Pronóstico de Demanda

Yuraszeck, F. (2021). Pronóstico de Demanda

[apunte]. Chile. UNAB
Pronóstico de Demanda

PRONÓSTICOS DE DEMANDA

Uso de Pronósticos en la Cadena de Suministro

• Los pronósticos de demanda son vitales para toda organización comercial, así
como para cualquier decisión importante de la gerencia.
• El pronóstico es la base de la planeación estratégica (largo plazo) de las
empresas.
• Los pronósticos al ser la base del plan de producción cumplen un rol fundamental
en las decisiones táctico-operacionales (mediano y corto plazo,
respectivamente).
• Por lo regular un pronóstico perfecto es imposible. ¿Qué factores consideras que
contribuye a ello?
• La revisión y la actualización periódica tomando en cuenta la información nueva
son básicas para pronósticos exitosos.

En esta unidad nos enfocaremos al estudio de métodos de pronóstico de demanda donde

la fuente de ésta es una demanda independiente, es decir, la demanda del producto
bajo análisis no se deriva directamente de la demanda de otros productos.

Adicionalmente, es frecuente, que las empresas adopten un papel activo frente a la

demanda que enfrentan, por lo general buscando que sea mayor a la que tendrían bajo 1
una posición pasiva de simplemente satisfacer pedidos de los clientes.

Componentes de la Demanda

Las observaciones repetidas de la demanda de un producto o servicio a intervalos de

tiempo espaciados uniformemente se conocen como una serie de tiempo. En una serie
de tiempo existen cuatro patrones básicos que pueden o no presentarse en dicha serie:

• Horizontal: Fluctuación de los datos en torno a una media constante.

• Tendencia: Incremento o decremento sistemático en la media de la serie de

tiempo. Por ejemplo, un incremento persistente en el consumo energético de un
país como producto del crecimiento demográfico.

• Estacionalidad: Representa un patrón de incrementos o decrementos en la

demanda dependiendo del tiempo: día, semana, mes o temporada. Por ejemplo,
la demanda de productos de calefacción acentuada en los meses de otoño e
invierno de cada año.

• Cíclico: Incrementos o decrementos graduales de la demanda en períodos más

largos que pueden abarcar años o incluso décadas.
Pronóstico de Demanda

A lo anterior podríamos agregar un patrón aleatorio que es propio de la aleatoriedad

propia de la demanda.

Técnicas Cuantitativas de Pronóstico

2
Métodos Causales

Los métodos de pronósticos basados en relaciones causales utilizan datos históricos de

una o varias variables independientes o explicativas para predecir el comportamiento de
la demanda (variable dependiente). Por ejemplo, la demanda por créditos hipotecarios
ofertados por un Banco (variable dependiente) se podría explicar a través de las
siguientes variables independientes: tasa de interés, dinero destinado a publicidad, PIB
per cápita, dinero destinado a subsidios para la adquisición de nuevas viviendas, etc.

En esta sección estudiaremos el método causal de Regresión Lineal, en el que una

variable dependiente (en este contexto la demanda a pronosticar) se relaciona con una
o más variables independientes mediante una ecuación lineal.

Ejemplo:

Una empresa de productos para el hogar desea estimar la demanda de una línea de
pinturas con propiedades funguicidas para los próximos meses. La premisa es que la
demanda mensual (en miles de unidades vendidas) se explica en parte por el gasto
publicitario (en miles de pesos) destinados a la promoción de dicha línea de pinturas. En
consideración a estos antecedentes se dispone de los siguientes datos:
Pronóstico de Demanda

MES VENTAS (MILES DE PUBLICIDAD (MILES DE

UNIDADES) $)
1 150 200
2 175 250
3 140 190
4 165 280
5 210 320
6 135 170

La ecuación de la regresión lineal es:

𝑌𝑌 = 𝛽𝛽0 + 𝛽𝛽1 𝑋𝑋
Donde:

• 𝑌𝑌: Ventas en miles de unidades

• 𝑋𝑋: Gasto en publicidad en miles de $
• 𝛽𝛽0 : Coeficiente de intercepto
• 𝛽𝛽1 : Coeficiente de pendiente

Nos interesa por tanto estimar los valores de los parámetros 𝛽𝛽0 y 𝛽𝛽1 de modo de
minimizar el error cuadrático del ajuste. Para este propósito existen varias alternativas
que facilitan el cálculo de estos parámetros. A modo de ilustración, mostraremos 2
opciones haciendo uso de Microsoft Excel: 3

Opción 1: Construir un Gráfico de Dispersión y luego posicionarse en cualquier punto

de la serie de datos: presionar botón derecho del mouse y la opción “Agregar línea de
tendencia…”. Una vez en este menú activamos la casilla “Presentar ecuación en el
gráfico” tal como se muestra a continuación:
Pronóstico de Demanda

Los resultados obtenidos son: 𝛽𝛽0 = 57,478 y 𝛽𝛽1 = 0,4469.

Opción 2: Utilizar la herramienta Análisis de Datos disponible en la pestaña de Datos

en Microsoft Excel. Si no has utilizado el complemento de Análisis de Datos con
anterioridad puede ser necesario que lo actives. Una vez en Análisis de Datos
seleccionamos Regresión como se muestra en la siguiente imagen:

A continuación, en la interfaz de Regresión seleccionamos el Rango Y de entrada (en el

ejemplo la variable dependiente, es decir, las Ventas en Miles de Unidades) y el Rango
X de entrada (en el ejemplo la variable independiente, es decir, la Publicidad en Miles 4
de $). Finalmente seleccionamos Aceptar.
Pronóstico de Demanda

Si hemos seguido los pasos correctamente se debería crear una nueva hoja en nuestra
planilla de cálculo donde se pueden observar (entre otros resultados) los valores de los
parámetros de la regresión (destacados en color amarillo a continuación).

https://www.gestiondeoperaciones.net/proyeccion-de-demanda/como-utilizar-una-regresion-
lineal-para-realizar-un-pronostico-de-demanda/

Ahora que ya disponemos de la estimación de los parámetros, buscaremos hacer un 5

pronóstico, por ejemplo, nos interesa estimar el valor de las ventas si en un mes se
desea destinar a gasto en publicidad de 300 (Miles de $). El pronóstico sería:

𝑌𝑌 = 57,478 + 0,4469(300) ≅ 192

Es decir, se espera vender en total 192 (Miles de Unidades).

Métodos de Serie de Tiempo

Como hemos expuesto anteriormente, una serie de tiempo se refiere a la medición de

una variable en el tiempo a intervalos espaciados uniformemente. En el contexto de esta
unidad, dicha variable corresponde a la demanda de un producto o servicio.

El objetivo de la identificación de la información histórica es determinar un patrón básico

en su comportamiento, que permita la proyección futura de la variable deseada. Por
ejemplo, las ventas trimestrales recopiladas durante los últimos años se pueden utilizar
para pronosticar los trimestres futuros.

En esta sección estudiaremos los siguientes métodos de pronóstico de demanda basados

en series de tiempo:
Pronóstico de Demanda

• Media Móvil Simple

• Media Móvil Ponderada
• Suavizamiento Exponencial

Media Móvil Simple

Es una técnica que se utiliza en pronósticos a corto plazo. Una media móvil simple o
promedio móvil es especialmente útil cuando la demanda de un producto no crece ni
baja con rapidez y no tiene acentuadas características estacionales.

Sea 𝐹𝐹𝑡𝑡 el pronóstico de demanda para el período 𝑡𝑡, se obtiene de un promedio simple de
los datos reales de la demanda de los 𝑛𝑛 períodos anteriores. La fórmula de cálculo es la
siguiente:

∑𝑡𝑡−1
𝑖𝑖=𝑡𝑡−𝑛𝑛 𝐴𝐴𝑖𝑖
𝐹𝐹𝑡𝑡 =
𝑛𝑛
Luego, el encargado del pronóstico debe determinar qué valor de 𝑛𝑛 utilizar. Cuanto
mayor sea 𝑛𝑛 más se uniformarán los elementos aleatorios, pero si existe una tendencia
en los datos, el promedio móvil tiene la característica adversa de retrasar la tendencia.
Por lo tanto, aunque un menor valor de 𝑛𝑛 produce más oscilación, existe un seguimiento
cercano a la tendencia.
6

Ejemplo:

Pronóstico de la demanda para promedios móviles de tres (𝑛𝑛 = 3) y cinco (𝑛𝑛 = 5) semanas
comparadas con la demanda:
Pronóstico de Demanda

Notar que el pronóstico para el Período 𝑡𝑡 = 4 (mes de abril) para una Media Móvil Simple
de 3 períodos (𝑛𝑛 = 3) se obtiene de la siguiente forma:
2000 + 1350 + 1950
𝐹𝐹4 = ≅ 1767
3
De la misma forma, el pronóstico para el Período 𝑡𝑡 = 5 (mes de mayo) es:
1350 + 1950 + 1975
𝐹𝐹5 = ≅ 1758
3
Y así sucesivamente.

En el caso de una Media Móvil Simple de 5 períodos (𝑛𝑛 = 5) el primer pronóstico es en el

mes de junio:
2000 + 1350 + 1950 + 1975 + 3100
𝐹𝐹6 = ≅ 2075
5
El pronóstico para el mes de julio sería:
1350 + 1950 + 1975 + 3100 + 1750
𝐹𝐹7 = ≅ 2025
5
Y así sucesivamente.

Finalmente, es conveniente graficar el comportamiento de la serie de tiempo de modo

de contrastar su comportamiento respecto a lo obtenido con los 2 métodos de pronóstico
utilizados. Esto permite tener una primera mirada respecto a qué método logra rescatar
de mejor forma el comportamiento de la demanda.
Pronóstico de Demanda

Media Móvil Ponderada

A diferencia de una Media Móvil Simple, una Media Móvil Ponderada permite asignar
cualquier importancia a cada elemento en el pronóstico siempre y cuando la suma de las
ponderaciones sea igual a uno. La experiencia y las pruebas son las formas más sencillas
de elegir las ponderaciones.

Por regla general, el pasado más reciente es el indicador más importante de lo que se
espera en el futuro y, por lo tanto, debe tener una ponderación más alta. No obstante,
si los datos presentan estacionalidad, las ponderaciones se deben establecer en forma
correspondiente.

Sea 𝐹𝐹𝑡𝑡 el pronóstico de demanda para el período 𝑡𝑡, éste se obtiene de un promedio
ponderado de los datos reales de la demanda de los 𝑛𝑛 períodos anteriores. La fórmula
de cálculo es la siguiente:
𝑛𝑛

𝐹𝐹𝑡𝑡 = � 𝑤𝑤𝑡𝑡−𝑖𝑖 ∗ 𝐴𝐴𝑡𝑡−𝑖𝑖

𝑖𝑖=1

Ejemplo:

Una tienda departamental estima que, en un período de cuatro meses, el mejor

pronóstico se deriva utilizando 40% de las ventas reales durante el mes más reciente,
30% de dos meses antes, 20% de tres meses antes y 10% de hace cuatro meses. Si las 8
ventas reales fueron:

MES 1 MES 2 MES 3 MES 4 MES 5

100 90 105 95 ?

El pronóstico del Mes 5 es:

𝐹𝐹5 = 0.10 ∗ 100 + 0.20 ∗ 90 + 0.30 ∗ 105 + 0.40 ∗ 95 = 97,5

Es importante constatar que la suma de las ponderaciones es igual a 1.

Consideremos un nuevo ejemplo para obtener un promedio ponderado para 3 meses

utilizando las siguientes ponderaciones:

𝑤𝑤𝑡𝑡−1 = 0.70
𝑤𝑤𝑡𝑡−2 = 0.20
𝑤𝑤𝑡𝑡−3 = 0.10

Donde la serie de tiempo corresponde a la demanda de un producto durante un período

de 30 semanas:
Pronóstico de Demanda

SEMANA DEMANDA SEMANA DEMANDA

1 800 16 1700
2 1400 17 1800
3 1000 18 2200
4 1500 19 1900
5 1500 20 2400
6 1300 21 2400
7 1800 22 2600
8 1700 23 2000
9 1300 24 2500
10 1700 25 2600
11 1700 26 2200
12 1500 27 2200
13 2300 28 2500
14 2300 29 2400
15 2000 30 2100

Con ayuda de Microsoft Excel podemos simplificar el cálculo tal como se aprecia en la
siguiente imagen:

Por ejemplo, el pronóstico de la semana 4 se obtiene como:

𝐹𝐹4 = 0.10 ∗ 800 + 0.20 ∗ 1400 + 0.70 ∗ 1000 ≅ 1060

En la siguiente figura se muestra el comportamiento de la demanda real, una Media

Móvil Simple con 𝑛𝑛 = 3 y 𝑛𝑛 = 9 y una Media Móvil Ponderada de 3 períodos y las
ponderaciones especificadas anteriormente. En base a los resultados alcanzados te
sugerimos reflexionar sobre qué método logra un mejor ajuste.
Pronóstico de Demanda

3.000

2.500

2.000

DEMANDA
1.500 N=3
N=9
Prom. Pond
1.000

500

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

Suavizamiento Exponencial

El alisamiento o suavizamiento exponencial es una de las técnicas más utilizada de

pronóstico. Considera válida la premisa de que la importancia de los datos disminuye
mientras más antiguos sean. El nombre del método de pronóstico obedece a que cada
incremento del pasado se reduce en (1 − 𝛼𝛼). Luego, para realizar un pronóstico sólo se 10
necesitan tres datos: el pronóstico más reciente, la demanda que se presentó para ese
período y una constante de suavizamiento 𝛼𝛼.

La ecuación para un solo pronóstico de alisamiento exponencial es:

𝐹𝐹𝑡𝑡 = 𝐹𝐹𝑡𝑡−1 + 𝛼𝛼(𝐴𝐴𝑡𝑡−1 − 𝐹𝐹𝑡𝑡−1 )

Donde:

• 𝐹𝐹𝑡𝑡 = El pronóstico suavizado exponencialmente para el periodo 𝑡𝑡

• 𝐹𝐹𝑡𝑡−1 = El pronóstico suavizado exponencialmente para el periodo 𝑡𝑡 − 1
• 𝐴𝐴𝑡𝑡−1 = La demanda real para el periodo 𝑡𝑡 − 1
• 𝛼𝛼 = El índice de respuesta deseado o constante de alisamiento
Pronóstico de Demanda

Se debe tener en cuenta que:

• 𝛼𝛼 tiene un valor entre 0 y 1.

• Esta constante determina el nivel de suavizamiento y la velocidad de reacción

ante las diferencias entre pronósticos y hechos.

• Si la demanda real es estable, un 𝛼𝛼 pequeño (cercano a 0) reduce los efectos de

cambios a corto plazo.

• Si la demanda real aumenta o decrece con rapidez un 𝛼𝛼 de gran magnitud

(cercano a 1) puede seguir más de cerca el ritmo de los cambios.

Para poner en marcha el método de alisamiento exponencial se requiere de un pronóstico

inicial. Hay dos formas frecuentes para disponer de un pronóstico inicial.

• Usar la demanda real del último periodo.

• Calcular el promedio de varios periodos recientes de demanda.

Ejemplo:

En la siguiente imagen se presenta la demanda de un producto para un período de un

año (12 meses) junto la aplicación del Método de Suavizamiento Exponencial 11
considerando 3 valores para el parámetro alfa: 0.1, 0.5 y 0.9. Notar que en cada caso
se seleccionó como pronóstico inicial para el Período 2 (febrero) la demanda real del mes
de enero.
Pronóstico de Demanda

Veamos cómo se obtuvieron algunos pronósticos para el caso donde 𝛼𝛼 = 0.10 (se propone
al alumno verificar el resto de los cálculos para una mejor comprensión de los contenidos
de esta unidad).

𝐹𝐹3 = 𝐹𝐹2 + 𝛼𝛼(𝐴𝐴2 − 𝐹𝐹2 )

𝐹𝐹3 = 2000 + 0.10(1350 − 2000) = 1935

𝐹𝐹4 = 𝐹𝐹3 + 𝛼𝛼(𝐴𝐴3 − 𝐹𝐹3 )

𝐹𝐹4 = 1935 + 0.10(1950 − 1935) ≅ 1937
Y así sucesivamente.

Al graficar los resultados en Microsoft Excel nos podemos hacer una opinión preliminar
respecto a qué método de pronóstico se ajusta mejor a los datos reales.

3.500

3.000

2.500
12
2.000

1.500

1.000

500

0
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC

DEMANDA ALFA = 0,1 ALFA = 0,5 ALFA = 0,9

Evaluación de los Métodos de Pronóstico

El término error se refiere a la diferencia entre el valor del pronóstico 𝐹𝐹𝑡𝑡 y lo que ocurrió
en la realidad 𝐴𝐴𝑡𝑡 . Formalmente el error del período 𝑡𝑡 se define como:

𝑒𝑒𝑡𝑡 = 𝐴𝐴𝑡𝑡 − 𝐹𝐹𝑡𝑡

La demanda de un producto se genera mediante la interacción de varios factores

demasiado complejos para describirlos con precisión en un modelo. Por lo tanto, todas
las proyecciones contienen algún grado de error. En consecuencia, al analizar los errores
Pronóstico de Demanda

de pronóstico, es conveniente distinguir entre las fuentes de error y la medición de

errores.

Existe un importante set de indicadores cuantitativos que se pueden utilizar para evaluar
métodos de pronóstico de demanda. El alcance de esta Unidad se limitará a presentar
los siguientes indicadores:

Desviación Media Absoluta: Conocido también como MAD por su acrónimo en inglés
(Mean Absolute Deviation) es el error promedio en los pronósticos mediante el uso de
valores absolutos. Se obtiene como:

∑𝑛𝑛𝑡𝑡=1 |𝐴𝐴𝑡𝑡 − 𝐹𝐹𝑡𝑡 |

𝑀𝑀𝑀𝑀𝑀𝑀 =
𝑛𝑛
Cuando los errores que ocurren en el pronóstico tienen una distribución normal (el caso
más común) el MAD se relaciona con la desviación estándar del error como:

1 desviación Estándar ≈ 1,25 MAD

Por el contrario

1 MAD ≈ 0,8 Desviaciones Estándar

Señal de Rastreo: Conocido también como TS por su acrónimo en inglés (Tracking

Signal) se calcula como la suma de los errores de los pronósticos dividido entre la
desviación media absoluta.
13

∑𝑛𝑛𝑡𝑡=1(𝐴𝐴𝑡𝑡 − 𝐹𝐹𝑡𝑡 )
𝑇𝑇𝑇𝑇 =
𝑀𝑀𝑀𝑀𝑀𝑀
El numerador de la señal de rastreo consiste en la suma corriente de los errores
pronosticados, considerando la naturaleza del error (por ejemplo, los errores negativos
se cancelan los positivos y viceversa).

Ejemplo:

Se presenta los datos de la demanda real de un producto para un período de 12 meses

(detallados en la columna At). Se aplica el método de suavizamiento exponencial con
𝛼𝛼 = 0.10 y utilizando un pronóstico inicial de 2.000 para el mes de febrero. La imagen a
continuación presenta el detalle de los cálculos que permiten obtener el MAD y la Señal
de Rastreo (TS) para el pronóstico utilizado.
Pronóstico de Demanda

Mes Periodo At SE 0.1 |et| ∑ |et| n MAD SE 0.1 (et) ∑ (et) TS SE 0.1
Enero 1 2.000
Febrero 2 1.350 2.000 650 650 1 650,0 -650 -650 -1,00
Marzo 3 1.950 1.935 15 665 2 332,5 15 -635 -1,91
Abril 4 1.975 1.937 38 703 3 234,3 38 -597 -2,55
Mayo 5 3.100 1.941 1159 1862 4 465,5 1.159 562 1,21
Junio 6 1.750 2.057 307 2169 5 433,8 -307 255 0,59
Julio 7 1.550 2.026 476 2645 6 440,8 -476 -221 -0,50
Agosto 8 1.300 1.978 678 3323 7 474,7 -678 -899 -1,89
Septiembre 9 2.200 1.910 290 3613 8 451,6 290 -609 -1,35
Octubre 10 2.770 1.939 831 4444 9 493,8 831 222 0,45
Noviembre 11 2.350 2.022 328 4772 10 477,2 328 550 1,15
Diciembre 12 2.230 2.055 175 4947 11 449,7 175 725 1,61

14