28
Trend Analysis Plot for Clientes
Linear Trend Model
Yt = 43.85 - 1.41259*t
45
Variable
Actual
Fits
Forecasts
40
Clientes

Accuracy
MAPE
MAD
MSD
35
Measures
4.43754
1.57265
4.61033
30
25
1
2
3
4
5
6
7
8
Index
9
10
11
12
13
14
68
Ejercicio 2
Estimar el pronóstico para el cuarto trimestre de ventas
de una empresa considerando los datos de ventas
reales de los últimos 21 meses Si se utiliza métodos de
suavizamiento utilizar alfa = 0.3, Beta = 0.3, Gama = 0.3
Año
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
Mes
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
Ventas
300
400
425
450
400
460
400
300
375
500
550
500
2001
2001
2001
2001
2001
2001
2001
2001
2001
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
275
375
350
425
400
350
275
350
375
69
Ejercicio 2
Period
22
23
24
Forecast
409.229
403.609
387.989
70
MODELOS CAUSALES
Regresión lineal y múltiple
71
Modelos de regresión lineal

Se asume que una variable dependiente Y depende de
otra variable independiente X, tal como ventas y
cantidad de lluvia
72
Regresión lineal
http://serc.carleton.edu/introgeo/teachingwdata/S
tatRegression.html
73
Modelos de regresión múltiple

Se asume que una variable dependiente Y depende de
otras variable independiente X’s, tal como ventas
depende de la publicidad, ingreso, etc.
74
Ejemplo de Regresión múltiple

No se sabe si los precios o la publicidad
influyen más en las ventas de la empresa
para analizar lo anterior se toman las
ventas reales en millares de 12 años con
sus correspondientes datos de
precios/unidad y publicidad en ($000)
75
Regresión múltiple
Año Ventas
Precio
Publicidad
1990
400
280
600
1991
700
215
835
1992
900
211
1100
1993
1300
210
1400
1994
1150
215
1200
1995
1200
200
1300
1996
900
225
900
1997
1100
207
1100
1998
980
220
700
1999
1234
211
900
2000
925
227
700
2001
800
245
690
76
Regresión múltiple
a) Ecuación de regresión
Ventas = 2191 - 6.91 Precio + 0.325 Publicidad
b) Identificar los factores significativos con influencia en
la respuesta
P value de Precio = 0.042 Si P <=0.05 es significativo
P value Publicidad= 0.206 no tiene influencia en ventas
c) Si el precio es de 300 y la publicidad es de 900 ¿Cuál
es el nivel de ventas esperado?
Ventas = 2191 - 6.91*300 + 0.325*900 = 410.5
77
Regresión múltiple
d) Obtener la gráfica de regresión lineal entre Ventas y
precio
Fitted Line Plot
Ventas = 3129 - 9.737 Precio
S
R-Sq
R-Sq(adj)
1300
1200
152.777
67.5%
64.3%
1100
Ventas
1000
900
800
700
600
500
400
190
200
210
220
230 240
Precio
250
260
270
280
78
Regresión múltiple
d) Obtener la gráfica de regresión lineal entre Ventas y
publicidad
79
I.
I.
I.
Cualitativas Subjetivas:
de Raíz de Pasto “Grass Roots”
juicio. Basadas en
estimados
y
opiniones.
Investigación de Mercado
Deriva un pronóstico reuniendo información de las personas
que están en un extremo de la jerarquía y que se ocupan de
aquello que se pronosticará.
Reúne datos por distintos medios (encuestas, entrevistas, etc.)
a efecto de comprobar hipótesis sobre el mercado.
Consenso de jurado
Intercambio franco y libre de juntas.
Analogía histórica
Relaciona lo que se pronostica con un elemento similar.
Método Delphi
Un grupo de expertos contesta un cuestionario. Un moderador
compila los resultados y prepara otro cuestionario que
también le presenta al grupo.
Análisis de Se basa en la idea Promedio Móvil Simple
Se obtiene el promedio de un periodo específico que contiene
Series de
de que podemos
una serie de datos dividiendo la suma de los valores de éstos
Tiempo
usar la historia de
entre el número de valores.
los
hechos Promedio Móvil Ponderado Se ponderan puntos específicos, adjudicándoles mayor o
ocurridos
para
menor valor que a otros, según los aconseje la experiencia.
prever el futuro.
Método de suavizamiento Se ponderan los puntos de datos recientes con un valor más
exponencial
alto, y su peso va disminuyendo exponencialmente a medida
que los datos envejecen.
Análisis de Regresión
Se adapta una línea recta los datos del pasado, normalmente
relacionando el valor de los datos con el tiempo.
Proyecciones de Tendencias Aplica una línea matemática de tendencias a los puntos de
datos y los proyecta al futuro.
Causales
Trata de entender Análisis de Regresión
Su base es que el pronóstico se deriva de otros hechos que han
el sistema básico
ocurrido.
en
torno
al Modelos Econométricos
Tratan de describir algún sector de la economía mediante una
elemento que será
serie de ecuaciones interdependientes.
pronosticado.
Modelos de Insumos / Se concentran en las ventas que cada industria hace a otras
Productos
empresas y gobiernos.
Indicadores Líderes
Representan estadísticas que se mueven en la misma dirección
que la serie que se está pronosticando, pero que se mueven
antes que la serie.
80
Índices estacionales

Un factor estacional es la cantidad de corrección que
necesita una serie de tiempo para ajustarse a la estación
de año
81
Índices estacionales
82
Índices estacionales
83
Descargar

Métodos de Pronósticos - Contacto: 55-52-17-49-12